zeroart/api_spms_open
基于PHP原生开发的多用途api集成管理系统，评估简版。热门免费的轻量型API管理系统
https://gitee.com/zeroart/api_spms_open
你有没有想过：把多个完整的AI大模型装进U盘里，插到任何电脑上都跑，不联网也行，所有数据留在U盘里不留下任何痕迹？
今天介绍的这个，已经把这个想法实现了。我已配置好模型和依赖，点开直接用
一、Portable AI USB是什么？
Portable AI USB是一个完全开源的便携式AI大模型方案，基于Ollama + AnythingLLM实现。装进U盘后，可以在任何Windows、Mac、Linux电脑上运行。
核心特点：
- ✅ 完全离线运行——首次安装后无需网络
- ✅ 零痕迹——不在电脑留下任何数据
- ✅ 不限次数——无需订阅，无需付费
- ✅ 支持6种模型——包括无审查版模型
- ✅ 支持自定义模型——可加载任意GGUF格式模型
- ✅ 多平台——Windows/Mac/Linux通用
二、支持的AI模型
安装时可选择下载以下模型，也可以自行上传GGUF格式模型：
| 模型 | 大小 | 类型 | 推荐场景 |
|---|---|---|---|
| NemoMix Unleashed 12B | 7.0 GB | ⭐标准 | 最佳质量，推荐首选 |
| Dolphin 2.9 Llama 3 8B | 4.9 GB | 标准 | 经典通用型 |
| Mistral 7B Instruct | 4.1 GB | 标准 | 推理、编程能力强 |
| Qwen 2.5 7B | 4.7 GB | 标准 | 中文能力出色 |
| Llama 3.2 3B | 2.0 GB | 轻量 | 老电脑首选，速度快 |
| Phi-3.5 Mini | 2.2 GB | 轻量 | 内存占用低 |
| 自定义GGUF模型 | 自定义 | 自定义 | 上传任意HuggingFace模型 |
三、完整安装教程（图文版）
准备工作
- U盘一个，容量至少16GB（推荐64GB，多模型需更大空间）
- 格式化U盘为exFAT格式（Windows/Mac/Linux通用）
- 首次安装需要联网（下载模型用）
- Windows/Mac/Linux各版本安装步骤略有不同，见下方详细说明
第一步：下载全部文件(文末链接下载）
全部文件，复制到U盘根目录。
第二步：运行安装脚本
进入U盘目录，双击运行：
install.bat会弹出PowerShell窗口，按提示操作。
第三步：选择AI模型
安装过程中会显示模型列表，选择你想下载的模型编号：
1. NemoMix Unleashed 12B（推荐）
2. Dolphin 2.9 Llama 3 8B
3. Mistral 7B Instruct
4. Qwen 2.5 7B
5. Llama 3.2 3B（轻量）
6. Phi-3.5 Mini（轻量）
C. 自定义模型
请输入编号：建议首次安装选择1号NemoMix或4号Qwen（中文能力最强）。
第四步：配置AnythingLLM安装路径
AnythingLLM安装程序会弹出，关键一步：
- 点击“Browse”（浏览）
- 定位到U盘根目录下的anythingllm文件夹
- 确认路径在U盘上，不是电脑本地硬盘
- 点击安装，等待完成
- 关闭安装程序
第五步：启动使用
安装完成后，每次使用只需双击：start-windows.bat :: Windows启动（推荐）start-mac.command :: Mac启动
start-linux.sh :: Linux启动
会自动打开AnythingLLM聊天界面，直接开始对话。
第六步：切换模型
在AnythingLLM界面：Settings → LLM → 选择模型即可切换。
四、Mac / Linux 安装步骤
Mac系统
1. 下载文件到U盘
2. 双击 start-mac.command
3. 首次运行会自动下载Mac版引擎（约2分钟）
4. AnythingLLM界面会自动打开
5. 开始使用！Linux系统
1. 下载文件到U盘
2. 打开终端，进入U盘目录
3. 赋予执行权限：
chmod +x start-linux.sh preflight-check.sh install.sh install-core.sh4. 运行：
bash preflight-check.sh5. 安装完成后，进入ANYTHINGLLM文件夹，打开AppImage文件
6. 开始使用五、进阶配置：自定义模型
加载自定义模型
如果列表里没有你想要的模型，可以上传任意GGUF格式模型：
- 从HuggingFace（国内可从hf-mirror.com）下载想要的GGUF模型文件
- 把.gguf文件放入U盘models/文件夹
- 重新运行install.bat，选择选项C
- 粘贴HuggingFace的直接下载链接
- 安装脚本自动处理剩余步骤
调整Token上下文窗口
默认配置4K tokens，想调整：
- 打开U盘目录：anythingllm_data/storage/
- 编辑.env文件
- 找到OLLAMA_MODEL_TOKEN_LIMIT=4096
- 改成想要的数值（如8192）
- 保存后重启：双击start-windows.bat
六、如果模型下载失败怎么办
网络问题导致下载中断时：
- 安装窗口会显示HuggingFace（我已改成国内镜像地址）的下载链接
- 复制链接，用其他工具下载.gguf文件
- 将文件放入U盘models/文件夹
- 重新运行install.bat，会自动跳过已存在的文件
七、隐私安全说明
- ✅ 所有聊天记录存在U盘，不会上传到任何服务器
- ✅ 不在电脑留下任何注册表项或本地文件
- ✅ 完全离线运行，无网络请求
- ✅ 无遥测、无追踪、无日志上传
八、与普通AI工具对比
| 对比项 | 普通AI工具 | Portable AI USB |
|---|---|---|
| 网络要求 | 必须联网 | 首次安装后完全离线 |
| 数据隐私 | 数据在云端 | 数据在U盘，完全私有 |
| 使用次数 | 有限制或需付费 | 无限次使用 |
| 便携性 | 需登录账号 | U盘即插即用 |
| 网络痕迹 | 留有使用记录 | 零痕迹，拔U盘就消失 |
| 适用场景 | 日常对话 | 离线/隐私/出差/特殊环境 |
九、系统要求
- U盘容量：至少16GB（单模型），推荐32GB以上
- U盘格式：exFAT（支持跨平台）
- 内存要求：建议16GB以上（运行大模型）
- Windows版本：Windows 10/11
- 首次安装：需要联网下载模型（约4-7GB）
十、总结
Portable AI USB解决了一个很实际的问题：AI工具的便携性、隐私性、无限使用。
特别适合：
- 经常出差、需要在不同电脑上工作的人
- 对数据隐私敏感、不想让AI记录对话的人
- 网络不稳定或无法联网的环境
- 不想付费、想无限使用AI的人
只需要一个U盘，下载安装，第一次联网下载模型，之后走到哪用到哪。
工具就在那里，重要的是用起来。
New API是什么
New API 是新一代 AI 网关与资产管理系统，作为 AI 基座平台，提供统一基础设施接入全球 30+ 主流 AI 服务（OpenAI、Claude、Gemini、DeepSeek 等）。平台核心特性包括统一 OpenAI 兼容接口、智能路由负载均衡、精细计费与权限管控、实时数据看板。平台支持多格式转换、推理力度控制、缓存计费等高级功能。采用 AGPLv3 开源协议，支持 Docker 一键部署，适配个人开发者到企业级多租户场景。
New API的主要功能
- 统一接口管理：提供兼容 OpenAI 格式的单一 API 端点，无缝接入全球 30+ 主流 AI 服务提供商。
- 智能路由调度：支持多渠道负载均衡、故障自动切换和加权随机分发，确保服务高可用性。
- 精细计费系统：支持实现按次数或按量计费、预付费充值、多倍率配置及缓存计费支持。
- 安全权限管控：提供令牌分组管理、模型访问限制、API 调用审计及多平台授权登录。
- 格式转换能力：支持 OpenAI、Claude Messages、Google Gemini 等多种 API 格式之间的相互转换。
- 推理力度控制：支持通过模型名称后缀灵活设置高、中、低不同级别的推理思考强度。
- 实时数据看板：提供可视化控制台、用量统计分析和成本监控的数据洞察功能。
New API的关键信息和使用要求
- 项目定位：新一代 AI 网关与资产管理系统，AI 基座平台
- 开源协议：GNU AGPLv3（可免费使用，SaaS 部署需开源）
- 兼容基础：基于 One API 开发，完全兼容原数据库
- 支持语言：简中、繁中、英文、法文、日文
- 部署方式：Docker / Docker Compose / 宝塔面板
- 数据库：SQLite（默认）/ MySQL ≥ 5.7.8 / PostgreSQL ≥ 9.6
- Docker 镜像：calciumion/new-api:latest
New API的核心优势
- 统一接入：通过一个兼容 OpenAI 格式的 API 端点，可无缝接入全球 30+ 主流 AI 服务提供商，彻底告别多平台对接的繁琐工作。
- 智能路由：平台内置多渠道负载均衡、故障自动切换和加权随机分发机制，确保 AI 服务的高可用性和请求稳定性。
- 成本优化：支持缓存计费、按量或按次计费以及多倍率灵活配置，帮助用户实现精细化的成本控制和费用管理。
- 格式互通：提供 OpenAI、Claude Messages、Google Gemini 等多种 API 格式之间的自由转换能力，显著降低不同模型的接入门槛。
- 开箱即用：支持 Docker 一键部署，完全兼容 One API 数据库，提供宝塔面板可视化安装，极大简化部署流程。
如何使用New API
- 部署安装：克隆项目仓库到本地后编辑配置文件，执行 Docker 命令启动服务，通过浏览器访问默认 3000 端口进入系统。
- 初始配置：登录管理后台设置管理员账号，在渠道管理中添加各 AI 服务商的 API 密钥并配置权重与故障切换策略。
- 创建访问凭证：在令牌管理页面创建 API Key，设置额度限制、有效期和可用模型范围，为不同场景分配独立凭证实现权限隔离。
- 接入使用：将应用 API 基础地址指向 New API 部署地址，使用生成的令牌替换原密钥，保持 OpenAI 标准格式可无缝调用多平台模型。
New API的项目地址
- 项目官网：https://www.newapi.ai/
- GitHub仓库：https://github.com/QuantumNous/new-api
New API的同类竞品对比
| 对比维度 | New API | One API | LiteLLM |
|---|---|---|---|
| 项目定位 | AI 网关与资产管理系统，AI 基座平台 | 开源 AI 接口聚合与管理平台 | 多 LLM 路由与负载均衡工具 |
| 开发团队 | 锟腾科技（QuantumNous） | 社区开源项目 | BerriAI 团队 |
| 开源协议 | GNU AGPLv3 | MIT | MIT |
| 核心功能 | 统一接口、智能路由、精细计费、格式转换、权限管控 | 渠道管理、令牌分发、额度控制 | 模型路由、故障切换、观测监控 |
| 支持模型 | 30+ 主流服务商（OpenAI、Claude、Gemini、DeepSeek、Midjourney、Suno 等） | 20+ 主流服务商 | 100+ 模型提供商 |
| 格式转换 | OpenAI ↔ Claude、OpenAI → Gemini、Thinking 内容转换 | 主要兼容 OpenAI 格式 | 统一为 OpenAI 格式输出 |
New API的应用场景
AI 模型对比测试：用户通过统一接口快速切换不同厂商模型，对比 GPT、Claude、Gemini、DeepSeek 等在实际任务中的表现，辅助技术选型决策。
个人开发者建站：快速搭建私人 AI 接口中转站，统一管理多个平台的 API 密钥，通过精细计费控制个人使用成本，避免频繁切换不同服务商的繁琐操作。
创业团队产品开发：为 AI 应用提供稳定的多模型后端支持，确保产品服务高可用，同时通过数据看板监控用量和成本，优化资源配置。
企业内部 AI 中台：平台支持构建企业级 AI 资产管理系统，统一管控模型访问和费用支出，满足合规要求并提升管理效率。
最近刷短视频和文章，发现 API 中转站（也就是卖 token 的）火了。那么 token 是什么，是 AI 时代的燃料。
随之而来的也是各种”圈内黑话”：有人说中转站全是”水货”，拿着别的模型来滥竽充数；有人说”蒸馏卖数据”，收割一波直接跑路。说实话，这行现在乱得确实有点乱，外行看热闹，内行看门道，中间人看钱包。
其实，这玩意儿真没那么玄乎。花了半天时间，我自己也撸了一个中转平台。
核心就这几步：
- 1. 服务器： 选个稍微稳点的海外节点。
- 2. 域名： 别搞得太花哨，简单好记就行。
- 3. 订阅账号： 这是核心，必须是低价且稳的上游，不然扛不住。
- 4. 部署： 按照文档一步步走，也就半天的时间。
作为 AI 重度使用者，我手头那堆 AI 辅助工具，一会儿要 GPT 跑逻辑，一会儿要 Claude Opus 优化架构。来回切账号、挂代理、忍受那该死的 Stripe 支付报错、还得时刻担心账号被封，不挂 ISP 家庭宽带根本不行……确实是让人难受。
最关键的是额度不够用，一个账号额度 5h7d 根本不够用，多个账号还得来回切换。
自己搭个中转，主打就是一个：稳定，省心，不折腾。
01. 原理很简单，但门槛在”水面下”
API 中转站的逻辑说白了，就是”订阅转 API”。
通过购买官方的 Plus 账号或 Pro 账号，利用反代技术把网页端的会话形式（Chat）封装成标准的 API 接口。市面上主流的开源方案像 NewAPI 或者 s2a，源码谁都能用，技术门槛几乎为零。
但为什么不同家的 API 体验天差地别？
真正的门槛其实在”水面下”。首先是优质且稳定的上游号商。如果你直接去官网原价买订阅再拆开卖 token，那纯粹是在做慈善，还得贴上电费。如何在茫茫多的渠道里找到那些低价、且不容易被官方风控”连窝端”的神仙账号，才是最考验人脉和眼光的。
其次，除了正经订阅，圈子里还有很多走 Kiro，cursor，windsurf 等逆向方案过来的。还有黑产或者暴力破解的接口，虽然价格低到离谱，但用起来真的”不太行”。连接不稳定、回复被截断、甚至问着问着就断流，这种接口拿来玩玩可以，真拿来干活，分分钟想砸电脑。
02. 那些让人又爱又恨的模型
各家模型我也都测过：
- • Claude Code：目前的”天花板”，也是最傲娇的。
Anthropic 对国内用户的敌意真的是写在脸上的。最近 Claude Code 甚至要搞 KYC 认证，只认护照、驾照原件，复印件和照片统统拒收。圈里有个梗：说是不知道当年百度对 Anthropic 的 CEO 做了什么，让人家记恨至今。
梗归梗，但它成本高、风控严是事实。即便如此，大家还是趋之若鹜，这真不是崇洋媚外，只有真正干活的人才知道，顶级模型那种”指哪打哪”的逻辑感，国内模型暂时还听不懂这种”人话”。 - • GLM，qwen：怎么说呢，一言难尽。
我之前买过它的 Coding Plan，几十块钱，确实便宜。但实际用下来，处理点简单的体力活还可以，稍微牵扯到复杂的业务逻辑，它就开始装傻。作为生产力工具，它还差点火候。 - • OpenAI Codex：我的心头好，性价比之王。
这是我测下来性价比最高的模型。之所以说它香，是因为它是真的能干活，不玩虚的，而且量大管饱，给的额度非常足。对于日常写代码来说，它就是那个最听话、最勤快的”赛博打工人”。
03. 聊聊 OpenClaw 和 Hermes
最近 Hermes 作为和 openclaw 经常放在一起对标的 agent，短短时间 github 就斩获了 97.3K 的 star。
说白了，Hermes 这波能火，不是靠营销吹出来的，也不是靠社区一帮人尬捧出来的，它是真把很多人最烦的那层窗户纸给捅破了：大家要的根本不是什么“会聊天”的 AI，而是一个能真正进场干活的 Agent。
为什么大家认 Hermes？核心就几点。
第一，它不是那种只会在对话框里“给建议”的花架子，它是真的能下场执行。
很多 Agent 产品嘴上说自己是智能体，结果本质上还是个高级聊天机器人：你让它改代码，它给你讲思路；你让它排查问题，它给你一堆正确的废话；你让它落地，它开始装死。Hermes 比较讨喜的一点，就是它明显更强调“动手能力”——该查文件查文件，该跑命令跑命令，该调工具调工具，不跟你整那么多虚头巴脑的。
第二，它的工程味很重，不是那种演示视频里看着很牛，真用起来一地鸡毛的东西。
真正长期写代码的人都知道，Agent 这玩意儿最难面不是“回答得像不像”，而是“在真实环境里能不能少犯蠢”。Hermes 被认可，本质上就是因为它在工程工作流里更顺：会调用工具、能拆任务、知道校验结果，出了问题也不是立刻开始一本道胡说八道。这种东西，外行可能感受不到，真正在项目里干活的人，一上手就知道差别在哪。
第三，它的“可控性”比很多同类产品强。
现在不少 Agent 最大的问题，不是不聪明，而是太飘。你一句话扔过去，它给你脑补八百公里，最后交回来一个和需求没啥关系的玩意儿。
有一个梗说的是像雇佣了一帮印度团队，总结汇报天花乱坠，情绪价值拉满，钱花了，事呢，也不能说没做。
Hermes 相对更像个能沟通的执行助手：你让它干什么，它就尽量沿着你的轨道走，而不是擅自加戏。对开发者来说，这点特别重要。因为生产环境里最怕的不是 AI 笨，最怕的是 AI 自作聪明。
至于它和 OpenClaw 的区别，我觉得一句话就能概括：
OpenClaw 更像“能力展示型选手”，Hermes 更像“上手就能干活的工兵型选手”。
OpenClaw 给人的感觉，是那种很容易让人眼前一亮的 Agent：理念新、动作猛、社区热度高，很多场景下也确实能打，属于“你一看就知道这东西有想象力”的路线。它更像是在往“更强的自主性、更完整的 Agent 形态”上冲，适合拿来探索边界，看看 Agent 到底还能卷到什么程度。
而 Hermes 这边，更容易获得一线用户的认可，恰恰不是因为它最会秀肌肉，而是因为它更务实。
它不一定每个 Demo 都最炸裂，但它更像一个你真愿意长期放进工作流里的东西。说难听点，很多产品是“发朋友圈很好看”，Hermes 这种是“你真会天天打开用”。这两者差别很大。前者是看热闹，后者是干生产。
再直白一点：
OpenClaw 更像在证明“Agent 可以有多强”，
Hermes 更像在回答“Agent 到底怎么才算好用”。
这也是为什么它能在这么短时间内积累这么高的关注度。不是因为大家突然集体情怀上头了，而是因为越来越多的人开始从“玩模型”切换到“用模型干活”。一旦进入这个阶段，评价标准就完全变了。谁更会说，不重要；谁更能稳稳把活干完，才重要。
所以 Hermes 火，不是偶然。
它踩中的其实是当下 Agent 圈最真实的痛点：少一点表演，多一点执行；少一点玄学，多一点落地；少一点“我觉得我能”，多一点“我已经帮你做了”。
04. 结语
折腾下来，API 中转站给我最大的感受是：这行的信息差实在太大了。
收了钱就跑路的、用盗刷卡账号来薅羊毛最后连累用户被封的，一抓一大把。新手进来，十个有八个要交学费。
核心逻辑就两条：
- 1. 别贪便宜，擦亮眼睛。 天上不会掉馅饼，掉下来的多半是陷阱。
- 2. 别怕折腾。 AI 这波浪潮里，工具链是核心生产力。花半天时间把自己的 API 流水线理顺，比你每天花两小时切账号、挂代理、对着报错发呆要划算得多。
最近好多朋友跟我说：也想做个公众号，记录点东西、分享点干货，可就是不会写，坐在电脑前半天憋不出一句话。
好不容易用AI生成一篇，又怕被检测出来，限流、不推荐，白忙活一场。
其实真没那么复杂。今天就把我一直在用的完整流程分享给你，不用文笔好，不用懂排版，AI+朱雀AI，10分钟就能出一篇安全、能正常发的公众号文章。
1️⃣让AI搭框架，不写正文
打开你常用的AI工具，直接输入指令：
帮我写一个公众号文章大纲，主题是______，不用写完整内容，只要分小标题，每段提示大概写什么。
AI只会给你结构：标题、开头、分点、结尾。
这一步绝对安全，因为我们只让它搭架子，不生成完整段落。
2️⃣自己填“人话”，1分钟搞定
对着大纲，用你平时说话的语气往里填内容。
不用华丽辞藻，不用对仗工整，怎么聊天就怎么写：
• 我自己试过
• 给大家提个醒
• 说实话我一开始也不会
• 分享一下我的心得
哪怕每段只有两三句话，都比AI通篇生成更真实、更受欢迎。
3️⃣复制去朱雀AI检测
把写好的内容，粘贴到朱雀AI检测里测一遍。
大部分情况，因为是你自己组织的语言，AI概率都会很低。
就算有一两句标红，也只需要稍微换个说法，完全不用大改。
4️⃣复制到公众号，直接发布
检测通过后，直接粘贴到公众号后台，简单分个段，加个小标题，一篇文章就完成了。
整个流程下来，熟练之后真的10分钟足够。
不用怕不会写，不用怕被检测，普通人也能轻松坚持更新。
做公众号，从来不是比谁文笔更好，而是比谁更愿意坚持、更愿意真诚分享。
如果你也想开始，今天就可以试着动手写一篇啦。
Jellyfish 是一个一站式 AI 生成短剧（竖屏短剧 / 微短剧）的生产工具，覆盖从剧本输入到智能分镜、角色/场景/道具一致性管理、AI 视频生成、后期剪辑，直至一键导出成片的完整流程。
应用场景
- 短剧/微短剧内容创作者：快速将创意转化为高质量短剧作品。
- AI 影视工作室批量生产：高效批量生成短剧内容，满足市场需求。
- 个人创作者低成本试水：以较低成本尝试竖屏短剧创作。
- 教育/培训机构：制作教学短视频，丰富教学内容和形式。
- 品牌/电商：制作带剧情的产品宣传短片，提升产品吸引力。
功能模块
- 剧本输入：支持多种格式的剧本输入，为后续处理提供基础。
- 智能分镜：自动将剧本转化为可拍摄的分镜脚本。
- 角色/场景/道具一致性管理：确保在不同镜头中角色、场景、道具的一致性。
- AI 视频生成：对接多种大模型 API，生成高质量视频片段。
- 后期剪辑：提供视频剪辑功能，对生成的视频进行后期处理。
- 一键导出成片：将剪辑好的视频一键导出为成品短剧。
功能特点
- 极致一致性：通过全局种子、统一风格、资产复用，解决 AI 生成中的人物/场景漂移问题。
- 工业化生产流程：从文学剧本到可拍摄分镜，再到视频片段，实现一条龙闭环生产。
- 可视化 & 可控：提供所见即所得的分镜编辑器、精细的镜头语言控制、实时预览功能。
- 资产复用体系：全生命周期管理角色/场景/道具/服装/提示词模板，提高生产效率。
项目技术栈
前端
- 框架：React 18 + TypeScript + Vite
- UI 组件库：Ant Design / Tailwind CSS
- 状态管理：Redux Toolkit / Zustand
- 工作流编辑：React Flow
- 视频播放器：Video.js / Plyr
- 富文本/代码编辑：Monaco Editor / React Quill
后端（可选开源部分）
- 框架：Node.js / NestJS / FastAPI / Spring Boot
- 数据库：MySQL（通过 Docker Compose 启动）
- 文件存储：RustFS（提供 S3 API 接口）
AI 生成层
- 对接多种大模型 API，包括但不限于 OpenAI、Anthropic、Midjourney、Runway、Kling、Luma 等。
微信，毫无疑问是国内社交软件的天花板。
工作群、项目通知、客户沟通——离不开它；家人闲聊、朋友约饭、生活缴费——还是离不开它。可以说，微信就是我们数字生活的主入口，一天下来打开次数最多的 App，没有之一。
与此同时，AI 编程的浪潮汹涌而至。OpenAI 的 Codex CLI 横空出世——它能读代码、改代码、跑测试，几乎是一个活在命令行里的全能程序员。
但你有没有想过一个问题：如果微信能直接接通 Codex，会怎样？
不用打开终端、不用切换窗口、不用坐在电脑前——出门在外想让 AI 改个 bug？地铁上突然冒出个想法？掏出手机，在微信里敲一句话发出去，Codex 就开始干活了。所以，我做了这件事：把 Codex 接进了微信。
🔌 它能做什么？
Codex2WeChat 不是简单的”消息转发”。它在你的电脑上运行，监听微信消息，自动调度 Codex CLI 完成任务，然后把结果原路返回到微信对话里。
整个过程你只需要：发一条微信消息。
举几个真实场景——📁 发个文件，直接分析
你把一份 Excel 或代码文件丢到微信对话里，系统会自动定位文件在微信缓存中的位置，复制到 Codex 工作目录，然后让 Codex 直接处理。你不用手动传文件、不用指定路径，整个过程完全透明。
🖼️ 发张图片，AI 看得懂
发一张截图、一张报错截图、甚至一张手写笔记的照片——系统会自动解密微信图片（是的，微信本地图片是加密的），优先获取高清原图，然后调用 Vision API 识别内容，交给 Codex 处理。
如果你发了一张代码报错截图，它甚至能智能识别你的意图：提取代码？翻译文字？还是分析 bug？
🎤 发语音也行
发一段语音消息，系统会自动转成文字，然后交给 Codex。适合你走在路上时随口说一句”帮我把那个接口的错误处理加上”。📰 转一篇文章，AI 帮你读
转发一篇公众号文章到对话里，系统会自动抓取文章正文，连标题、作者都提取出来，让 Codex 帮你总结、翻译或分析。
🎨 还能画图
对了，它还能画图。
发一条类似”画一只宇航员猫在月球上写代码”的消息，系统会调用 Gemini 或 DALL·E 的图像生成 API，生成图片后直接发回微信。
⚙️ 设置？全部在客户端搞定
你不需要懂代码、不需要改配置文件。所有设置都在图形界面里完成：
• 监听列表：选择哪些微信联系人/群聊需要 AI 回复
• 工作模式：每个联系人可以独立设置 AI 模式（纯聊天）或 Codex 模式（编程任务）
• API 配置：填入你的 API Key 和地址，支持 DeepSeek、OpenAI、Gemini 等兼容接口
• 人设预设：微信助手、翻译官、专业客服……一键切换 AI 人格
• AI 记忆：每个联系人独立的上下文记忆，AI 会记住之前聊过的内容
📱 远程管理？微信就是你的控制台
出门在外想改个设置？不用回家开电脑。
用微信给自己的”管理员账号”发消息就能远程操控——
#auth 你的密码 → 登录管理后台
1 → 查看系统状态2 → 查看 Token 消耗3 → 管理监听列表#add 张三 codex → 把张三加入 Codex 监听#/mode 李四 ai → 把李四切换到 AI 模式密码认证、会话超时、数字菜单导航——一切都在微信对话里完成。
🔄 无感守护，7×24 在线
你可能担心：微信掉线了怎么办？
别担心，系统内置了微信进程守护：
• 每隔 5 分钟检查微信进程状态
• 检测到微信退出或卡在登录界面时自动恢复
• 自动完成免密登录、重新获取数据库密钥、重连所有服务
整个恢复过程完全自动，你甚至都不会察觉到微信曾经掉线过。
🔒 完全本地，数据不出门
重要的事情说三遍：所有数据都在你自己的电脑上。
• 微信消息不上传、不中转
• AI API 调用直连你配置的服务
• 没有第三方服务、没有中间代理
你的聊天记录、文件、图片，全部在本地处理。
📊 实时日志，一切透明
想知道 Codex 在干嘛？日志面板实时展示一切：
• AI 回复、Codex 执行、工具调用、错误信息——分类过滤
• Token 消耗统计（输入/输出一目了然）
• 一键复制、导出日志
写在最后
Codex2WeChat 的初衷很简单——让 AI 编程助手不再绑定在终端里。
另外，codex2WeChat还有强大的队列功能，不管是ai模式还是codex模式，支持多人聊天，codex可以创建多个session
至此，你只需在PC端挂一个微信小号就能搞定一切这才是 AI 应该有的样子：随时随地，触手可及。
The cost of “raising AI crayfish” varies widely, ranging from a few yuan to over a thousand yuan per month, depending primarily on your deployment method and usage intensity.
The term “raising AI crayfish” actually refers to deploying and using an open-source AI agent framework called OpenClaw. The framework itself is free, but running it requires hardware and a “brain” (large language model), both of which incur costs.
💰 Cost Breakdown
The cost of “raising lobsters” is mainly divided into two parts:
- Hardware/Server Costs
This is the “body” that runs OpenClaw. You have two options:- On-premises deployment: Run it on your own computer. The cost is 0 yuan (using an existing computer), but the computer must remain on 24 hours a day, adding approximately 10–30 yuan to your monthly electricity bill. If you want a more stable experience, you can purchase dedicated hardware (such as a Mac mini), with a one-time investment of about 4,000–8,000 yuan.
- Cloud Deployment: Rent a cloud server. This is the more mainstream and simpler approach, with monthly rental costs of approximately 25–150 yuan. Some cloud providers offer promotional deals; for example, Alibaba Cloud previously offered a one-click deployment plan for new users at 9.9 yuan for the first month.
- Large Model API Fees (Core Expense)
This is the primary ongoing expense for “raising lobsters,” which can be thought of as the “feed” for the lobsters. OpenClaw needs to call upon large language models such as Tongyi Qianwen and DeepSeek to think and execute tasks; these services are typically billed based on usage (tokens).- Light usage (a few simple queries per day): Approximately 70–210 yuan per month.
- Regular use (automated office tasks, multitasking): Approximately 210–490 RMB per month.
- Heavy use (complex tasks, batch processing): Easily exceeds 700 RMB per month; there are even cases where users spent 1,200 RMB in just 6 hours.
🤔 Is there a more cost-effective way?
Yes. Some vendors have launched pre-packaged solutions that lower the barrier to entry and reduce costs.
- Tencent WorkBuddy: Nicknamed the “Tencent version of Xiaolongxia,” it currently offers a free trial version that can be used immediately after registration, without complex deployment or additional API fees. It also offers a paid Professional Edition (58 yuan/month) and other plans.
- Alibaba Cloud Plans: Through its one-click deployment solution, combined with free large-model quotas for new users (e.g., over 70 million tokens within 90 days), you can keep costs extremely low in the early stages.
📊 Cost Options at a Glance
For a clearer overview, please refer to the table below:
Option Type Hardware/Server Cost Large Model API Fees (Monthly) Features
On-premises deployment 0 RMB (Using an old computer) 70–1,000+ RMB Low barrier to entry, but high power consumption and risks
Cloud Deployment 25–150 RMB/month 70–1,000+ RMB Stable and secure; the mainstream choice
Vendor-Packaged Version 0 RMB (e.g., Tencent WorkBuddy) Starting at 0 RMB (Free version available) Ready to use out of the box, ideal for beginners to try out
⚠️ Special Note: Beware of scams
Recently, there have been many scams under the guise of “AI Lobster Farming.” Please be vigilant:
- “Passive Income” Scams: Any “cloud lobster farming” project claiming “passive income without effort,” “daily dividends,” or “high-price buybacks” is an illegal Ponzi scheme.
- High-Priced Installation Services: OpenClaw is free and open-source, and there are plenty of free tutorials available online. Anyone charging hundreds or even thousands of yuan for “exclusive installation services” or “paid tutorials” is likely exploiting information asymmetry—or may even remotely control your computer to steal your data.
In summary, for ordinary users handling only routine, light-duty tasks, existing free AI tools are sufficient. Whether you should “invest in a high-end solution” depends on whether you have high-frequency, complex, and automatable tasks that require it, and whether you are willing to bear the corresponding costs.
“养AI小龙虾”的成本差异巨大，从每月几元到上千元不等，主要取决于你的部署方式和使用强度。
所谓的“养AI小龙虾”，其实是指部署和使用一个名为 OpenClaw 的开源AI智能体框架。它本身是免费的，但运行它需要硬件和“大脑”（大模型），这两部分都会产生费用。
💰 成本构成
“养虾”的成本主要分为两部分：
- 硬件/服务器成本
这是运行OpenClaw的“身体”。你有两种选择：- 本地部署：在自己的电脑上运行。成本为 0元（使用现有电脑），但需要24小时开机，每月会增加约 10-30元 的电费。如果想获得更稳定的体验，可以购买专用设备（如Mac mini），一次性投入约 4000-8000元。
- 云端部署：租用云服务器。这是更主流和简单的方式，每月租金约 25-150元。一些云厂商会推出优惠活动，例如阿里云曾推出新用户首月 9.9元 的一键部署方案。
- 大模型API费用（核心开销）
这是“养虾”最主要的持续开销，可以理解为给龙虾买的“饲料”。OpenClaw需要调用通义千问、DeepSeek等大模型来思考和执行任务，这些服务通常按使用量（Token）收费。- 轻度使用（每天几次简单查询）：每月约 70-210元。
- 日常使用（自动化办公、多任务处理）：每月约 210-490元。
- 重度使用（复杂任务、批量处理）：每月轻松超过 700元，甚至有用户6小时就消耗 1200元 的案例。
🤔 有没有更省钱的方法？
有。一些厂商推出了封装好的产品，降低了门槛和成本。
- 腾讯 WorkBuddy：被称为“腾讯版小龙虾”，目前提供 免费 体验版，注册即可使用，无需复杂的部署和额外的API费用。同时也提供付费的专业版（58元/月）等。
- 阿里云套餐：通过其一键部署方案，并结合新用户赠送的大模型免费额度（如90天内超7000万Token），可以在初期将成本控制在极低水平。
📊 成本方案一览
为了让你更直观地了解，可以参考下表：
方案类型 硬件/服务器成本 大模型API费用（月） 特点
本地部署 0元 (用旧电脑) 70 – 1000+ 元 门槛低，但耗电、有风险
云端部署 25 – 150 元/月 70 – 1000+ 元 稳定、安全，是主流选择
厂商封装版 0元 (如腾讯WorkBuddy) 0元起 (有免费版) 开箱即用，适合新手尝鲜
⚠️ 特别提醒：谨防骗局
近期出现了许多以“AI养龙虾”为名的骗局，请务必警惕：
- “躺赚”骗局：任何宣称可以“挂机躺赚”、“每日分红”、“高价回收”的“云养虾”项目，都是非法集资的资金盘骗局。
- 高价代装：OpenClaw是免费开源的，网上有大量免费教程。凡是收费几百上千元提供“独家代安装”或“付费教程”的，很可能是在赚取信息差，甚至可能远程控制你的电脑窃取信息。
总而言之，对于普通用户，如果只是处理日常轻量任务，现有的免费AI工具已经足够。是否要“养龙虾”，关键在于你是否有高频、复杂且可自动化的任务需求，并愿意为此承担相应的成本。
春节期间，字节旗下的视频生成工具即梦（SeeDance 2.0大模型）火出圈，这是继Sora之后，再次引爆大模型视频生成热潮。但提交一个任务，通常要等待半小时以上才能出结果。
刚好，前几天去北京字节交流，期间聊起一个话题：SeeDance2.0生成一个15秒的视频，究竟需要多长的运算时间？究竟是生成一段视频需要运算半小时，还是因为用的人多需要排队半小时、实际处理时间就半分钟呢？
在大家的认知中，处理视频肯定比处理文本复杂很多，因此需要更多的算力，那两者究竟差多少倍呢，今天我们从底层原理来聊聊。
文本属于一维数据，生成每个Token仅需1轮迭代，可以用KV Cache缓存来“以存代算”，即生成第2个Token的时候，可以从缓存中调用第1个Token，不用从头再算一次。通常，普通文本问答任务，单次消耗Token仅千级。
视频生成是一种从噪声中恢复图像的技术，主要用到扩散模型，要逐帧去噪，每一步都是海量矩阵运算。
视频是四维数据（宽x高x时间xRGB）， 每一帧图像去噪过程中无法“以存代算”，因此，生成每个帧需20-30轮迭代。
举个例子，用户生成一段时长5秒、帧率24帧/秒、分辨率720p的视频，需要消耗的Token数为：
视频Token用量≈（宽×高×帧率×生成视频时长）/256
≈1280*720*24*5/256=43.2万个Token
从以上Token消耗量对比可以看出，视频生成模型的计算复杂度远超文本模型，单次视频生成任务消耗Token数通常为一般文本问答的百倍以上。
主流开源文生视频模型体量虽小（百亿参数左右），为满足视频分钟级生成，单路任务基本都需独占1台服务器（8卡）,以RTX4090生成5秒钟720p视频来对比测试，用时如下表所示。
当前视频生成模型生成效果已逐步达到可用阶段，除非要求较高的专业视频，基本上能应付。
个人用户、影视广告公司等对视频应用的需求量非常大，应用背后是巨大的算力需求，智算发展面临重大机遇。