去年有组数据挺有意思：企业级AI工具的平均订阅费涨了34%，但用户实际调用量只涨了12%。钱越交越多，活越干越碎——这大概是很多科技从业者过去两年的体感。
云服务的悖论在于，它承诺了无限算力，却附赠了无限依赖。网络波动、隐私顾虑、按token计费的焦虑，像后台常驻进程一样消耗注意力。我开始找一种更"离线友好"的方案：AI能跑在本地，数据不出设备，功能不缩水。
折腾三个月后，我用Ollama（开源本地大模型运行框架）串起了一套工作流。四个工具，零订阅费，断网也能跑。这篇是完整复盘。
Logseq：笔记软件的"外挂大脑"模式
我的笔记体系经历过三次迁徙：Notion → Obsidian → Logseq。最后停在Logseq，不是因为功能最全，而是它的"块级大纲"结构最贴合思考方式。
传统文档像Word，你得先想清结构再下笔。Logseq把内容拆成可拖拽的 bullet，每个想法独立成块，又能双向链接。写一半卡壳？新建个块继续，回头再串起来。这种"先堆料、再整理"的流式写作，和大脑的发散模式更匹配。
但纯手动整理有个瓶颈：笔记攒到几千条后，检索和串联成了体力活。我试过用ChatGPT帮忙，但把私人笔记上传到云端，总有种把日记本交给图书馆管理员的不安。
Ollama的解法很直接：本地跑模型，插件对接Logseq。安装流程比想象中顺滑——在Logseq插件市场搜"ollama-logseq"，下载后选模型（我用的Llama 3.1 8B，M2 Mac上跑得动），完事。
实际用下来，三个场景最顺手：
一是长文摘要。收到几十页的PDF报告，拖进Logseq，选中全文让模型提炼核心论点。二是碎片扩展。随手记的"用户反馈：加载慢"，选中后扩写成结构化的bug描述。三是角度发散。写产品分析卡壳时，让模型基于已有笔记生成"反方观点"或"边缘案例"。
关键是"上下文感知"。模型能读取当前页面的其他块，生成的内容不是通用套话，而是基于你真实笔记的延伸。这种"助手读过你的档案"的默契，云端AI很难复制——除非你把全部笔记传上去。
隐私是副产品，也是主菜。我的项目规划、未公开数据、甚至一些灰色地带的行业观察，现在可以毫无负担地丢给AI处理。没有API调用记录，没有训练数据争议，断网时照样工作。
Home Assistant：智能家居的"去云化"实验
智能家居是个典型的"云依赖陷阱"。灯控用米家，空调用格力+，门锁用Aqara——每个品牌一个App，每个App一份隐私协议。更隐蔽的问题是：自动化规则写死在云端，服务器抽风时，你家比毛坯房还难用。
我三年前切到Home Assistant（开源智能家居平台），把所有设备接进本地网络。稳定性提升明显，但"智能"程度有限：自动化基于固定条件，比如"晚8点后检测到人开灯"。想更灵活？比如"根据我今天的日程和天气，判断要不要提前开空调"——这种需要理解语境的需求，传统规则引擎搞不定。
Ollama的接入改变了游戏规则。Home Assistant的社区插件支持直接调用本地模型，我把几个高频场景做了改造：
自然语言触发。以前设自动化要填一堆条件：时间、设备状态、传感器数值。现在可以直接写"我今晚有会，提前把书房调到舒适温度"，模型解析意图后拆成具体指令。准确率大概85%，错的时候手动纠正一次，下次就记住了。
通知摘要。家里有十几个传感器，门磁、人体、温湿度……以前手机弹窗轰炸，现在让模型把相关事件聚合成一句话："下午3点到5点，书房有人活动，温度从24升到26度，空调已自动开启。"
模式学习。最实用的是这个。我让模型分析过去30天的自动化日志，找出我自己都没意识到的规律。比如它发现我周末上午10点前从不开书房灯，但工作日9点前必开——于是自动拆成两套场景，比我自己写的规则更细。
本地运行的代价是响应延迟。云端助手500毫秒内必回，本地模型在M2上大概2-3秒。但换来了两件事：一是断网时全屋自动化照常运转，二是我的作息数据不会变成某家公司的训练燃料。
工具3和4：编码与浏览的"隐形补丁"
剩下两个工具的角色更轻，但使用频率极高。
Continue.dev（VS Code插件）把Ollama接进了IDE。写代码时的自动补全、选中函数的文档生成、甚至"这段逻辑有没有更简洁的写法"——全部本地完成。和GitHub Copilot比，建议质量差一档，但响应快、无订阅、代码不离开本机。适合对隐私敏感的项目，或者想省掉每月10美元的场景。
第二个是浏览器端的Page Assist扩展。选中网页任意文本，右键唤出侧边栏，用本地模型做摘要、翻译、或针对性提问。读英文技术文档时，它比全文翻译工具更省流：只解释我划选的术语，而不是把整个页面重排一遍。
这两个工具的共同点：它们不试图替代原有工作流，而是作为"增强层"嵌入。不需要迁移数据，没有学习成本，装完即用，卸载无残留。
这套方案的边界在哪
诚实地说，本地AI不是万能解。
模型能力有天花板。Llama 3.1 8B在代码生成、多轮推理、长文本理解上，明显弱于GPT-4或Claude 3.5。复杂任务——比如让AI读一份50页的法律合同，指出潜在风险——本地模型会漏掉关键细节，或者给出过于保守的结论。
硬件门槛客观存在。我用的M2 MacBook Pro 16G内存，跑8B模型流畅，13B就明显卡顿。Windows用户需要一块像样的显卡，或者接受CPU推理的龟速。纯文字工作能忍，涉及图像或语音就吃力了。
最隐蔽的成本是"折腾时间"。Ollama本身很稳，但插件生态参差不齐。Logseq的Ollama插件去年有两个月没更新，兼容性问题得自己改配置。这种"开源税"适合愿意动手的人，追求开箱即用的还是云端省心。
我的折中策略是"分层使用"：敏感内容、高频轻量任务走本地；复杂分析、需要最新知识的任务临时切到云端。Ollama和OpenAI的API可以共存，不是非此即彼。
三个月跑下来，这套工作流最意外的收获不是省了多少钱，而是"注意力回流"。以前用云端AI时，每次粘贴内容都有微妙的迟疑：这段能传吗？会不会被训练？现在这种后台进程彻底关闭了。AI变回了工具本身，而不是一个需要持续评估风险的第三方服务。
有个细节挺能说明问题。上周出差，酒店WiFi烂到连邮件都发不出去。晚上回房间，Logseq里的本地模型照样帮我整理了当天笔记，Home Assistant按惯例调好了睡眠模式。那种"系统在我控制范围内正常运转"的踏实感，大概是这套方案最难以量化的价值。
你现在的核心工作流里，有没有哪个环节是"被迫上云"的？如果有个本地替代方案，性能打七折但隐私和可控性拉满，你会愿意切过去吗？
热门跟贴