Vibecoder 的退出策略：從平台鎖定到完全所有權

你快速發布了。Lovable 做前端，OpenAI 做大腦，Vercel 做托管。感覺像自由。你在一個週末建立了一個 AI 驅動的應用程式，在一週內獲得了你的前 500 個用戶，開始收費 19 美元/月。日子過得很好。

然後 OpenAI 漲價了。然後他們棄用了你整個產品都建立在其上的模型。然後你收到了一張讓你胃下沉的 Vercel 帳單。然後你意識到了一些不舒服的事情：關於你應用程式最有價值部分的任何東西你都不擁有。

讓用戶付費的 AI 功能——分類、摘要、智能推薦——所有這些都在別人的基礎設施上、別人的模型上、在別人的服務條款下運行。你在按月租用你業務的引擎，這個租約可以隨時改變。

這不是假設。它現在正發生在成千上萬個快速發布、現在陷入困境的 vibecoder 身上。但有一條出路。它從了解你實際擁有什麼、你不擁有什麼開始，並建立一個具體的計劃來奪回控制。

你沒有意識到的鎖定

當你用 AI API 建立時，鎖定是微妙的。它不像鎖定，因為你在寫程式碼、選擇呼叫哪個 API 並設計你自己的提示詞。感覺像所有權。它不是。

當你用像 OpenAI、Anthropic 或 Google 這樣的供應商建立時，你實際上依賴的是：

模型存取：你的應用程式呼叫 gpt-4o 或 claude-3.5-sonnet。如果那個模型被棄用，你需要重寫和重新測試你應用程式中的每個提示詞。OpenAI 在過去兩年中棄用了六次模型。每次，開發者都忙著應對。

定價變化：OpenAI 在 2024 年將 GPT-4 Turbo 的定價削減了 50%，聽起來很好——直到你意識到他們也可以在 30 天通知的情況下提高 50%。你的整個單位經濟學都受制於別人的定價委員會。

頻率限制和配額：在流量高峰期達到你的頻率限制？你的用戶看到錯誤。你無法通過寫更好的程式碼來解決這個問題。你只能通過支付更多或希望供應商增加你的配額來解決。

資料流：每個用戶請求、每條上下文、用戶上傳的每份文件都流過第三方伺服器。你信任那個供應商保管你用戶的資料、你的競爭情報和你的提示詞工程——你產品的實際知識產權。

服務條款：供應商可以隨時更改他們的可接受使用政策。有一天你的使用場景沒問題；第二天它違反了他們的條款。這在內容生成、醫療建議和法律文件處理方面都發生過。

這些都不會出現在你的程式碼中。你的程式碼庫看起來像你擁有一切。但最有價值的層——AI 層——完全是借來的。

AI 所有權的三個層次

不是所有的 AI 整合都是平等的。了解你所在的位置有助於你規劃去哪裡。

第一層：API 消費者

這是大多數 vibecoder 開始的地方。你向 API 發送提示詞，得到回應，並向用戶顯示它們。

在第一層，你本質上是一個轉售商。你批發購買 AI 能力並零售出售。你的利潤是你向用戶收費與 API 向你收費之間的差額。這在批發價格改變之前是有效的。

風險等級：高。一次定價變化或棄用可以破壞你的業務。

第二層：提示詞擁有者

在這個層次，你在提示詞工程上投入了大量努力。你有系統提示詞、少量示例、RAG 管線，甚至可能有評估資料集。你的提示詞是你產品的秘密武器。

第二層更好，但脆弱。當供應商更新模型時，你精心調整的提示詞可能會中斷。GPT-4 到 GPT-4 Turbo 破壞了數千個生產提示詞。Claude 3 到 Claude 3.5 以微妙的方式改變了輸出格式。每次模型更新都是潛在的回歸。

風險等級：中高。你擁有更多，但你仍然建立在沙土上。

第三層：模型擁有者

在第三層，你擁有一個微調模型。你取了一個開源基礎模型，在你的特定資料上訓練它，並可以在任何地方運行它——你自己的伺服器、VPS、你客戶的基礎設施。

在第三層，沒有人可以提高你的價格、棄用你的模型或改變你的服務條款。你的 AI 在你控制的硬體上運行。你的模型按你的計劃改善。你的成本是固定和可預測的。

風險等級：低。你擁有技術棧。

為何所有權對 Vibecoder 很重要

「但我只是一個獨立開發者。我不需要擁有一個模型。」你可能這樣想。以下是你為什麼錯了。

出售你的應用程式

如果你想出售你的產品——無論是人才收購、在 Acquire.com 上的微型收購，還是與更大公司的交易——買家會問一個關於你的 AI 的問題：「如果 OpenAI 改變他們的定價會怎樣？」

如果你的答案是「我們將不得不承擔成本或提高價格」，你剛剛失去了談判籌碼。如果你的答案是「我們擁有在每月 30 美元的 VPS 上運行的微調模型」，你剛剛成為了一個更有吸引力的收購目標。

在 Acquire.com 和 MicroAcquire 等市場上，擁有自有 AI 基礎設施的 SaaS 產品的倍數比依賴 API 呼叫的相同產品高 1.5-2 倍。買家知道 API 依賴是資產負債表上的負債。

控制你的利潤

假設你收費 19 美元/月，每個用戶的 AI API 成本是每月 3.50 美元。那是 82% 的毛利率。不錯。

現在假設 API 供應商提高價格 40%（OpenAI 做過這種幅度的變化）。你每個用戶的成本跳到 4.90 美元/月。你的利潤率降到 74%。那可能聽起來不是災難性的，但如果你有 2,000 個用戶，你剛剛失去了每月 2,800 美元的利潤——每年 33,600 美元——而你沒有更改一行程式碼。

在 VPS 上的微調模型，你在 2,000 個用戶時每個用戶的成本約為每月 0.015 美元。你的利潤率是 99.9%。而且沒有人可以改變它，只有你能。

在 API 定價變化中生存

這不是理論上的。以下是破壞獨立產品的 API 定價變化的簡要歷史：

• 2024 年 3 月：OpenAI 棄用了 gpt-3.5-turbo-0301。使用它的應用程式不得不遷移和重新測試。
• 2024 年 11 月：Anthropic 調整了 Claude 定價層級，影響了高流量用戶。
• 2025 年 1 月：OpenAI 引入了新的頻率限制層，限制了一直正常工作的應用程式。
• 2025 年 9 月：Google 重組了 Gemini API 定價，破壞了數百個應用程式的成本預測。

這些事件中的每一個都讓獨立開發者忙著應對。有些人損失了錢。有些人失去了用戶。有些人關閉了。

隱私合規

如果你服務歐洲用戶（GDPR）、醫療用戶（HIPAA）或企業客戶（SOC 2），將資料發送到第三方 AI API 會產生合規責任。你需要資料處理協議，你需要審計供應商的做法，你需要希望他們不改變他們的資料處理方式。

使用自托管模型，你的資料永遠不會離開你的基礎設施。合規變得戲劇性地更簡單。

通往第三層的路徑：擁有你的模型

從第一層或第二層移到第三層聽起來令人生畏。它不是。以下是實際路徑。

步驟一：收集你的 API 資料

你每天都在生成訓練資料。你的應用程式進行的每個 API 呼叫都是一個訓練示例：你發送的輸入和你得到的輸出。大多數開發者把這些扔掉了。

開始記錄每個 API 請求和回應。以簡單的 JSON 格式存儲它們：

{
  "instruction": "將這個支援票分類為帳單、技術或功能請求",
  "input": "我似乎無法從上個月下載我的發票...",
  "output": "帳單"
}

對大多數任務，你需要大約 200-500 個高品質的示例。如果你的應用程式每天處理 100 個 API 呼叫，你將在一週內有足夠的資料。

步驟二：用 Ertas 微調

將你的資料集上傳到 Ertas。選擇基礎模型——Qwen 2.5 7B 非常適合分類和提取，Llama 3.1 8B 適合生成任務。配置你的訓練運行並點擊開始。

Ertas 處理 GPU 分配、超參數調整和訓練迴圈。對 500 個示例的典型微調工作在 20-40 分鐘內完成，成本是你為雲端 GPU 時間支付的一小部分。

Builder 方案每月 $25，你每月獲得 5 次訓練運行、GGUF 匯出和資料集管理。這比大多數 vibecoder 在一天的 OpenAI API 呼叫上花費的還少。

步驟三：匯出 GGUF

訓練完成後，將你的模型匯出為 GGUF 檔案。GGUF 是本地模型部署的標準格式——這是 Ollama、LM Studio 和 llama.cpp 使用的格式。你的模型現在是一個你可以複製、備份和部署到任何地方的單個檔案。

這個檔案是你的。你可以把它放在 USB 硬碟上。你可以通過電子郵件發送它。你可以將其部署到 100 台伺服器上。沒有授權金鑰，沒有 API 驗證，沒有使用追蹤。它是一個檔案。你擁有它。

步驟四：用 Ollama 部署

啟動一個每月 30 美元的 VPS（Hetzner、DigitalOcean 或 Vultr 都可以）。安裝 Ollama。加載你的 GGUF 檔案。你的模型現在在與 OpenAI API 格式相容的 API 端點後面運行。

在你的應用程式程式碼中更改一行——API 基礎 URL——你的應用程式現在在你自己的模型上運行。不再按 token 計費。不再有頻率限制。不再有棄用焦慮。

微調後你實際擁有的東西

讓我們精確了解微調給你什麼。

LoRA 權重：這些是讓基礎模型執行你特定任務的訓練參數。它們通常是 50-200MB——足夠小，可以通過電子郵件發送、版本控制或存儲在雲端存儲中。

訓練資料：你用於微調的資料集。這可以說是你最有價值的資產，因為你可以用它在新的基礎模型上重新訓練，隨著它們的發布。當 Llama 4 出來時，你只需在你現有的資料上重新訓練。

GGUF 匯出：完整的、可部署的模型檔案。對量化為 Q4 的 7B 模型，通常為 4-8GB。這在任何 Ollama 運行的地方都能運行。

部署：你選擇它在哪裡運行。你的 VPS、你的客戶伺服器、你的筆記型電腦用於開發。模型不會打電話回家。它不需要網路連接。它不向任何人報告使用情況。

版本歷史：使用 Ertas，你可以追蹤模型版本，比較評估結果，如果新的訓練運行沒有改善，可以回滾。這是你模型的更新日誌。

退出劇本：30 天內從 API 依賴到自托管

以下是一個具體的週計劃。

第一週：審計和收集

• 列出你應用程式中的每個 AI API 呼叫。對每個，記下任務（分類、生成、提取等）、流量（每天的呼叫次數）和成本。
• 開始記錄每個 API 呼叫的輸入/輸出對。以 JSONL 檔案存儲它們。
• 按任務類型對 API 呼叫分組。你可能會發現 2-4 個不同的任務類別。

第二週：準備和訓練

• 清洗你收集的資料。移除重複項，修復格式，丟棄低品質的示例。
• 每個任務類別目標是 200-500 個示例。
• 上傳到 Ertas 並開始你的第一次微調運行。從你流量最高、最簡單的任務開始（通常是分類）。
• 匯出 GGUF 檔案。

第三週：測試和比較

• 在你的開發機器上設置 Ollama。加載 GGUF 模型。
• 通過 API 模型和你的微調模型都運行你的評估資料集。比較準確率、延遲和輸出格式。
• 對於大多數分類和提取任務，你的微調 7B 在你的特定領域上將與 API 模型相當或更好。
• 為剩餘的任務類別微調額外的模型。

第四週：部署並切換

• 配置你的 VPS。安裝 Ollama。部署你的模型。
• 更新你的應用程式以指向你的 Ollama 端點而不是 OpenAI API。
• 並行運行兩者 3-5 天，在實時流量上比較輸出。
• 完全切換。取消你的 OpenAI 訂閱。

所有權成本 vs 依賴成本

讓我們比較一個有 2,000 個月活躍用戶平均每天 20 個 AI 請求的應用程式在 12 個月內的兩條路徑。

路徑 A：繼續使用 API（第一層）

記住：這些成本中的任何一個都可以在你不同意的情況下隨時增加。

路徑 B：擁有你的模型（第三層）

年度節省：4,386 到 4,626 美元。 對獨立開發者來說，這是真實的錢。

但真正的價值不是節省——而是可預測性。路徑 B 這個月、下個月和明年都花費相同。沒有人可以在沒有你允許的情況下更改你的帳單。

收支平衡時間線

路徑 B 的前期投資大約是你用於遷移的 2-3 天時間，加上你第一個月的 Ertas（$25）。你在第一個月就收支平衡。到第三個月，你已節省了 1,000 多美元。到第十二個月，你節省了足夠的錢來資助你的下一個產品。

創始人的角度：為何所有權對退出很重要

如果你在建立，最終打算出售——每個創始人至少應該考慮這種可能性——AI 所有權會大幅改變你的估值。

以下是收購方評估的內容：

毛利率：依賴 API 的應用程式通常在 AI 功能上有 70-80% 的毛利率。自托管的應用程式有 95-99% 的毛利率。更高的利潤意味著更高的倍數。

防禦性：「我們擁有一個在 18 個月的特定領域資料上訓練的微調模型」是可防禦的護城河。「我們呼叫所有人都呼叫的相同 API」不是。

可擴展性風險：收購方模擬當你達到當前用戶數量的 10 倍時會發生什麼。API 成本隨用戶線性擴展。自托管成本對數地擴展——你可以在需要升級 VPS 之前將用戶增加 5 倍。

單點故障：每個 API 依賴都是盡職調查中的風險。收購方會為可能破壞你產品的每個外部依賴項對你的估值打折。

資料資產：如果你已經收集並整理了你領域的訓練資料集，那個資料集有獨立的價值。它是一個可以在未來基礎模型上重新訓練、適應新任務或用於為更複雜功能微調更大模型的專有資產。

真實數字

擁有 AI 的獨立 SaaS 產品通常以年收入的 4-6 倍出售。具有相同收入的 API 依賴產品以 2.5-4 倍出售。在每月賺 10,000 美元（每年 120,000 美元）的產品上，這是 300,000 美元退出和 720,000 美元退出之間的差異。

令人不舒服的真相

vibe 編碼生態系統是了不起的。Lovable、Bolt.new、Cursor——這些工具已經使軟體創建民主化。但它們也創造了一代快速發布但不擁有任何東西的建構者。

你的前端程式碼是你的。你的資料庫是你的。你的用戶關係是你的。但 AI 功能——讓你的產品有價值的東西、用戶為之付費的東西——那是租來的。

你在第一層的每個月，你都在承擔一個計算風險：賭你的 API 供應商不會提高價格、棄用模型、改變條款，或在最糟糕的時刻出現故障。而每個月，隨著你的用戶數量增長和你的依賴加深，那個賭注變得更有風險。

通往第三層的路徑並不複雜。它需要大約 30 天。每年為你節省數千美元。它將你的產品從脆弱的 API 包裝器轉變為可防禦的、被擁有的業務。

開始的最佳時機是你第一次發布應用程式的時候。第二好的時機是現在。

延伸閱讀

• 從 Cursor 到生產：無供應商鎖定地發布 AI 功能 — 從第一天起就建立你真正擁有的 AI 功能的指南。
• 你的 Vibe 編碼應用程式達到了 10K 用戶。現在你的 AI 帳單是每月 3,000 美元。 — 每個 vibecoder 都會遇到的成本規模化問題，以及如何解決它。
• 獨立應用程式的自托管 AI：完整指南 — 關於在實惠的硬體上運行你自己的模型你需要了解的一切。