14.5 亿 token，79 元：我让 DeepSeek 跑了一个月 Hermes Agent

今天 DeepSeek V4 Flash 正式版上线。

很多人在讨论两件事：评测成绩，和价格。

我看到消息后的第一反应，不是去看榜单，而是打开自己的 API 账单。

过去一个月，我通过 Hermes Agent 持续调用 DeepSeek：

消耗 14.5 亿 token，花费 79 元。

79 元，不是一两次试玩，不是跑几个 Demo，也不是为了截图刻意压成本。

而是一套真的每天在跑的个人 AI 系统，一个月的总算力成本。

看到这个数字，我真正被击中的点不是“又有一个便宜模型”。

而是：个人第一次真的有机会把模型当成基础设施来用。

这 79 元，跑的不是一次对话

先说清楚，这笔钱不是拿来聊天的。

它背后跑的是一套常驻的 Hermes Agent 系统。Hermes 负责调度任务，DeepSeek 负责理解、推理和生成，最后把结果送回不同流程里。

过去一个月，这套系统主要做了 5 类事。

1. 微博内容流水线

每天 6 轮。

自动抓取热点、筛选话题、分析是否值得写、生成草稿，再推送到飞书审核。

30 天累计大约跑了 180 轮。

如果这件事靠人工做，不只是“写一条微博”那么简单。前面还有找素材、判断热度、筛掉伪热点、定角度、生成初稿、回收失败样本这一串动作。

以前我会犹豫：这种高频但不一定每次都出成果的任务，值不值得一直调用模型？

现在这个问题基本消失了。

2. 每日复盘系统

每天晚上自动生成 4-3-2-1 复盘。

包括：

• 今天完成了什么
• 遇到了什么问题
• 有哪些新的思考
• 明天准备做什么

一个月累计生成 30 篇。

这类任务以前最容易被拖延。不是因为难，而是因为每天都要重新开一个口子，逼自己把脑子里的东西倒出来。

现在它变成了一个自动触发的动作。很多原本会散掉的想法，开始按天沉淀下来。

3. AgentLog 收件箱

多个 AI Agent 的运行日志，统一汇总到一个收件箱。

每天晚上自动整理：

• 今天 AI 做了什么
• 哪些任务失败了
• 哪些流程需要优化

这件事的价值不在“记录”，而在于系统终于能被复盘。

很多人会给自己做复盘，却很少给 AI 系统做复盘。结果就是工作流越搭越多，但失败点和重复错误一直埋着。

4. 健康数据分析

自动读取运动、睡眠等数据，结合历史趋势生成周期性分析。

以前这些数据都存在手表里，看过就过去了。现在它开始变成可解释、可对比、可追踪的记录。

这不是医疗，也不是专业诊断，但对个人来说，已经足够帮助我看到一些稳定模式：最近是不是睡少了，训练量是不是失衡了，恢复是不是在变差。

5. 每日知识推送

固定时间回推历史内容、知识卡片和旧素材。

单个动作都不复杂，但它解决的是另一个老问题：很多积累不是没有，而是不会自动回到你面前。

这些任务拆开看都不算惊人。

真正关键的是：

它们不是偶尔跑一次，而是每天都在跑。

AI Agent 最大的问题，往往不是能力，而是成本

很多人体验 AI，最常问的是：

“这个模型聪不聪明？”

但一旦你真的把 Agent 跑起来，问题会立刻换一个方向：

“这东西能不能持续跑下去？”

一次对话花几十万 token，不算什么。

可一旦进入系统化运行，成本结构就完全变了。因为你不再只为“回答一个问题”付费，而是在为一整套持续动作付费：

• 自动抓热点
• 自动整理资料
• 自动生成报告
• 自动分析数据
• 自动回收日志

这些任务最大的问题，不是单次贵不贵，而是你敢不敢让它长期开着。

以前我自己的使用习惯其实很明显受成本影响。

我经常会先问这几个问题：

• 这个任务真的值得调模型吗？
• 这个 Prompt 能不能再省一点 token？
• 这一轮要不要少跑几次？
• 失败重试一次，会不会又多花一笔？

如果每次调用之前都要先算账，很多自动化念头最后根本长不出来。

不是因为做不到，而是因为你在起步阶段就已经开始舍不得跑。

DeepSeek 改变的，不只是价格

过去一个月，我最深的感受并不是“DeepSeek 很便宜”。

而是它让“持续使用 AI”这件事，第一次有了足够低的心理门槛。

一个月：

• 14.5 亿 token
• 79 元
• 平均每天不到 3 元

这件事重要，不是因为账单数字好看。

而是因为它改变了我对模型的使用方式。

以前模型更像一个“要不要打开”的工具。

你有明确问题时，打开它；用完以后，关掉它。

现在它更像一个常驻后台的能力层。

你不用每次都重新决定“值不值得调用”，而是先把任务接进系统里，再看它能不能稳定地产生结果。

这两个阶段的区别非常大。

前一种用法，AI 只是一个更聪明的搜索框。

后一种用法，AI 才开始接近服务器、数据库、定时任务这类基础设施。

便宜，不等于能力不行

每次说到低价模型，都会有人问：

“是不是便宜，所以效果差很多？”

至少从我这一个月的使用看，在个人 Agent 场景里，DeepSeek 已经够用了。

内容生成

写草稿、做热点分析、整理观点，稳定性是够的。

它不一定每次都能给出最尖锐、最像人的表达，但放在内容流水线前半段，已经可以承担大部分脏活累活。

数据处理

日志总结、运动分析、信息归纳，这些高频任务没有明显短板。

它们本来也不需要“顶级创造力”，更需要的是稳定、低成本、可重复。

Agent 调度相关任务

大量重复任务持续运行时，没有出现那种“单次体验不错，一上强度就不行”的明显问题。

这点对 Agent 很重要。因为你要的不是一次惊艳，而是一个月里大部分时候都别掉链子。

当然，边界也很清楚。

如果是复杂推理、特别依赖细节判断的写作、或者必须追求顶级完成度的任务，顶级模型依然有优势。

但对很多个人自动化场景来说，真正卡住你的往往不是“最强效果差 10 分”，而是“能不能以足够低的成本，长期稳定地跑起来”。

这里有个变化，我觉得比参数和榜单更值得关注：

价格下降的，不只是调用成本，更是试错成本。

试错成本一低，很多以前不敢接进系统的任务，现在都可以先跑起来再说。

以前更像公司能力的东西，现在个人也能配一套

如果把时间往前拨几年，想搭这样一套系统，你大概率会先想到这些门槛：

• 需要服务器
• 需要工程团队
• 需要一笔像样预算
• 需要很谨慎地控制调用频率

现在门槛当然还没低到“谁都能一键拥有”。

你还是得会搭框架，会拆任务，会看日志，会修流程。

但最重的一块石头已经松了：算力成本不再天然把个人挡在门外。

一台服务器。

一个 Agent 框架。

一个低成本模型。

几十块钱。

一个人就能让一套 AI 工作流持续跑起来。

这不是简单的“便宜一点”。

而是个人第一次开始接近一种新的工作方式：把 AI 从临时帮手，变成长期运转的系统部件。

真正拉开差距的，不是谁用了 AI

未来模型一定还会继续变强，价格大概率也会继续往下走。

所以真正值得问的问题，已经慢慢不是：

“你有没有用 AI？”

而是：

“你有没有把 AI 变成自己的系统？”

有些人每天也在用 AI，但方式还是“打开，提问，关闭”。

另一部分人，开始让它持续做这些事：

• 收集信息
• 整理知识
• 生成初稿
• 跟踪数据
• 回收日志
• 辅助决策

两者的差别，不在模型名字，也不在提示词花样。

而在于有没有把模型嵌进自己的工作流，让它持续产生复利。

过去我们讨论 AI，常常是在问：

“我要不要用它？”

这一个月之后，我更常想的是：

“还有哪些原本靠我硬撑的重复动作，已经可以放心交给它长期跑？”

当模型成本低到接近水电，个人拥有自己的 AI 基础设施，这件事才算真正开始。

对我来说，79 元的意义就在这里。

它不是省下了一顿饭钱。

而是让我第一次比较确定地看见：个人版 AI 系统，不再只是技术爱好者的试玩项目，而是一种可以长期运行的现实选择。