Bubble 無代碼應用程式 + 本地 AI：在沒有 API 費用的情況下發布 AI 功能

Bubble 是構建嚴肅無代碼應用程式的地方。多邊市場、複雜的 SaaS 工具、工作流自動化產品——Bubble 全都能處理。當您在 Bubble 應用程式中添加 AI 功能時，您通常使用 OpenAI 插件或自定義 API 連接器來調用 Claude 或 GPT-4。

這些都能用。問題在於它們在規模化時的費用——而 Bubble 應用程式在規模化時可能比您預期的更快遇到這個問題，因為 Bubble 工作流是由事件觸發的，而不僅僅是用戶操作。

Bubble 應用程式目前如何使用 AI

Bubble 中有三種常見的 AI 使用模式：

OpenAI 插件 是最簡單的入門方式。安裝它，輸入您的 API 密鑰，您就可以從任何 Bubble 工作流中調用 GPT 模型。每次插件調用都是一個直接的 OpenAI API 請求，按 token 計費。

API 連接器 讓您從 Bubble 工作流中調用任何 REST API。需要更多控制（自定義標頭、特定模型、串流）的構建者會直接設置 OpenAI 或 Anthropic API 的連接器。仍然按 token 計費。

後端工作流觸發器 是 Bubble 的 AI 成本變得不透明的地方。Bubble 工作流在以下情況觸發：新記錄創建、定時觸發、用戶操作、webhook 接收、數據庫變更。如果這些觸發器中的任何一個引發了 AI 調用，成本會根據觸發頻率而非僅用戶會話數量累積。

Bubble AI 成本問題

一個真實世界的例子：一個 Bubble CRM 應用程式，當新潛在客戶創建時使用 AI 自動生成跟進電子郵件草稿。工作流在「新潛在客戶已創建」時觸發，並調用 OpenAI 生成草稿。

每天 50 個新潛在客戶：50 次調用 × 700 個 token = 35,000 個 token/天 = 1,050,000 個 token/月 = 約每月 2-20 美元（費用取決於模型）。

業務擴展到每天 500 個潛在客戶：每月 20-200 美元。擴展到每天 5,000 個：每月 200-2,000 美元。

現在添加第二個 AI 工作流（潛在客戶進入時的資格評分）、第三個（添加備注時的會議摘要生成）和第四個（每週報告生成）。每一個都使成本倍增。

為什麼 Bubble 構建者有優勢

以下是 Bubble 特有的好消息：您的應用程式已經在調用外部 API。從 OpenAI 的 API 切換到本地模型的 API 是一個配置更改，而非架構更改。

Bubble 的 API 連接器是通用的——它調用您配置的任何 REST 端點。Ollama（提供您的微調 GGUF 模型的工具）公開了一個 OpenAI 相容的 REST API。您的 Bubble AI 調用可以通過在 API 連接器設置中更新一個 URL，從 api.openai.com 重定向到您的 Ollama VPS。

無需更改代碼。無需重建工作流。只需更換一個 URL。

架構：Bubble → OpenAI 相容的本地 API

Bubble 工作流
     ↓（API 連接器調用）
您的 VPS（例如 Hetzner，14-26 美元/月）
     └── Ollama（提供微調的 GGUF）
          └── OpenAI 相容端點：http://your-vps:11434/v1
     ↓（回應）
Bubble 繼續使用 AI 輸出的工作流

在 Bubble 中設置 Ollama API 連接器

1. 在 Bubble 中創建 API 連接器：

   • API 根 URL：http://your-vps-ip:11434
   • 添加新 API：「LocalAI」

2. 添加聊天完成調用：

   • 方法：POST
   • 路徑：/v1/chat/completions
   • 標頭：Content-Type: application/json
   • 正文（JSON）：

   {
     "model": "your-fine-tuned-model",
     "messages": [
       {"role": "system", "content": "您的系統提示"},
       {"role": "user", "content": "<dynamic_input>"}
     ],
     "temperature": 0.1
   }

3. 映射回應：

   • 提取：choices[0].message.content

這與 OpenAI API 的結構相同。如果您在 Bubble 中已有 OpenAI 連接器，您只需複製它並更改 URL——10-15 分鐘的工作。

為 Bubble 用例進行微調

Bubble 應用程式通常將 AI 用於以下任務——這些都是絕佳的微調候選項：

分類和評分： 潛在客戶資格評定、工單路由、內容審核、情感分類。這些是最高 ROI 的微調任務：在 400 個標注示例上訓練的 7B 模型可達到 90-94% 的準確率，每次分類的邊際成本為零。

帶模板的內容生成： 跟進電子郵件、會議摘要、報告生成、產品描述。微調捕捉您的特定格式、語氣和領域詞彙。相比通用提示，輸出一致性大幅提升。

數據提取： 從非結構化文本輸入（聯繫表單、支援電子郵件、文件上傳）中提取結構化數據。在（輸入、JSON 輸出）對上微調可產生高度一致的結構化提取。

文字轉換： 摘要、重新格式化、領域內翻譯。對於具有一致輸入/輸出模式的任務，微調模型的品質可以媲美 GPT-4。

逐步遷移

步驟 1：識別您成本最高的 AI 工作流。 查看您的 OpenAI 使用量儀表板。哪個工作流產生最多 token？那就是您第一個遷移的候選。

步驟 2：從 Bubble 的數據庫匯出訓練數據。 您的 AI 輸出很可能存儲在您的 Bubble 數據庫中（或應該存儲）。以 CSV 匯出 400-800 個輸入/輸出對，轉換為 JSONL：

{"instruction": "為此潛在客戶生成跟進電子郵件：", "input": "姓名：John Smith，公司：Acme，詢問：企業計劃定價", "output": "嗨 John，感謝您對我們企業計劃的興趣..."}

步驟 3：在 Ertas 中微調。 上傳 JSONL，選擇基礎模型（Qwen 2.5 7B 適合大多數 Bubble 用例），訓練，匯出 GGUF。

步驟 4：在 VPS 上部署 Ollama。 Hetzner CX32（14 美元/月）可以處理針對 Bubble 典型工作流模式（短輸入、結構化輸出）微調的 7B 模型。加載您的 GGUF 文件，啟動 Ollama。

步驟 5：更新 Bubble API 連接器。 更改 API 根 URL。用示例工作流測試。部署。

遷移後的成本

與 gpt-4o-mini 相比的盈虧平衡：約每天 2,000-2,500 次觸發。與 gpt-4o 相比：低於每天 200 次觸發。

---

延伸閱讀

• Vibecoder AI 成本指南：所有平台 — 每個主要平台的成本懸崖
• Make.com + 本地 AI — Make.com 自動化工作流的相同方法
• n8n + Ollama 微調零成本堆疊 — 帶本地模型的自托管自動化
• 無代碼微調 AI — Ertas 訓練工作流的運作方式
• 本地運行 AI 模型 — 在 VPS 上設置 Ollama