進入工作區頁面，即可確認剛下達的代理任務已成功加入排程。


到達預定時間後，儀表板與Telegram皆會同步顯示查詢結果，系統更自動以表格形式對比兩檔股票的資訊，提升閱讀便利性。


觀察任務時間軸：11:07下達指令、11:09系統回覆預約完成、11:20自動執行，並於11:24回傳查詢任務完成。
此任務自預約完成起算，總耗時14分39秒，總計消耗72.3K Token量。
需要留意的是，資料抓取的完整度會受目標網站來源是否擋機器人瀏覽所影響，偶爾會出現資訊遺漏。
這類狀況在雲端大型模型上同樣常見，尤其在查詢「即時報價」時，AI較常抓取到過去的歷史價位。


AI代理也能協助照片分類，例如在此任務中，指令要求分析個人MSI筆電實測文章的資料夾，找出包含「產品外觀」的照片，並將其移入指定資料夾中。
執行此類視覺任務時，需要額外安裝擅長圖片辨識的小型模型LLaVa (Large Language and Vision Assistant)。
運作邏輯是由LLaVa先讀取並描述圖片內容，再將這些資訊傳達給主模型Gemma 4 31B進行分析與最終的歸類判斷。


分析完成後，系統會將辨識出的筆電外觀照片移入資料夾內。
由於AI推論具有一定的變動性，每次產生的結果可能略有差異，但也曾遇過經過多次反覆執行後，AI判斷準確度突然提升、分類極為完善的狀況。
在先前的測試中，編號06至09由於屬於筆電局部特寫的照片，AI有時會將其中一、兩張判定為「非筆電外觀」。
這顯示出下達的指令越精準越好，當遇到圖片內容過於局部或模稜兩可的狀況時，對AI而言通常較難做出準確的判斷。


此任務消耗的Token量高達280.9K，算是相當多，畢竟照片檔案本身較大，且數量多達42張，
所需的處理時間與Token用量，非前面幾項單純查資料或傳送小檔案的任務所能比擬。
不過，為了避免超出VRAM的硬體限制與模型的上下文視窗(Context Window)，建議在執行此類任務時，適度控制單次處理的照片數量與檔案大小會是較為穩妥的作法。


另外想到，既然長年在進行硬體測試，如果能透過遠端遙控來跑測試軟體，應該會相當有趣。
思考過後，決定先從較單純的CPU-Z著手，利用事先寫好的Python腳本交由龍蝦來執行。
接著是透過指令執行CPU-Z的Benchmark測試，並要求在跑完測試後直接回傳數據截圖，讓使用者能第一時間在遠端看到結果。


觀察執行效率：12:02下達指令，12:05系統回傳已接收指令並開始執行，同一分鐘內(12:05)就回傳了CPU-Z的測試截圖，速度表現相當不錯。
收到這張截圖的當下其實有點開心，畢竟這是自己測試了20幾年來再熟悉不過的軟體畫面。
綜合前述OpenClaw搭配本地31B模型執行多項Agent任務時，在室溫約32度下，B70 GPU溫度約為74~80度，個人認為溫度表現相當不錯。


32GB大容量VRAM有利於在本地端載入較大型的文生圖模型，不過本篇並未另外安裝本地端文生圖模型。
依OpenClaw Dashboard紀錄，本次透過OpenClaw下達指令後，由Agent呼叫Google Gemini 3.1 Flash雲端服務進行圖片生成，再將結果回傳。


實際生成的畫面效果相當不錯，雖然部分細節比例仍有不夠精準之處，但整體品質已具備相當水準。