为什么做它：我的 token 焦虑#

我在《站在 2026 年中看 AI》那篇里写过一个判断：token 对个人会越来越便宜，但对整个文明会越来越贵。 这半年我自己就是最好的注脚。

我每天写代码、整理笔记、做工具、跑各种 agent，全都在烧 token。模型单价确实在跌，但架不住我用得越来越多——副业 log #03 里我就承认过，几十个项目同时跑，token 账单在悄悄变大。

更烦的是碎：这个工具用 OpenAI 的 key，那个用 Claude 的，DeepSeek 又是另一套，每个平台单独充值、单独看账单、单独担心额度。我想要的很简单——一个统一的入口，把我所有的模型调用收拢到一处，一个 key 打天下，用量和花费一目了然。

市面上这类中转站不少，但我是做后端的，与其把自己的 key 和用量托管给一个我不了解的第三方，不如自己搭一个——数据在自己手里，成本自己可控。这正是 #05 说的：解决自己的需求，是验证成本最低、也最不会骗自己的起点。

现在到哪一步了#

前置框架搭好了，能用了。

目前它是一个跑起来的中转框架：统一的 API 入口、把请求转发到不同上游模型、基本的 key 管理和用量记录。我自己的几个工具已经切过来走它了——从”每个工具连各自的厂商”变成”都连我这一个站”，清爽了很多。

这一步的价值不在于多完备，而在于：我日常用 AI 的入口，现在归我自己管了。

接下来真正的重点：把成本压下去#

框架只是地基。这个项目后面真正要啃的硬骨头，是成本优化——也就是我最初那点 token 焦虑的正面回答。方向有两条：

1. 找便宜又优质的模型。 同样能力档位的模型，不同渠道的价格能差很多。持续地评测、比价、把性价比高的接进来，是一门要长期跟进的功课。
2. 自建开源模型基建。 对于一些不需要顶尖能力的场景，自己跑开源 LLM 可能比调 API 更划算。这块涉及推理部署、显卡成本、吞吐权衡——正好是能发挥我工程优势的地方。

这两条都不是一蹴而就的，我会在后面的 log 里慢慢跟进。这一篇先立个地基，把”为什么做、做到哪”记下来。

和我的方法论对得上吗#

用 #04 那套章法照一照，这个项目有意思的地方在于：

• ✅ 不公平优势：后端 + 基建，是我的主场
• ✅ 解决真实需求：我自己就是那个天天被 token 账单和多平台碎片烦到的用户
• ⚠️ “先卖”这一条暂时不适用：因为它现在是纯自用工具，不是要卖的产品——就像我之前的 job-radar。

第三点我得对自己诚实：自用工具很爽，但它不自动等于”有人会付钱的生意”。如果哪天我想把它变成产品，那还得老老实实回到”先验证有没有人愿意付费”那道闸。现阶段，我就把它当成一个既解决自己问题、又能练手基建的项目，不给它强加商业目标。

下一步#

• 把用量和成本的看板做出来——我得先能清楚看到”每天到底烧了多少、花在哪个模型”
• 开始做模型比价评测，接入 1-2 个高性价比渠道
• 调研自建开源模型的可行性和成本临界点
• log #07：汇报接入更便宜模型后，我的 AI 使用成本到底降了多少（有真实数字最好）

从”焦虑 token 贵”到”自己搭个站把它管起来”——这大概就是工程师面对问题时最自然的反应：与其焦虑，不如动手把它变成一个自己能掌控的系统。

📌 副业 log 系列：边写代码挣工资，边偷偷给自己开口子，把每一步认真记下来。

📍 进度：#01 为什么做 · #02 套利探索 · #03 铺开项目 · #04 定章法 · #05 先找用户 · #06 自用 LLM 中转站 · #07 成本到底降了多少。