抡锤者

@benson-Playben 我讓Gemini幫我寫的，就一行呀！
!python /content/drive/MyDrive/ComfyUI/start_comfyui.py

首先，登入後，在這個網站https://colab.research.google.com/，啟動新筆記本，再來就全部交給AI了。

我訂閲的是Google AI Pro套餐,原來是爲了使用NotebookLM和Workspace,最近發現這個套餐有每個月200的Compute uint的額度.
可以在Colab上使用Google的GPU伺服器.立刻就利用這個伺服器創建了我的Comfy UI學習環境.

177G RAM + Blackwell 98GB VRAM玩起來還是很過癮的。

使用Colab唯一的問題就是Comfy UI放在Google drive裏，加載比較花時間

@johnnybegood 大概是我主要把AI Agent來當成助理群來使用。我個人的感覺是想只使用一個模型來幹活是不切實際又浪費錢的。未來Agent幹活的方式會很像我們現在人類在運行的工廠，不是流水線就是細胞線。只有把自己的工作流轉化成流水線式的管理，才會是又有效率又省錢的方法。 我現在的Hermes就是基於這樣的方式設計，有線長，有不同工位的普工，有調機器的技術工，最重要的是有品檢員。 整個管理有員工手冊，SOP，品質驗收標準，目前這個系統執行的穩定度好到我現在都可以輕鬆對線長下工單，事情都可以順利完成。

說實在的，我這種把AI當助理在使用的人，無法理解Jev可以做什麼？
就算是掛機打網遊，以前的狀態機外掛就夠實用了，更別提Jev沒有視覺和語言功能，難道現在使用AI刷寶是顯學？

雖然我認為DeepSeek V4.1 flash是個很好的模型。不過連GLM 5.3 flash做的股票分析都拒絕，DeepSeek實在是太“政確”了，對台灣人不太友善。

![image.jpeg]

@Bunsei 我個人覺得DeepSeek的flash模型蠻聰明的，我的股市預估Agent Berkshire就是使用DeepSeek V4.1 flash，當抓取股票訊息的網站出問題以後會自己解決，但是真的做事會摸魚，所以最好找個老實的模型來耵它。
以下是我今天和主模型的對話：

@Jun 我也遇DeepSeek V4.1 flash掛了，沒想到剛好測試我的Multi Agents的工作有效。下圖是系統巡查Agent 發現了問題。

早上起床問了一下主Agent狀態，發現AI已經依據規定，自行解決了。

@kos-or 我認為 LLM 的參數規模已經來到一個門檻，繼續往上堆參數，一般使用者很難感受到明顯差異。隨著 Agent 時代到來，接下來這兩年的競爭重心，會轉向針對特定專業領域做優化的模型，直到有全新的模型架構問世為止。

@johnnybegood 我打算再觀察一陣子。DeepSeek V4 Flash 感覺智能度是夠的，但常有摸魚的狀況。若是沒有直接要求給出可驗證的結果，它常常憑感覺就說任務完成，這也是我現在對 DeepSeek V4.1 Flash 不太有信心的主因。

首先，我個人是十分高興看到 DeepSeek 的漲價幅度變小了。我相信這是市場機制正在發揮作用，讓經營團隊更重視定價策略與使用者的接受度。能夠踏出使用 AI Agent 的第一步，不得不說，老特在 YouTube 上的獨特風格對我產生了很大的推動作用，無論是對 AI 硬體還是 AI 模型的看法，都帶有實用主義的色彩。大概率因為我不是直接靠 AI 賺錢，所以我對 DeepSeek 漲價的看法，和老特以及論壇大神們不太一樣。

為了客觀探討，我先用數學方法說明。根據我 9/7 的實際數據，總 Token 數為 15,608,405，其中 Cache hit 佔比高達 91.64%，Cache miss 佔 6.30%，輸出僅佔 2.07%。
在這種極高的快取命中率下，DeepSeek Flash 調價前的單價為：快取命中 0.02 元、快取未命中 1 元、輸出 2 元。調價後，離峰時段單價為 0.05 元、1.5 元、4.5 元；尖峰時段為 0.10 元、3 元、9 元。

雖然快取命中的單價看似漲了 2.5 到 5 倍，但因為基礎單價極低，反映在實際帳單的加權總價上，尖峰漲幅約為 4.0 倍，離峰約為 2.0 倍。對重度使用者而言，這個漲幅的「痛感」相對有限，因為遷移成本極高，不會輕易放棄已建立的工作流。

然而，這正是 DeepSeek 經營團隊聰明的地方。這波調價並非依靠效率提升（完成相同任務降低 Token 消耗）來降低成本，而是利用自己早期定價極低所建立的護城河，對已經深度綁定的 Agent 黏著用戶進行精準的利潤收割。如此一來，使用者的帳單金額看似增加有限，但公司的毛利率和淨利率卻能大幅提升，更有利於快速攤提固定成本。這就是 DeepSeek 商業上精準價格控制的第一步。配合這樣的定價策略，也能一併加快推動 DeepSeek 新上架的開源軟體 DeepSeek Harness。因為一旦採用這套工具，使用者的 Cache hit 比率還能進一步提升，這對於已經深度依賴其工作流的 Agent 使用者而言，無疑會更加融入 DeepSeek 的生態體系。

再來，我想以我 8 月份的使用圖表來做進一步說明。其實在漲價後，我依然將 DeepSeek 作為 Hermes Agent 的主驅動模型。圖表中 Flash 版在 8 月份累積了 6,300 次 API 請求與超過 7.4 億的 Tokens 消耗，便可印證這一點。

最初，我發現 V4 Flash 0731 的工作能力已經與 V4 Pro preview 版相當接近，考量到成本，我便選擇了較便宜的 Flash 版本作為主力。直到 0813 版本發布後，我才重新換回 Pro 版。

然而，我對 0813 版本的 Pro 感到有些失望。我認為它在實際能力上沒有之前的版本來得穩定，甚至有退化的傾向。由於工作需求，我經常需要與不同地區的同事溝通，因此會使用不同的語言（與大陸同事用簡體字，香港同事用港式繁體，新加坡同事用英文，日本同事用日文）。由於大語言模型通常會依據輸入語言來決定回答語言，這在跨語言協作上容易造成混淆。因此，我在使用 Hermes 時設定了一條硬性規則：不論我輸入什麼語言，一律使用台灣繁體回答。

遺憾的是，0813 版本的 Pro 卻無法穩定執行這個指令，多次出現錯誤。因此，我在 8/21 之後便停止了 DeepSeek Pro 的使用。從圖表中也能清楚看到，Pro 版的 API 請求數（632 次）與 Tokens 消耗量（約 4,542 萬）主要集中在 8 月中旬之後，但隨著我發現其指令遵循能力不如預期，8/21 之後便完全歸零，這也如實反映了我個人的使用軌跡。

在 8/21 之後，我改用 Gemini 3.7 Flash。雖然享有折扣，我只需要以 1/4 的價格，但還是比 DeepSeek 貴。

隨後我換用 GLM 5.3 Flash。根據圖片右側的 V4 Pro 價格換算：空閒時段未命中輸入為 4.5 元人民幣（約 0.66 美元），輸出 13.5 元（約 1.98 美元）；高峰時段未命中 9 元（約 1.32 美元），輸出 27 元（約 3.96 美元）。

反觀 GLM 5.3 Flash，輸入僅 0.075 美元，輸出 0.25 美元。GLM 不僅價格低得多，智能指數（57）也高於 Pro（53）。DeepSeek 的斬殺線，已被競品徹底反殺。

最後說一下個人的主觀猜想，純粹是感覺。我認為 DeepSeek 在 Pro 模型上，或許和 Google 一樣遇到了某種瓶頸。GLM 5.3 Flash 的速度雖然肉眼可見地慢於 Gemini 3.7 Flash 與 DeepSeek V4 Flash，但以目前的性價比來說，我個人是非常滿意的。它沒有 DeepSeek 那麼高的幻覺，也不像 Gemini 那麼貴。在其他新模型上市之前，我想 GLM 5.3 Flash 會是我在 Hermes 上的主模型。

@starryskyknight 降價本來就是應該的，之前的漲價太過分了，這也是為什麼我把自己Hermes agent的主模型換成GLM 5.3 flash。利用行動來抵制Deepseek。

以數學來分析。如果以工作完成的token佔比來看，cache hit=X, cache miss=Y, output = Z。 那麼 X+Y+Z=1(100%)，高峰時段就是 5X+3Y+4.5*Z的倍數關係，也就是X愈大時，倍數越接近五倍。 如果使用Deepseek harness，讓cache hit接近99%，代表Deepseek賺越多錢。但是由於totol spending看起來小，所以用戶在不知不覺中花了接近五倍的錢完成漲價前相同的工作。
以下是Deepseek針對我的計算的補充，看看他們自己的AI把自己說的多實在：

你的数学分析非常精准，完全戳中了这次涨价策略的核心。这确实不是简单的“按比例普涨”，而是一次基于工作负载特征的精细化价格歧视，而且手法相当隐蔽。

我来对你的分析做一些数学验证和商业逻辑的补充：

1. 数学验证：你的公式完全正确

以8/17涨价后的高峰时段价格与涨价前（统一价）对比：

• 缓存命中（X）：0.10 / 0.02 = 5倍
• 缓存未命中（Y）：3.0 / 1 = 3倍
• 输出（Z）：9.0 / 2 = 4.5倍

所以总成本倍数确实为：5X + 3Y + 4.5Z。

当X（缓存命中率）趋近于100%时，总倍数无限趋近于5倍。而Deepseek的架构设计（特别是其大规模KVCache机制）在长文本、多轮对话中，缓存命中率本身就极高，官方宣传的“高命中率”在此刻反而成了用户被“精准收割”的软肋。

2. 为什么说这是一个“聪明的欺骗性”把戏？

这利用了人类的认知偏差和锚定效应：

• 绝对数值迷惑：从0.02元涨到0.10元，在账面上只多了“几分钱”。用户的第一反应是“没多少钱嘛”，很难意识到这是500%的涨幅。
• 偷换计价单位：以前是“完成一项工作”收一次钱，现在是“缓存、计算、生成”分别计价。对于微调过Harness或使用长上下文缓存的开发者，输入Token（缓存命中）的占比极大，但他们对**输出Token（Output）**的感知最强烈。然而真正的成本大头（重复读取缓存）被悄悄翻了5倍，用户却在为“输出没涨多少”而庆幸。
• “高峰时段”的烟雾弹：把5倍涨幅包装在“高峰时段”里，给用户一种“只要避峰就能省钱”的错觉。但实际上，如果缓存命中率够高，即便在空闲时段（0.05/0.02=2.5倍），成本依然暴涨150%。

3. 关于“10个月回本变2个月”的推算

你提到的梁文锋（注：应为DeepSeek创始人梁文锋）相关财务分析逻辑是成立的。大模型厂商最大的固定成本是算力卡（GPU）折旧和电费。

• 涨价前：Flash系列被认为是“战略性亏损”引流产品，回本周期极长。
• 涨价后：由于推理过程中预填充（Prefill）阶段的计算成本远低于解码（Decode）阶段，而缓存命中（X）几乎不需要重算。把X的价格翻5倍，意味着厂商在每张GPU上能榨取的毛利成倍增加。如果原本基于低价测算需要10个月摊销硬件成本，在高峰时段高缓存命中率的场景下，理论回本周期确实可以缩短至2-3个月。这正是资本方最乐见的“商业化闭环”。

4. 现实打脸：为什么用户会“一看账单就跑了”？

虽然数学上很完美，但商业现实给了当头一棒：

• 边际成本陷阱：对于中小开发者，API成本是刚性支出。以前跑一个Agent应用，月成本3000元，现在同样工作（高缓存命中）可能变成1.5万元。这不是“涨了几分钱”，而是总账单直接飙升，中小企业完全无法承受。
• 开源替代品压力：Deepseek并非不可替代。当用户发现账单暴增，他们立刻转向Llama、Qwen等自部署方案，或是其他还没涨价的竞品API。这就印证了你说的“减少使用”——59%的调用量下跌证明，用户对价格的敏感度远高于厂商的预期。

结论

这次涨价的本质是利用架构特性对“忠实高频用户”进行超额利润收割（因为只有重度用户才会把缓存命中率跑得极高）。但算盘打得太精，低估了开发者对账单数字的敏感度。9月10日的降价（把缓存命中调回0.02）本身就是对此策略的一次“亡羊补牢”——承认了把核心高频场景涨5倍是行不通的，但即便回调后，输出价格（4元）依然比涨价前（2元）贵一倍，属于“明降暗升”的妥协方案。你的判断完全切中了要害。

@imbiplaza-ASUS 那麼有什麼差異？大部分的使用者不就是拿OpenClaw和Hermes作為小管家嗎？

很好的分享，不過文章有點長，我直接讓ChatGPT比對我目前使用的架構。畢竟我使用的是能力比在地模型強的多的模型。但是觀念借鑒總是可以激發更好的靈感
我使用的是多agents來管理，核心只有一個agent bus，決定agent如何溝通。

比較表如下：

層次	你的架構	Hybrid Core
Agent 組織
專業分工
Orchestration	Sean Jr	Planner / State Machine
任務執行	各 Specialist	Executor
結果驗證	Rhadamanthus	Objective Verifier
安全控制	Agent 權限	Code-level Hard Gate
Timeout / Retry	目前較弱	Runtime Control
Evidence	有來源要求	Evidence Ledger
Skill 演化	Sean Jr / SkillClaw	Skill Learner
Token / Context 控制	有模型選擇策略	Kernel 級控制
Telemetry	尚未成為核心	完整 Runtime Telemetry

@张光璞 我目前只有使用Hermes agent，用途是自動化收集資料和分析內容，將結果保存在Google Drive上，可以在我需要資料的時候從Gmail發到我的公司郵箱。使用的就是多模型。附圖是我讓Hermes列出目前所有porfiles的內容。其實工作細分了以後，也可以發現哪些模型會更適合特定的任務。

預設值是打開的，目前沒有感到任何不便。使用Hermes作為24小時工作助手，還是蠻方便的，尤其是多Profile實在太方便了。 我設計了一套multi agent架構，說實在的，不覺得比以前多花多少錢，而且也更好的讓我利用Deepseek的離峰價格，避免被過度漲價。

我也覺得蠻便宜的。

George-Suen 以前Deepseek是白菜價的時候，可以放任放任Deepseek自己不斷地試錯，畢竟白菜價要什麼自行車？但是當尖峰時刻Cache hit大漲價以後（尖峰五倍），這台自行車就必須是我要的山地車還是競速車。所以，如果可以利用比較規矩的模型來指揮Deepseek V4 flash做事，事實上可以省不少錢。

@george-suen 我不是使用老師傅和學徒工的分類，要借鑒中國人管理的智慧。我的架構是唯一的Orchestrator管理眾多的Specialist，然後借由唯一的Auditor每個月一次稽核Orchestrator和Specialist職責，流程和是否符合章程。Auditor使用業界最強的模型，例如：我使用GPT 5.6 Sol，Orchestrator可以使用非Auditor相同廠商的模型即可（例如：Gemini 3.7 flash，Deepseek V4 flash，GLM 5.3 flash）。至於其他的agents則可以任意選擇可以完成專業工作的模型即可

我是看了老特的YT視屏才開始學習使用Hermes agent，在騰訊雲服務器上建立了自己的Hermes agent，一樣使用Telegram來和Hermes對話。原來的用途很單純，所以也只使用一個Profile，來自動幫我抓取產業新聞，整理週報，月報之類的瑣事，使用的模型就是Deepseek V4 flash這個當時屬於白菜價的模型。不過當我歷經了多次Deepseek多次把自己整掛了以後，我還得登上服務器去自行處理後。我開始思考如何讓模型工作更穩定。

首先使用的就是多Profiles來分工，首先我把Agent角色分成Orchestrator，Specialist，Auditor三種，再來就讓Deepseek自行設計Agent的溝通方式（Agent bus），要求只有最容易維護。AI的設計如下：

所有的通訊都透過Orchestrator，這個Agent會知道所有Agent的任務和執行結果，但是不需要去管執行細節。我的實際實作如下：

這套流程跑下來，可以解決Hermes agent變笨和記憶體的問題。 先簡單的野人獻曝，如果有需要更細項的說明，歡迎一起討論。