一句话看懂：一位用户通过 Tailscale 虚拟局域网把 M2、M5 和 Windows 三台电脑组网，配合 SSH 让 Codex 跨设备调度任务，把闲置设备变成可分工的 AI 工作集群。这件事说明，个人 AI 工作流正在从“单机跑模型”走向“多机分布式协作”。
事件核心：发生了什么
2026 年 8 月的社区分享中，一位用户展示了如何把家中三台电脑组成一套 AI 工作室：M5 作为控制入口，M2 负责接单、记账和任务分配，Windows 承担显卡相关的重负载任务。实现路径分为两层：先用 Tailscale 建立跨设备私网，让三台机器即使不在同一 Wi-Fi 下也能稳定互访；再配置 SSH，使 Codex 这类编程代理获得多机管理能力，从而在咖啡厅远程下达指令，让家里的设备自行分工执行。
值得注意的细节是，作者的安全策略相当克制：Ollama、ComfyUI、语音服务只监听本机，外部访问统一走 Tailscale 私网，需要对外提供的能力则经过 AI 网关，不将模型端口、SSH 或管理界面直接暴露到公网。整套方案使用的都是成熟工具，没有依赖未发布的新硬件或新框架。
为什么重要
这件事的价值不在教程本身，而在于它反映出一个正在发生的趋势：AI 工作负载开始从单机扩展为分布式协作。过去个人用户要跑大模型或图像生成，通常是在一台电脑上“单打独斗”；现在通过 Tailscale 这类组网工具，算力可以被重新分配，旧电脑不必闲置，也能承担调度、推理或图形渲染等不同角色。
这种模式对行业也有信号意义。一方面，模型能力的提升并未消灭算力需求，而是把需求转移到更精细的分工上；另一方面，类似 Codex 这样的 AI Agent 正从“对话助手”演变为“跨设备操作者”，能够通过 SSH 管理多台机器的执行链路。个人 AI 基础设施的门槛正在被拉低。
对用户/开发者/创作者的影响
对普通用户而言，这套方案最直接的启发是：旧电脑不需要按“跑得动大模型”或“跑不动”来淘汰，可以按角色重新利用——性能弱的负责管理调度，带好显卡的负责重活，轻便本作为移动控制端。这种“多机分工”的思路，比单纯升级单台硬件更省钱。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者和创作者来说，实际收益在于工作流灵活性的提升。通过私网组网和 SSH 配置，模型的调用、图像生成任务的提交、文件管理都可以从本地环境抽离到远程设备上执行。同时，这个方案的安全边界设计值得直接参考：服务只监听本机、私网互访、网关统一出口，这比把端口直接映射到公网要安全得多。
需要说明的是，原文素材只展示到 SSH 配置部分，任务调度、Codex 在其中的具体角色以及模型部署细节并未完整披露，因此整套方案的稳定性和实操难度，仍需要读者自行验证。
值得关注的后续
第一，这套方案是否有更完整的任务调度机制——M2 与 Windows 之间的分工如何自动化、失败任务如何重试，是评估它能否复用到自己场景的关键。
第二，Tailscale 私网方案在家庭带宽环境下能否支撑更高负载的 GPU 推理或图像生成任务，这决定了它是否只是实验性玩法，还是能成为日常生产力工具。
第三，Codex 对多机 SSH 支持是否代表了编程 Agent 的下一个默认能力。如果 AI Agent 都能像操作个人电脑一样操作多台机器，未来的个人“算力集群”将不再需要专业运维知识，这会直接改变开发者和创作者对算力成本的判断逻辑。
