Ertas 助力独立开发者与氛围编码应用

    构建 AI 应用的独立开发者和 vibe coder,可以用自己应用的数据微调更小的模型,摆脱 API 成本悬崖。Ertas 把昂贵的 API 依赖变成一个属于你的小模型:在你的领域数据上训练,托管成本低,而且不需要任何机器学习经验。

    The Challenge

    氛围编码革命使构建 AI 驱动应用变得极其简单。Cursor、Bolt.new、Lovable 和 Replit Agent 等工具让独立开发者和小型团队在数天内就能发布生产应用,几乎每个应用都包含 AI 功能——写作助手、智能搜索、自动分类器、对话界面。在开发和早期发布阶段,这些功能很便宜:每天几百次 API 调用,每次只需几分之一美分。但成本曲线是指数级的,而非线性的。一个在 100 个用户时每月 OpenAI API 费用为 12 美元的应用,在 8,000 个用户时可能达到 600 美元/月,在 40,000 个用户时达到 3,000 美元/月。大多数独立开发者在已经发布后才发现这个悬崖,当他们的 Stripe 收入仍以百元计而 API 账单以千元计时。

    问题比成本更深。通用基础模型在领域特定任务上产生平庸的结果,因为它们是在整个互联网上训练的,而不是在您应用的特定利基上。面向学术研究人员的写作助手需要与面向营销文案撰写人的不同输出,但除非您花数小时精心设计系统提示和少量示例,GPT-4 给两者相同的通用语调——而且这些在模型更新时还会不可预测地失效。供应商锁定加剧了风险:当 OpenAI 弃用一个模型版本或更改定价时,您的应用就会崩溃,利润一夜之间蒸发。独立开发者没有谈判筹码也没有替代方案——他们在没有租约的租来的土地上构建。

    The Solution

    Ertas 为独立开发者提供了一条无需写代码的路径,把昂贵的 API 依赖换成一个归自己所有的小模型。Studio 的可视化画布不要求机器学习专业知识:把应用的对话日志、用户交互或领域内容作为 JSONL 数据集上传(也可以在 Data Craft 中构建),选择一个小巧的开源基础模型,然后在 Ertas 的云端 GPU 上启动 LoRA 微调。训练出的模型从你的真实数据中学会应用的领域知识,需要的提示词少得多,而且小模型的运行成本远低于前沿 API。

    部署同样简单。从 Hub 下载训练好的 GGUF 文件,放到运行 Ollama 或 llama.cpp 的 VPS 上,再把应用的 API 调用从 api.openai.com 改为指向你自己的服务器。一台普通的 VPS 就能为小众应用运行量化后的小模型,只要用量还在这台服务器的承载范围内,账单就保持不变。Ertas 的免费套餐在验证银行卡后赠送 150 积分,付费套餐起价为每月 20 美元(截至 2026 年 11 月),持续训练只占预算中一笔固定的小开支。模型归你所有,供应商的弃用或调价从此不再卡住你的关键路径。想改进模型时,把应用日志中的新示例加进来,在 Studio 中再跑一轮微调,然后换上新的 GGUF 即可。

    Key Features

    Studio

    无代码微调

    Studio 的可视化画布是为做产品的开发者设计的,而不是为搭建机器学习流水线的人。拖入训练数据,选一个基础模型,调整少量参数,就能在 Ertas 的云端 GPU 上开始训练。无需 Python 脚本,无需调试 CUDA,也无需写训练器样板代码。

    Studio

    选择大小合适的模型

    Studio 的模型目录从小模型起步:LFM2.5 和 Gemma 3 1B 适合端侧设备和配置很低的服务器,Llama 3.2 3B、Qwen 2.5 3B 和 Phi-4 Mini 能满足大多数应用功能,任务需要更大余量时再用 7B 和 8B 模型。免费套餐可训练 5B 以下的模型。一个针对你的任务训练的 3B 模型,运行成本远低于大型通用模型,用你负担得起的硬件就能运行。

    Studio

    托管训练 GPU

    训练在 Ertas 的云端 GPU 上进行,你无需购买、租用或配置 GPU 实例。训练时长按积分计费,训练好的模型随后可以在你自己的廉价 VPS 或用户的设备上运行。

    Hub

    下载、托管、持续改进

    Hub 会列出你训练过的所有模型。把模型下载为 GGUF,用于 Ollama、llama.cpp 或 LM Studio,部署在应用所在的任何地方,运行时不依赖 Ertas。把新的对话、修正和用户偏好的输出整理成示例,在 Data Craft 中管理版本并批准,然后重新训练。训练数据会上传到 Ertas 的云端 GPU,上传前请先去除个人信息。

    Example Workflow

    一位独立开发者用 Cursor 和 Next.js 为学术研究人员开发了一款 AI 写作助手,通过 OpenAI API 调用 GPT-4o 完成文本建议、引用格式化和摘要生成。上线时有 200 名测试用户,API 费用每月 45 美元,尚可承受。六个月后,应用的月活用户达到 8,000,每月产生 95,000 次 API 调用,OpenAI 账单涨到每月 620 美元,超过了应用每月 480 美元的订阅收入。开发者注册了 Ertas,从应用数据库导出三个月经过匿名化的 API 调用日志(输入提示词和用户保留下来的输出),得到一个包含 28,000 条示例的 JSONL 训练集,并预留 500 条用于测试。在 Studio 中,他用 LoRA 针对三项任务微调 Phi-4 Mini,同时在 Qwen 2.5 3B 上并行训练第二个模型进行比较。他把两个模型都下载为 GGUF,在 Ollama 中用预留示例运行,与 GPT-4o 的回答放在一起对比,最后留下建议和引用质量更让他满意的那个模型。这个模型部署在一台运行 Ollama 的小型 ARM VPS 上,位于应用现有的 API 网关之后,应用的 API 调用全部改为发往这台服务器。每月成本变成 VPS 费用加上一个 Ertas 套餐,是一笔固定开支,不再随着每个新用户上涨。此后每个月,开发者都把新日志加入数据集,并在 Studio 中重新训练。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.