大多数 AI 账单都会在没人察觉时悄悄拖垮小团队。好消息是，那些读到这篇省钱内容的读者并不只是来看看热闹——他们把自己的配置发了过来，而这些节省是真的值得分享。类似的模式在 Colorado Springs 以及更远的地方一再出现：一位独立创始人把每次 API 调用的几美元换成了一个零边际成本的研究循环；一位老师在已经在壁橱里吃灰的硬件上运行本地模型；还有一位瑜伽工作室老板把她的课程规划助手完全从云端迁了出来。他们都不是工程师。可他们都把每月 AI 支出削减了 90% 以上。
第一种模式是安静替换。那位独立创始人意识到，她发给托管聊天工具的每一个“快速问题”都差不多要花一份三明治的钱，而且问题越积越多。她保留云端模型来处理每周两个确实需要顶级推理的任务，但把日常草稿、提纲和邮件改写都交给了在笔记本电脑上运行的小型本地模型。她的总支出从每月大约四十美元降到了电费——不到一美元。关键在于真正写清楚哪些任务值得使用云端预算，而不是让便利性一点点把预算漏光。
第二种模式是旧硬件重获新生。一位初中老师把一台旧台式机从储藏室里搬出来，安装了一个免费的本地模型运行器，现在他在一个封闭网络上用它批改简短写作题目，并生成发给家长的邮件草稿。学校发放的 Chromebook 依旧原封不动，学生数据从未离开房间，而唯一持续的成本只是让那台机器一直开着的电费。他估算学校每年因此省下了大约一千五百美元的订阅费用。如果你壁橱里正好有一台还能用的主机，它几乎肯定足够强大。
第三种模式是没人怎么谈论的混合方案。那位工作室老板默认一切都在本地运行——课程安排答复、课程介绍、社交媒体文案——只有当会员提出需要更强推理的细致健康问题时，才会转到托管模型。因为她 95% 的流量都不会碰到云端，所以她的托管账单非常低，而且可预测。思维上的转变是：把本地模型当作前门，把云端当作随叫随到的专家。
共同点在于，对每项任务真正需要什么保持诚实，以及愿意花一个下午来设置，而不是花一个下午去写支票。如果 90% 的节省听起来像营销噱头，那就不是——当更便宜的选择同时又更贴近工作时，结果本来就会如此。
想要一份针对你已经拥有的硬件、成本最低且实用的本地配置入门清单吗？订阅新闻通讯，我们会发送免费的单页指南，以及读者们现在正在使用的精确提示词和小模型推荐。