这堆破铜烂铁跑起来的瞬间，我听见风扇在嘶吼，像是我过去十年所有焦虑的实体化。2025年了，我还在跟硬件成本较劲，这感觉真他妈魔幻。
云服务账单就是新时代的房租，你停不下来。年初算账，光是为了跑那些实验性的AI工作流，每月在AWS和几个国内云平台上的开销就够再雇半个初级开发了。关键是，大部分时间GPU实例都在空转，等数据、等调试、等我想起来还有个任务没关。钱像水一样从指缝漏走，而我明明记得，2016年那会儿，一台破笔记本加几个VPS就能撬动整个爬虫帝国。技术越高级，怎么人越被动了？
我开始翻箱倒柜。角落里吃灰的是一台2019年组装的“主力机”，i7-9700K，32G内存，配的是当年斥“巨资”买的RTX 2080 Ti。那时候觉得这配置能战未来，结果团队一散，它就成了纪念品。还有两台公司清算时没人要的旧服务器，Xeon处理器，内存插槽都锈了。老婆说这是电子垃圾，让我赶紧扔。我说别急，这是赛博金矿。
真正的难点从来不是让硬件转起来，而是让它们“协同”起来，并且“够用”。单张2080 Ti的显存只有11G，跑稍微大点的模型直接OOM。分布式？那点算力不够通信开销的。我的策略是“分工制”：那台旧游戏PC，装Ubuntu，配好CUDA，专职做“推理终端”。它不训练，只负责加载我最终优化好的模型，执行n8n编排好的自动化任务，比如批量生成内容、处理图片。它的稳定性要求高，但负载相对平稳。
两台老服务器才是真正的“黑工厂”。我拆掉了所有花里胡巧的RAID卡和冗余电源，只保留最基本的骨架。系统装成Proxmox VE，做虚拟化底层。一台专门创建Windows虚拟机，跑那些离不开GUI的、坑爹的国产软件，用自动化脚本操控它们完成数据采集和上传，相当于一个“肉机集群”。另一台则创建多个轻量Linux容器，组成一个微型的Kubernetes（K3s）集群，处理所有IO密集型的预处理任务：清洗数据、格式转换、调用外部API。它们吃CPU和内存，但对GPU零需求。
最骚的操作在网络和调度层。我用一个树莓派4B做控制中枢，跑Home Assistant的变种，但管理的不是智能家居，是这群硬件牲口。写了一套简单的健康检查脚本，监控每台机器的温度、负载、任务队列。一旦推理PC的GPU利用率低于30%超过十分钟，控制中枢就会通过网络唤醒（WoL）唤醒一台服务器容器集群，把一批预处理任务扔过去；如果检测到GUI虚拟机卡死了（这经常发生），就自动重启虚拟机并重试任务。整个系统没有高可用，只有“凑合能用”，但成本是零。
软件栈全是胶水。n8n是大脑，负责核心的业务逻辑流：触发、判断、调用。但n8n节点调用的不是云函数，而是通过SSH或简单的HTTP API，发指令到我这套“破烂集群”的各个节点。模型推理用FastAPI包一层，部署在旧游戏PC上；数据预处理写成Python脚本，扔进K3s集群排队。所有机器通过一个千兆交换机连着，内网传输数据。硬盘是东拼西凑的SSD和机械盘，重要数据手动冷备份到移动硬盘。
跑起来第一个月，电费涨了不到两百，但云服务费直接降了八成。那种感觉，不是省钱这么简单。是一种重新“触摸”到计算过程的实在感。每一个进程的生死，每一度电的消耗，都和我直接相关。它吵，它热，它偶尔罢工需要我拍两下机箱，但这比在云控制台点击“销毁实例”要真实一万倍。
这大概是一种反抗。对抗越来越抽象、越来越不可控的“云原生”宿命。当所有计算都变成租赁服务，你作为构建者的手感就消失了。现在，这条赛博流水线就在我书房嗡嗡作响，它低效、丑陋、毫无弹性，但它百分之百属于我。未来的AI应用，也许注定跑在超算中心，但至少在今天，我还能用一堆废铁，守住自己工作流最后的物理阵地。
