05：從零打造 AI Agent：為什麼我選擇自建而非 SaaS

Build Log Feb 22, 2026

先聊聊 OpenClaw 的處境

2026 年初，OpenClaw 成為開源 AI Agent 領域最熱門的專案之一。但有趣的是，各大模型供應商對它的態度截然不同。

Anthropic 明確劃線。二月中旬，Anthropic 更新服務條款，禁止第三方工具透過 OAuth token 存取 Claude，Cline、RooCode 等 IDE 擴充首當其衝，OpenClaw 用戶若透過訂閱帳號的 OAuth 認證也受到影響。官方說法是「釐清既有政策」，但社群一片譁然。

Google 大規模鎖帳。更激烈的是 Google Antigravity 端。使用 OpenClaw 搭配 Antigravity OAuth 的用戶，不論是免費還是月付 250 美元的 Ultra 訂閱，都遭到帳號永久停權。Reddit 和官方論壇上哀鴻遍野，付費用戶連申訴管道都找不到。

Kimi 則反其道而行。 Moonshot AI 不但沒有設限，反而推出「Kimi Claw」，直接在 kimi.com 提供一鍵部署的雲端 OpenClaw 環境，零技術門檻。搭配 Kimi K2.5 的 200K context window 和免費額度，對新手來說幾乎是零成本入門。

這場分歧讓我意識到一件事：依賴單一平台的 AI Agent，本質上是把命脈交給別人的政策部門。

雲端部署：方便，但有天花板

如果你只想快速體驗，雲端方案確實很香。Zeabur、Render 都提供一鍵 OpenClaw 部署模板，Docker、SSL、自動重啟全部幫你搞定，十五分鐘就能跑起來。

但實際用了幾週後，我撞上了 VPS 容器的天花板：

資源限制：免費或低階方案的 RAM 通常只有 512MB–1GB，跑 Agent 加上記憶體管理捉襟見肘
修改權限不足：容器環境無法自由安裝系統套件，需要 Playwright 瀏覽器自動化？抱歉，裝不了 Chromium
資料主權：對話紀錄、API Key、個人知識庫全部存在別人的主機上
成本疊加：一旦需要更多算力、儲存空間，月費會快速堆高

雲端適合試水溫，但如果你打算讓 AI Agent 真正融入日常工作流，遲早會碰到這些牆。

自建的真實成本

那自建要花多少？以我的實際配置為例：

項目	成本
硬體（Synology DS-920+，已有）	$0（沿用現有設備）
LLM API（Claude API）	~$20-50/月（依使用量）
網域（nerigate.dev）	~$10/年
雲端服務（Zeabur n8n 等輔助）	~$5/月
月均總成本	約 $25-55

重點是：如果你手邊有舊主機、Mini PC、甚至一台 NAS，硬體成本幾乎為零。真正的花費在 LLM API，而這筆錢不管你用 SaaS 還是自建都省不掉。

技術門檻呢？老實說，你需要：

基本的 Docker 操作能力
能看懂 JSON 設定檔
願意花幾個晚上除錯的耐心

不需要是工程師，但完全零技術背景會比較吃力。

現有設備的選擇

不一定要買新機器。盤點一下你手邊有什麼：

NAS（如 Synology、QNAP）

優點：24/7 運行、低功耗、內建 Docker
限制：RAM 通常偏少（4-8GB）、CPU 較弱、無法跑瀏覽器自動化
適合：輕量 Agent、文字處理、API 串接

舊筆電 / 桌機

優點：硬體規格通常不差、完整 OS 權限
限制：需要自己處理散熱、噪音、24/7 穩定性
適合：全功能 Agent、需要瀏覽器或 GPU 的場景

Mac Mini / Mini PC

優點：效能強、靜音、低功耗
限制：額外投資（但一台 Mac Mini M4 的價格 ≈ 12 個月的中階 VPS）
適合：長期自建的最佳選擇

我目前跑在 DS-920+ 上，輕量任務游刃有餘，但碰到了記憶體和瀏覽器自動化的瓶頸，下一步計畫遷移到 Mac Mini。而這也引出了自建最有趣的一張牌，地端模型。

自建的隱藏紅利：地端 LLM

如果你選擇 Mac Mini M4 並將記憶體拉到 32GB，解鎖的不只是更順暢的 Agent 體驗，你還能在本機跑大型語言模型。

Apple Silicon 的統一記憶體架構讓 GPU 和 CPU 共享同一塊記憶體，對 LLM 推理非常友善。32GB 的 M4 搭配 Ollama，可以流暢運行 8B 參數的量化模型（Llama 3、Qwen 2.5、GLM-4），甚至勉強塞進 14B。日常的摘要、分類、文字處理完全夠用，而且零 API 費用。

更實際的做法是混合架構：複雜推理丟給雲端 Claude API，簡單重複任務交給本地模型，省錢的同時也保護了隱私。如果預算再高一些，M4 Pro + 48GB 讓 14B 模型跑得飛快，記憶體頻寬多出 30-50%。

這就是自建的好處，你可以按需求漸進升級，而不是被平台方案綁定。