手指用力扣掉算力机箱风扇上那层厚厚的积灰，这玩意儿已经连续跑了快一个月没关机了。今天终于把最后一批数据灌完，本地模型在 3090 上跑出了第一个能用的结果。这意味着，从今天起，我所有核心的复盘逻辑、产品拆解、甚至情绪波动的模式，都不再需要调用 OpenAI 的 API 了。不是赌气，是算了一笔账，发现依赖外部 API 的“智能”，在 2026 年已经成了一种慢性毒药。
十年前，2016年，我焦虑的是怎么从百度嘴里抢流量，爬虫怎么绕过反爬，怎么用 Axure 把交互画得更炫。那时候的“自主”是物理层面的，服务器在自己手里，代码自己写。后来依赖微信生态、依赖各种云服务，其实已经让渡了一部分自主权，但好歹数据格式还是自己的。ChatGPT 刚出来那两年，我是狂喜的，感觉拿到了核武器，所有思考的粗活累活都能外包了。但很快，问题就来了。首先是成本，当你真的想把 AI 深度嵌入工作流，每天几百次的调用，账单看着就肉疼。更致命的是“黑盒化”，你喂给它的 prompt 和你拿到的结果之间，隔着一层你永远无法掌控的“公司意志”。它今天好用，明天可能就因为一次更新变得啰嗦或者保守。你的核心工作流，建立在另一家公司的产品策略之上，这感觉比当年依赖微信还糟糕。
所以从去年开始，我就琢磨“脱钩”。不是不用 AI，而是要把最核心的、决定我 IP 底层逻辑的那部分，搬回本地。第一步是数据整理，这才是最他妈累的。十年的博客、复盘笔记、课程文稿、甚至和一些学员的深度聊天记录（脱敏后），全部导出来。txt，md，json，什么格式都有。光是清洗和分类就花了两个月，用 n8n 搭了流水线，先让 GPT-4 帮我做初步的结构化标签，然后再人工校验。这里有个关键：不能只喂“成功经验”，那些我踩过的坑、判断失误的记录、情绪崩溃时写的碎碎念，反而可能是更珍贵的训练数据。模型需要理解一个完整的人，而不是一个圣人。
第二步是选模型和微调。直接上最新的千亿参数模型不现实，本地显卡扛不住。退而求其次，选了 Llama 3 一个 70B 的版本，在量化后勉强能在 3090 上跑起来。微调框架用的就是主流的 LoRA，关键点在于“提示词工程”的迁移。我把过去几年优化出来的、针对我写作风格的 prompt 模板，本身也作为训练数据的一部分喂了进去。目标不是创造一个通用的写作 AI，而是创造一个“Flovico 思维模式的模拟器”。训练过程就是不断调试，看它输出的复盘文字，有没有我那种“带着焦虑感拆解技术细节”的味儿，会不会动不动就冒出“我操”、“特么的”这种我的口头禅（当然正式输出会过滤掉）。
现在跑通的这个版本，我给它取了个代号叫“内核”。它的能力边界很清晰：你给它一个我最近在研究的工具（比如一个新的自动化 GUI 封装软件），它能基于我过去的行文逻辑，生成一篇结构类似、知识点拆解角度类似的初稿。它不会凭空创造我不知道的知识，但能极大加速我从“学习”到“输出”的过程。更重要的是，整个流程都在我书房这台嗡嗡作响的机器里完成。没有网络延迟，没有审核风险，没有突然的费率调整。那种控制感，回来了。
当然，这不是终点。本地模型的智力天花板就在那儿，复杂逻辑和最新知识还得靠联网搜索和调用更强大的云端模型（作为可选插件）。但核心的、标志性的“Flovico 方法论”已经完成了本地化封装。这感觉就像当年从租用虚拟主机，到终于攒钱买了第一台属于自己的服务器。表面上都是提供服务，但底层的心态完全不同。一个是在别人的土地上盖房子，再怎么装修，地契不是你的。现在，我至少把最核心的思维地基，搬回了自己的院子。风扇的噪音很吵，但听起来比每月收到 API 账单时的心跳声，要安静得多。
