RTX Spark 本地 AI 编程实测：反复尝试仍未找到稳定可复现的方案

我已经花了很多天——太多天了——试图在 RTX Spark 上找到一种始终稳定且好用的本地 AI 编程体验。虽然我在这里那里取得过一些小小的胜利，但到目前为止，从某种意义上说，我除了失败什么都没做成，因为我想要的是一个始终有效的可复现流程。

当我开始测试 RTX Spark 电脑时，我以为我会很快走遍几个不同的本地 AI 用例，比如通用使用、软件开发、创意（图像、视频等）、生产力、智能体，以及其他种种。通用使用，也就是像使用任何 AI 聊天机器人那样使用本地 AI，是很直接的——就像我在《RTX Spark：真实世界的本地 AI ⭐》中提到的托尔金书籍和墨西哥城行程——虽然那是一次不大但不错的成功，但我真的卡在了软件开发这一块。

原因有很多，其中包括有些 AI 前端和/或本地 AI 模型会直接使用（并在必要时安装和配置）完成任务所需的任何应用、框架和其他技术，而另一些则只会给你源代码，让你自己复制粘贴到 Visual Studio 或其他什么地方。前一种做法不仅更优越，而且是必需的，因为如果你要充当 AI 和你的开发环境必然会抛出的众多错误之间的中间人，无论项目多么简单，这个过程都完全无法进行。

但还不止如此。本地 AI 模型通常有多个版本，每个版本都有自己的质量/版本和模型大小选择。如果你想要一个适合软件开发的本地模型，它能自己安装、配置并使用所有相关的开发者工具，而且还能在你的特定硬件上良好运行，那么，这得靠你自己。真的，从头到尾全靠你自己。

所以我一直在大量实验。而且，说清楚一点，也一直在大量失败。今天早上，似乎是第无数次了，我决定再试一次，并且再次更换我使用的工具和模型。这基本上就是我过去几周几乎每天都在做的事。

今天的实验是：LLama Windows 以及一系列模型选择，还有一个让你间接感受这种痛苦的机会。

你可能还记得，Hugging Face 把 Llama Windows 的发布时机安排在了本月早些时候 RTX Spark 电脑上市之时。它是 llama.cpp 开源 AI 推理引擎的图形前端，而 llama.cpp 是 LM Studio Bionic 和 Ollama 等热门本地 AI 应用所使用的事实标准。这一点很重要，因为 llama.cpp 是一个命令行界面（CLI），大多数人会觉得使用起来很复杂。

你可以在 GitHub 上找到 llama.cpp，如果你心情好得过头，它是个合适的选择。在 Windows PC 上，你当然要从命令行安装 llama.cpp，但奇怪的是，你并不使用 Windows 包管理器（winget）；相反，你要在 PowerShell 中使用 Invoke-RestMethod 命令，或者更……