消耗 5000 美金 Token，我用 AI 做了什麼

5000 美金 Token 換來的系統清單

1 個月時間，花了大約 5000 美金 AI 相關訂閱和 API（Claude Pro + Claude API + OpenAI API + Copilot Pro+ + Codex + Paseo + 雜項），獨立搭起了 18 大類系統，總程式碼量粗略估計 5 萬行以上（不含 AI 生成的自動化指令碼）。

作為對比：同樣的功能如果招 2 個全棧工程師從零開發，保守估計 6-12 個月，成本至少 30-60 萬人民幣。

本文是清單，按類別梳理每個系統做什麼、解決什麼問題、如果人工開發需要多少時間。不講具體技術細節（想看的點進每個連結的詳細文件），只講規模和效率。

一、量化交易系統（核心板塊）

北極星策略家族（polaris 1/5/6 三個策略共存）：

BTC 趨勢跟蹤 / 多幣種組合 / 合約 + 現貨套利
實盤雙機熱備（主備自動切換）
所有策略統一 Telegram 訊號推送
北極星策略介紹

回測實驗室（兩代）：

v1（Streamlit 8501）：Python 基礎回測，單幣種單引數
v2（Streamlit 8502，Numba JIT 加速）：多幣種組合、Walk-Forward 驗證、蒙特卡洛模擬、引數網格搜尋
自動和 aws-sg 實盤機同步 K 線資料

策略運維工具鏈：

自動引數最佳化（夜間 cron 跑網格搜尋）
每日覆盤報告（aws-sg/jp 向量化計算後 AI 生成摘要推送 TG）
策略 A/B/C 對比看板（Grafana）
Mac 本機脫敏備機（5 層安全鎖 + 每小時從 aws-sg pull）

如果人工開發：這一套至少 3-4 個月。量化系統從回測到實盤、從引數搜尋到雙機熱備，每一環都是一箇中等專案。

想試水量化又不想寫程式碼？Pionex 內建 16 種機器人，零程式碼 1 小時上手。

二、panshi.io 部落格 + 引流系統

Hugo 部落格 + PaperMod 定製：

64 篇技術文章，覆蓋量化/代理/AI 工具/VPS 等
3 列響應式卡片 grid，預設暗色（消白屏閃爍）
每篇獨立 OG 卡片 + hero 圖（AI 生成品牌統一風格）
列表縮圖 + 文章詳情頁 hero

多端部署：

雙活 aws-hk + aws-us（rsync 秒級同步）
Cloudflare CDN 前置，md5 三方校驗
自定義 Worker 10+（polaris-api / aff-tracker / vps-stock-api / freemail-w3fomo 等）

AFF 變現系統：

14 個 AFF 渠道統一 tracker 短鏈
按文章歸因（?ref=/posts/xxx/）
按 X 來源歸因（?ref=x-slug）
Prometheus 每 5 分鐘採集 + Grafana 面板

Umami 自建事件追蹤：

訪問量/來源/裝置
AFF 點選事件（aff-click 自定義）

如果人工開發：部落格本身 2 周，但 AFF tracker + 多端部署 + 自動化監控，至少 1 個月。圖片系統又是 1 個月（見下）。

三、釋出管理系統（9891 · 獨立 Web 應用）

一個本機 Web 應用（http://localhost:9891），專門管理 panshi.io 的釋出和運營：

10+ 管理頁面：

文章列表 + AFF 歸因 + 篩選（全部/已釋出/草稿）
內嵌 Markdown 編輯器（EasyMDE）+ 實時預覽
草稿/AI 請求佇列
OG 卡片預覽（發前看 X 分享長啥樣）
X 推文管理（列表/重新整理/刪除）
AFF 點選看板
圖片庫（本地 + Unsplash/Pexels/Pixabay + AI 生成）
設定頁（API key + 開關）
釋出歷史 + 健康 dashboard

7 步釋出流水線：

Pre-flight 檢查（frontmatter / 敏感詞 / AFF 裸鏈 / 結構 lint）
自動生成 OG + hero 圖
Tweet 預覽
Hugo build
rsync 雙活 + md5 三方校驗
發 X（三種模式：短推 / Premium 長推 / Thread digest）
Telegram 通知 + 歸因重新整理

10 個定時任務（全部透過 job_runner 納入監控）：

文章索引重新整理、連結健康掃描、部署漂移檢測、AFF 統計同步
推文歷史快照、原始 AFF 連結掃描、AFF exporter 健康、OG 圖健康
互動資料分析（最佳釋出時間 + Evergreen 候選）、釋出監控服務常駐

品牌統一 AI 圖片生成：

Flux Schnell 生成 64 張 hero 圖，深藍紫漸變品牌風
本機 PIL 生成 OG 卡片（標題 + 品牌條）
自動壓縮 WebP + 多尺寸（首屏 7MB → 80KB，90x 提速）

釋出監控系統詳細架構

如果人工開發：這一套獨立系統至少 2 個月。

四、備份容災系統（3-2-1 架構）

三層備份：

L1 Mac SSD：秒級恢復、短期歷史
L2 iCloud 2TB：跨裝置、中期
L3 AWS S3 Deep Archive 東京：災備、月 ¥0.15 左右

20+ 備份任務覆蓋：

openclaw 工作區（每天 + 每小時）
Obsidian vault（筆記）
Mac 系統配置（LaunchAgents 等）
量化程式碼和資料
Cloudflare KV / Workers / DNS
遠端 VPS 配置（cron / systemd）
Prometheus 配置 + Grafana dashboards
panshi.io 站點 + nginx 配置
周度 git bundle（跨機器容災）
月度 S3 歸檔

獨立 Web 狀態頁（9890）：每個任務的健康度（green/yellow/red）+ 錯誤詳情 + Telegram 告警。

開機補跑機制：Mac 休眠錯過定時任務時，啟動後自動補跑遺漏的任務。

如果人工開發：完整 3-2-1 備份 + 統一監控至少 1 個半月。

五、Mac 定時任務監控（9888）

所有 Mac 本機的 cron / launchd 任務（目前 34 個）統一心跳機制：

job_runner.sh 包裝所有任務，成功寫心跳時間戳
Prometheus textfile + node_exporter 採集
獨立監控伺服器 Grafana 視覺化（監控 Mac 本機）
狀態變化實時推 Telegram
任務出現/消失自動檢測

如果人工開發：監控基礎設施 + 狀態頁至少 3 周。

六、閘道器 / 代理架構（家庭辦公 + 量化出口）

雙閘道器冗餘：

主閘道器：OpenWrt + passwall（2026-04-13 新部署）
備閘道器：mihomo（原主，現降級為備用）
故障自動切換

家寬代理鏈路：

7 節點自動 fallback（美國 / 日本 / 香港家庭寬頻）
用於 AI 工具（ChatGPT / Claude / Gemini 防封號）
住宅 IP 出口保障量化策略不被交易所風控

Surge fail-closed 監控：

Surge 崩了自動啟用 PF 防火牆 killswitch
境外流量全封禁，確保不走國內直連
狀態列顯示當前保護狀態（自研 Swift 程式）

協議棧：

Xray VLESS + XTLS + Reality
Hysteria2（QUIC，高速）
Cloudflare Workers VLESS（零成本節點）

住宅 IP 出口完整配置 · VPS 買 DMIT · IPRoyal 住宅 IP

如果人工開發：閘道器 + 代理 + fail-closed 監控 1 個月+。

七、NetworkGuard 狀態列應用（Swift 原生）

Mac 狀態列獨立小程式：

實時監控 Surge 程序和 PF 防火牆狀態
狀態列圖示：綠（保護中）/ 紅（已失守）
Web dashboard 展示詳細資料
防"出門 Macbook 連 AIGC API 誤走國內 IP 被封號"

參考我在 Mac 狀態列做了一個網路安全衛士。

如果人工開發：Swift + PF 互動 2 周。

八、OpenClaw 系統（AI 工具鏈編排）

核心：Claude Code + 外部系統聯動平臺

Telegram 訊息觸發 AI 任務鏈
多 Agent 協作（一個查 API，一個分析，一個推送）
Skill 系統擴充套件（我有 10+ 自定義 Skill）
量化工作流整合（“檢查所有賬戶風險"一條指令 3 秒完成）

九、AI 工具生態（Claude Code / Codex / Copilot / Paseo）

雙通道 Claude Code：

官方 Claude Pro 通道（固定月費）
Copilot Pro+ 後端通道（搭車免費）
Alias 一鍵切換

模型策略：

預設 Sonnet（價效比）
Opus 只在質量不夠時回退
Haiku 做批處理（省 90%）
三檔混合月均 API 成本降 60%

會話管理：

Paseo 多 agent 模式
Claude Code 長會話斷點救援
圖片累積爆 bug 自動清理

用量監控：

Copilot usage 每小時 + 每天彙總
OpenRouter 每天餘額檢查

十、cmux 會話管理

多程序 Claude Code 並行（這篇文章就是其中一個會話在寫），每個會話獨立工作區 + 獨立 git worktree，避免互相干擾。

十一、VPS 庫存實時監控（panshi.io/stock 頁）

監控 5 家 VPS 商（搬瓦工/RackNerd/CloudCone/DMIT/Akile）熱門套餐庫存
主備 checker 冗餘（國內家庭 VPS + 海外 VPS）
CF Worker 聚合 + 5 分鐘前端自動重新整理
訂閱使用者缺貨 → 有貨時 Telegram 推送

VPS 選購矩陣完整對比。

如果人工開發：反爬 + 主備切換 + 訂閱通知 1 個月。

十二、Telegram Bot 生態

7+ 個獨立 bot 分工：

as_monitor：運維告警（閘道器 / 備份 / 量化）
polaris-signal-to-x：策略訊號 → X 推文
as_fam：家庭裝置監控
SSH 登入通知：每次 SSH 登入記錄 + TG 推送
還有幾個各司其職

每個 bot 獨立 token + 獨立群 chat_id + 獨立告警路徑，互不干擾。

十三、監控告警鏈路（獨立監控伺服器）

全棧監控：

Prometheus（指標採集）
Grafana（視覺化，13 個 dashboard）
Alertmanager + tg-webhook（Telegram 告警）

監控物件：

10+ 臺 VPS（CPU/記憶體/磁碟/網路/SSH 登入）
Mac 本機 34 個定時任務
量化策略 P&L 實時曲線
線路監控（Hysteria2 UDP / Xray TCP / 家寬代理）
閘道器狀態總覽
AFF 點選 / 訂閱數（新上）
釋出系統任務健康

十四、Obsidian + Mac 配置自動備份

筆記 git 自動 commit + 每小時 + 每天 tag
Mac 系統配置（LaunchAgents / 自定義指令碼 / Surge profile 等）每日自動 commit 到 iCloud
自動恢復流程文件

十五、iPhone / iPad / Mac Surge 配置同步

三端 Surge profile 版本管理：

Mac 為主編輯器
iPhone / iPad pull 時自動診斷域名 vs IP 問題
避免"某端沒同步導致漏出口”

十六、遠端桌面 + SSH 巡檢

RustDesk 8K 方案：

開源 + 自建中繼
替代 TeamViewer / 向日葵（更便宜 + 更私密）

SSH 連線巡檢：

每日 AI 自動巡檢 10+ 臺機器
報告每臺資源使用 / 異常日誌 / 待處理事項
摘要發 Telegram

十七、X 相關係統

X 收藏同步：每天抓新收藏整理到 Obsidian
X API 釋出（polaris-signal-to-x bot）
X thread digest 釋出（新）：Markdown 文章 → AI 生成 5-10 條 thread

十八、公開 GitHub 專案

已在 GitHub 開源的工具（已脫敏）：

claude-code-image-rescue：Claude Code 長會話圖片記憶體爆 bug 修復工具

更多還在規劃。

AI 開發正規化的三個變化

做完這些之後我對"AI + 獨立開發"有幾個結論：

1. 程式碼不再是瓶頸，需求定義是

用 Claude Code 寫個 500 行的 Python 指令碼，一般對話 20-40 分鐘搞定。但"我到底要什麼" 這件事 AI 沒法幫你決定。

寫清楚需求 + 用 AI 生成程式碼 + 人工稽核 = 最佳節奏。

2. 部署和維護比初次開發更值錢

上面 18 類系統，70% 的工作量不是"把程式碼寫出來"，是：

放到哪？（Mac / 伺服器 / CF Worker）
怎麼守護程序？（launchd / systemd / cron）
怎麼監控？（Prometheus + Grafana + 告警）
怎麼備份？（失敗時怎麼恢復）

AI 在這些系統整合場景幫助巨大，因為它不會忘記加錯誤處理、日誌、健康檢查。

3. 一致性比個人偏好更重要

所有系統都遵循同一套約定：

日誌：~/.openclaw/workspace/state/
心跳：Prometheus textfile
告警：Telegram bot 分類
備份：3-2-1 三層
文件：Obsidian Infra-OPS/ 64 份

Claude Code 有記憶系統能跨會話保持這些約定，比我自己記得還牢。

成本拆解（5000 美金花在哪）

項	約佔比
Claude API（Anthropic 直接扣費）	~40%
ChatGPT Plus + OpenAI API	~25%
GitHub Copilot Pro+ × 2（兩個賬號）	~20%
Cursor / Codex / 其他訂閱	~10%
雜項（Replicate / Cloudinary / etc）	~5%

實際上前 3 項（Claude + OpenAI + Copilot）佔 85% — Claude 是主力。

對於想複製這個模式的朋友

第一步：先有一個"真的要解決的問題"

我上面 18 類系統，每一個都對應具體痛點（量化被封號 / 備份丟資料 / 定時任務漏跑 / X 釋出效率低）。沒有痛點而為 AI 工具買單，很快就會放棄。

第二步：選一個工具深用，不要同時四五個

我的組合：

Claude Code（主力，80% 時間在用）— 省錢指南
GitHub Copilot Pro+ 備選通道 — Claude Code 雙通道切換
ChatGPT Plus 偶爾用資料分析 + 圖片生成

不推薦同時訂 Cursor + Copilot + ChatGPT + Claude，成本和切換心智都太高。

第三步：把基礎設施標準化

日誌路徑統一
定時任務標準 wrapper（我的是 job_runner.sh）
Telegram 通知統一格式
文件放在同一 Obsidian vault

標準化後，Claude Code 能跨任務遷移經驗（它看到一個任務的結構就知道下一個怎麼做）。

第四步：允許自己"不完美實現"

我很多系統都是"夠用版"，而不是"工程完美版"。例如備份監控 web 9890 就是幾百行 Python，沒用框架。AI 生成 + 我稽核 + 跑起來 = 上線。不要過度設計。

如果你也想折騰

推薦的工具組合：

想試量化交易順便理解整個鏈路（最佳練手場景）：

Pionex 網格機器人教程（零程式碼）
用 Claude Code 給 Pionex 加監控（30 分鐘實戰）
開個 Pionex 賬戶跑 $100 一個月，你會對 AI 輔助量化的價值有具象感知

基礎設施輔助工具：

DMIT VPS（香港 / 日本線路穩定）
IPRoyal 住宅 IP（AI 工具 + 量化必備）
Google One AI Premium（Gemini Advanced + 2TB 雲端儲存）

一個誠實的對比

人們常問"AI 到底有沒有用"。我的答案：

項	不用 AI	用 AI（我的經驗）
寫一個新指令碼	3-8 小時（查文件/Stack Overflow/踩坑）	20-40 分鐘（描述需求 → 稽核 → 測試）
除錯一個報錯	偶爾 1 整天	10 分鐘內定位
維護 30+ 定時任務	每月 10 小時消防	每月 1-2 小時（大部分 AI 自動處理）
寫一篇技術部落格	3-4 小時	1 小時（大綱人定 + AI 填內容 + 人審）
學一個新領域	1-2 周入門	半天（AI 陪讀答疑）

乘上 18 大類系統 + 365 天，這就是 100x 效率的來源。

不是 AI 替代人，是**“懂業務 + 會用 AI"的一個人等於過去一個小團隊**。

想聊 AI 工作流 / 量化 / 獨立開發：Telegram @panshi8848，或 X @panshi8848 私信。

延伸閱讀：

一、量化交易系統（核心板塊）#

二、panshi.io 部落格 + 引流系統#

三、釋出管理系統（9891 · 獨立 Web 應用）#

四、備份容災系統（3-2-1 架構）#

五、Mac 定時任務監控（9888）#

六、閘道器 / 代理架構（家庭辦公 + 量化出口）#

七、NetworkGuard 狀態列應用（Swift 原生）#

八、OpenClaw 系統（AI 工具鏈編排）#

九、AI 工具生態（Claude Code / Codex / Copilot / Paseo）#

十、cmux 會話管理#

十一、VPS 庫存實時監控（panshi.io/stock 頁）#

十二、Telegram Bot 生態#

十三、監控告警鏈路（獨立監控伺服器）#

十四、Obsidian + Mac 配置自動備份#

十五、iPhone / iPad / Mac Surge 配置同步#

十六、遠端桌面 + SSH 巡檢#

十七、X 相關係統#

十八、公開 GitHub 專案#

AI 開發正規化的三個變化#

1. 程式碼不再是瓶頸，需求定義是#

2. 部署和維護比初次開發更值錢#

3. 一致性比個人偏好更重要#

成本拆解（5000 美金花在哪）#

對於想複製這個模式的朋友#

第一步：先有一個"真的要解決的問題"#

第二步：選一個工具深用，不要同時四五個#

第三步：把基礎設施標準化#

第四步：允許自己"不完美實現"#

如果你也想折騰#

一個誠實的對比#