他把每月 $320 的 AI 訂閱砍光，換上這 5 套開源工具
九月的一個晚上，Fireship 頻道《The Code Report》單元的主持人打開帳單，開始算一筆帳。
Cursor，一個月 20 美元。Claude Max，100 美元。GPT Pro，再 100 美元。Gemini Ultra，又是 100 美元。加起來，剛好 320 美元——這還沒算上 11 Labs 的語音訂閱、DeepSeek，以及兩年前註冊、後來忘了關掉的一堆 API key。他在影片裡半開玩笑地說，自己的「AI 成癮」貴到必須戒掉喝酒跟打坐；還調侃美國酒類銷售正處於歷史低點，「都是大型 AI 公司害的」。這段當然是誇飾的玩笑，不是什麼經濟數據，但那種「訂閱疊訂閱、多到自己都算不清」的感覺，恐怕不少每天在多個 AI 工具間切換的開發者都懂。
真正讓他停下來的，不是哪一筆扣款特別貴，而是把四筆訂閱攤開來看的那一刻——沒有人一開始就決定要花 320 美元，只是一個一個訂閱疊上去，疊到某天你打開帳單才發現。這也是這支影片的起點：與其繼續疊訂閱，他決定把整套 AI 工作流搬回自己的伺服器上，改用免費、開源的專案重新組一套「更便宜、也更有生產力」的 AI 堆疊。以下是他實際串起來用的五套工具，以及每一套解決的是哪一個具體的痛點。
提示詞不想外流，先從 Ollama 開始
任何一套 AI 堆疊，第一件事都是「模型要放在哪裡」。多數人的預設答案，是把自己的程式碼直接送給某家市值上兆的公司，然後相信對方會妥善保管。Ollama 提供另一條路：把模型整個搬到自己機器上跑。
主持人形容它「像是大型語言模型版的 Docker」——一個簡單的命令列介面加上 API，讓你下載、執行各種開放權重模型，包括各種中國模型或其他開源模型。跑在本機的好處很直接：提示詞不會外流，推論成本是零，而且就算信用卡被拒刷，模型照樣能繼續運作。
但這條路也有一個現實的門檻：多數人手上的硬體，離「跑得動真正頂尖的模型」還有一段距離。小模型幾乎哪台機器都跑得動，但要跑接近前沿等級的大模型，得有一個小型資料中心等級的設備。對於還想寫出「頂級程式碼」的開發者來說，這正是下一個要解決的問題。
訂閱到頂了怎麼辦：用一個路由層自動換擋
既然本地硬體撐不起最強的模型，勢必還是要接上一些線上服務。這裡主持人介紹了一個自架的解法，他稱之為「Nine Router」（逐字稿以此拼寫呈現，實際產品全名待核對）——一個架在你的 AI 工具與各家模型供應商之間的中介層，透過同一個本機端點統一對外呼叫。
它解決的問題很具體：與其在九個不同的 API key 之間手動切換，不如只留一道門，對外偽裝成一個相容 OpenAI 格式的代理伺服器，所有工具都指向 localhost 就好。真正讓主持人覺得好用的，是它的「分層備援」設計：第一層是你原本就已經在付費的訂閱，例如 Claude Max；第二層是便宜的按量計費模型當備胎；第三層則是所有免費管道，例如中國模型或雲端試用額度。一旦第一層用量見頂，系統會自動切到下一層，不需要你手動介入。除此之外，這一層還會追蹤實際用量，並壓縮工具輸出以減少 token 消耗——換句話說，它同時在做「別讓帳單爆掉」跟「別讓額度提早見底」兩件事。
帳單真正的兇手，其實是被浪費的 Token
如果每天燒的 token 量還是大到嚇人，主持人接著點名的問題，是「上下文壓縮」——他用了一個很生活化的比喻：你只是想叫 AI 把一個 div 置中，結果它為了做到這件事，得先讀完你 package.json 裡五萬行內容，消耗掉相當於一座奧運標準泳池的運算資源，最後才發現自己其實只是需要安裝 Tailwind CSS。
他介紹的 Headroom 就是為了解決這個問題：它架在你的應用程式與模型供應商之間，在內容真正送到模型、變成計費輸入 token 之前，先把工具輸出、日誌檔案等等沒必要的內容壓縮掉。設計上比較聰明的一點是「可逆」——被壓縮送出的內容仍會快取在本機，如果模型之後真的需要用到，還是可以取回，不會因為壓縮就永久遺失資訊。
把工具串起來之後，還得有地方跑
到這裡，主持人碰到了一個很實際的問題：這些工具全部串起來之後，到底要部署在哪裡？影片中他提到贊助商 Hostinger 提供的虛擬私人伺服器內建 Docker 應用目錄，可以把前面提到的開源專案一鍵裝上去，並且能讓這些工具全部跑在同一台機器上互相協作。這部分屬於影片的贊助段落，實際評估與比價建議讀者自行查證，本文不重複轉述其優惠代碼與連結。
有了基礎設施，接下來是真正拿來用的應用：Dify
前面談的都是基礎建設，真正要做出「能用的東西」，主持人選擇的是 Dify——一個視覺化工作流建構工具，讓你用拖拉節點的方式取代純粹靠提示詞硬寫邏輯。他舉了一個帶點玩笑意味的例子：一款名叫「Horse Tinder」的馬匹配對 App，把每匹馬的檔案資料丟給 Dify，由視覺化流程從資料庫撈出相容對象，再由大型語言模型生成配對說明，最後整套流程直接以 API 形式對外開放，前端只要在使用者滑動時呼叫它就好。這個例子明顯是主持人一貫的誇張幽默，重點不在馬匹配對本身，而在於「一套工作流可以直接變成一支可呼叫的 API」這件事。
最後一步：把自己也換掉
影片的收尾，主持人半認真地說，「自己動手寫程式」這件事在 2026 年第二季之後已經有點過時了——因為有了 OpenHands。這是一個開源的自主程式開發代理人，在 SWE-bench Verified（一個評估模型能否修復真實 GitHub issue 的基準測試）上名列表現最頂尖的工具之一。與其自己動手修 bug，不如直接開一張 GitHub issue，讓 OpenHands 去處理。
它本質上提供一個指揮中心，讓你在自己的伺服器上，同時自架一整批持續運作、在背景工作的 AI 代理人。因為整套環境都跑在自己的虛擬私人伺服器上，你可以選擇接上 OpenAI 或 Anthropic 的模型，也可以直接用前面裝好的 Ollama 本地模型——這也是整支影片真正的轉折點：一開始是「不想再多付一筆訂閱」，走到最後，變成「整套開發流程都握在自己手上，而且模型可以隨時換」。
訂閱或自架，問題從來不是「哪個比較潮」
看完這五套工具會發現，主持人真正解決的問題不是「開源比較便宜」這麼單薄的一句話，而是「我到底把錢跟提示詞送到哪裡去了」——這正是多數人疊訂閱疊到某一天才會意識到的事。自架這條路需要花時間維運伺服器、處理硬體限制，並不是對每個人都零成本；但它換來的，是把每一次呼叫、每一分錢花在哪裡看得清清楚楚。
不管走哪條路，核心邏輯其實相通：先把自己實際的模型用量攤開來看，才有辦法做選擇。這也是為什麼近來討論度愈來愈高的，不只是「開源自架」本身，還有像 AI Token King 這樣把多家模型的用量與帳單併在同一處對照的做法——兩者解的問題不完全相同，前者是把每一次呼叫的成本壓低，後者是先搞清楚錢究竟流向了哪幾家，但最終都指向同一個起點：得先有一份看得懂的帳，才輪得到討論該選哪一條路。
常見問題（FAQ）
Q1：如果我沒有強大的本地顯卡，還能用 Ollama 嗎？
可以。影片中提到小型模型幾乎在任何機器上都能跑，只是想跑接近前沿等級的大型模型，才需要接近小型資料中心等級的硬體規模。多數人可以先從小模型開始，視需求再決定是否投資硬體。
Q2：把整套 AI 工具自架起來，真的會比訂閱便宜嗎？
影片呈現的是主持人自身取消四筆訂閱、改為自架後的經驗與判斷，並未提供具體的成本對照數字。是否划算會因每個人的實際用量、維運能力與硬體投入而異，建議讀者依自身情況評估，不宜直接套用他人結論。
Q3：「Nine Router」的分層備援（fallback tiers）是什麼意思？
依影片描述，是把不同的模型供應管道分成三層：第一層是你已付費的訂閱（例如 Claude Max），第二層是便宜的按量計費模型，第三層是各種免費管道。當上一層用量見頂，系統會自動切換到下一層，不需要手動介入。
Q4：Dify 這類視覺化工作流工具，跟直接寫 Prompt 有什麼不同？
差別在於呈現與維護方式：Dify 讓你用拖拉節點的方式組出資料存取、模型呼叫、輸出格式等步驟，並能把整條流程直接暴露成一支 API，而不是把所有邏輯都塞進一段提示詞裡，這對需要重複呼叫、對外提供服務的場景會更容易維護。
Q5：OpenHands 這類自主開發代理人，可以完全取代工程師嗎？
影片形容它是 SWE-bench Verified 這項基準測試上表現頂尖的自主編碼代理人之一，能自動處理 GitHub issue、在背景持續工作，但並未宣稱它能完全取代人類工程師的判斷與把關角色，實際導入時仍建議保留人工審核。
資料來源聲明
本文改寫自 YouTube 頻道 Fireship 於 2026 年 9 月 7 日發布的影片《5 open source tools that replaced my $320/mo AI stack...》（觀看數已於撰稿時查證為 1,247,954 次），原始連結：https://www.youtube.com/watch?v=Y5rSSvXfL4g。本文依原始英文逐字稿重新組織、改寫敘事與段落結構，並非逐句翻譯；文中提及的工具名稱、費用數字與情境皆以逐字稿原文為依據，未另行增添逐字稿未提及的具體數字。影片中「Nine Router」一詞為自動語音辨識產生之逐字稿拼寫，正式產品名稱與細節請於發布前另行查證。文中關於美國酒類銷售與 AI 支出的段落為原影片主持人的誇飾玩笑語氣，非本站主張之經濟數據。
延伸閱讀
立即體驗
不管你最後決定自己動手把這五套工具架起來，還是想先摸清楚自己每個月的 AI 帳單到底流向哪幾家，第一步都一樣：先有一份看得懂的紀錄。免費試用 AI Token King，把散落在不同帳戶裡的用量與費用併到同一個地方對帳。
留言