云上的 Agent 平台都很客气：注册送额度，前两周用着顺手，等你的流程真跑起来，账单开始按任务数跳。另一边，抽屉里那台 ARM 小主机常年跑着下载和备份，CPU 3%，内存闲着五个 G。
这两件事凑一起，就有个很自然的问题：这十个天天被拿来对比的 Agent 平台，到底哪几个能装进自己的机器？
我没看文档里那句”支持 ARM”，而是把官方镜像的 manifest 拉出来看 images[] 数组，顺便记下压缩体积和最后一次推送时间。数据都是 2026 年 11 月 6 日当天取的，星数走 GitHub API，架构走 Docker Hub。
一、先按形态分三档
第一档是连接器平台，Make 和 Zapier 是代表。它们卖的不是模型，是九千个应用的授权、轮询和重试。这一档没有可下载的镜像，数据必须过它们的云。想自托管，直接出局——不是钱的问题，是架构问题。
第二档是画布平台，Dify、Langflow、Flowise、n8n，再加 SuperAGI。它们把 RAG、工具调用、分支判断画成节点，交付物是一套 Docker 镜像。
第三档是代码库，CrewAI、AutoGen、MetaGPT。它们发的是 pip 包，没有官方镜像，跑起来靠 Python 环境。
三档分完，问题就从”十选一”变成”你的机器吃不吃得下这一档”。
二、实测：谁的镜像里真有 arm64
| 平台 | 交付形态 | arm64 | 压缩体积 | 最后一次推送 |
|---|---|---|---|---|
| Dify | docker compose | 有 | api 837MB + web 205MB | 2026-11-05 |
| Langflow | 单容器 | 有 | 715MB | 2026-11-04 |
| n8n | 单容器 | 有 | 279MB | 2026-10-22 |
| Flowise | 单容器 | 有 | 1.52GB | 2026-07-29 |
| AutoGPT | 单容器 | 没有，只有 amd64 | 795MB | 2024-04-26 |
| SuperAGI | docker compose | 未核 | — | 代码库停在 2025-01-22 |
| CrewAI | pip / uv | 无官方镜像 | — | 2026-11-05 |
| AutoGen | pip | 无官方镜像 | — | 2026-10-28 |
| MetaGPT | pip | 无官方镜像 | — | 2026-01-21 |
| Make / Zapier | SaaS | 无 | — | — |
几个细节值得单独说：
Dify 是这一档里最”整包”的。它 19 版（1.19.0）的 compose 文件里，光核心服务就列了 api、api_websocket、worker、worker_beat、web、db_postgres、redis、sandbox、plugin_daemon、ssrf_proxy、nginx、weaviate，默认一次起十来个容器。好消息是 api、web、sandbox 三个关键镜像都出了 arm64，sandbox 那份 217MB，能直接在 aarch64 上拉。
Langflow 是单容器里最干脆的，715MB 一个镜像把前后端都带了，端口 7860。n8n 更轻，279MB，这是它把 Node 依赖压得比较狠的结果。
Flowise 最有意思：arm64 镜像还在，1.52GB 也能拉，但最后一次推送停在 7 月 29 日——项目 8 月 13 日就转成只读归档了。镜像能用，补丁没了，一百多条安全公告等着你自己扛。
AutoGPT 是唯一一个明确只有 amd64 的，795MB，最后推送 2024 年 4 月。它的老镜像现在更像个化石，团队早就转身去卖 Otto 那套 AI 团队了。
三、上手：三条命令各跑一个
自托管最麻烦的从来不是装，是决定装哪个。三条命令，分别对应三档：
# 画布档：Dify 全家桶
git clone https://github.com/langgenius/dify.git
cd dify/docker && cp .env.example .env && docker compose up -d
# 画布档轻量版：Langflow
docker run -p 7860:7860 langflowai/langflow:latest
# 连接器档：n8n
docker run -d --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n n8nio/n8n
代码库那一档没有镜像，装法更像装工具：
# CrewAI
uv tool install crewai && crewai create crew my_first_crew
# AutoGen Studio（带图形界面）
pip install -U autogenstudio && autogenstudio ui --port 8081
# MetaGPT
pip install metagpt && metagpt "做一个贪吃蛇小游戏"
装完都别忘了配模型。Dify 和 Langflow 在界面里填 provider 和 key；CrewAI 和 AutoGen 走环境变量。国产模型大多兼容 OpenAI 协议，改 Base URL 就行——不过Zapier 和 Make 这类平台是改不了的，名单锁死在它们自己手里。
四、实话：有 arm64 镜像不等于跑得动
第一件事是内存。Dify 那十来个容器里，Postgres、Redis、Weaviate 各吃一份，api 和 worker 再各吃一份，空载就敢要 4G 以上。我手上这台机器 7.7G 内存、8 核，跑起来刚好卡在边上，再挂个本地模型就没戏了。想在小主机上跑，向量库得换成 pgvector 或者干脆外接。
第二件事是磁盘。上面写的都是压缩后的下载量，解压之后 Dify 全套轻松过 4G，加上镜像层和日志，一块 32G 的 eMMC 会被吃掉一小半。Flowise 那个 1.52GB 的镜像解压后接近 4G，比它看起来危险得多。
第三件事是升级。Dify 跨大版本会动数据库 schema，1.19 这次更新就新增了子流程追踪和 agent 沙箱，功能是香，但生产环境升级前必须备份。小主机上跑的东西，最怕的就是升级升到一半没内存。
第四件事是别碰停更的。SuperAGI 代码库停在 2025 年 1 月 22 日，去年十月还爆出 9.8 分的漏洞，架构核不核已经不重要了。MetaGPT 也差不多，7.1 万星，代码停在 2026 年 1 月，团队去做 Atoms 那门生意了。
最后一件事是钱包。自托管省的是订阅费，不是模型费。Dify 社区版免费，但你调 GPT 或 Claude 的 token 一分不少；真要省钱，得把模型也换成本地跑的，那就是另一个话题了。
结语
十个平台走完一遍，能真正装进 ARM 小主机的其实只有四个：Dify、Langflow、n8n、Flowise（能用但别用在正经地方）。剩下六个，要么只有云，要么只有 x86，要么代码库本身已经半停摆。
选型的顺序也别搞反：先定形态，再验架构，最后才看内存和磁盘。反过来做，你会在一台 2G 内存的盒子上折腾三天 Dify，然后发现它根本起不来。
