0元跑AI系统6个月：我用24GB内存硬撑7×24小时生产环境，单点故障随时炸

所有人都告诉你AI基础设施很贵，但有人已经用$0跑了半年生产系统——不是Demo，是7×24小时处理真实客户请求。代价是什么？没有Kubernetes，没有托管服务，单点故障随时可能炸。这到底是抠门奇迹还是技术自杀？

Oracle的"永久免费"不是陷阱，是设计约束

Oracle Cloud的Always Free tier给了AWS和GCP不愿给的东西：4核ARM64、24GB内存、200GB存储，永久免费，不是12个月试用期。我的整套多智能体基础设施就跑在圣保罗的一台Oracle实例上。

约束条件决定了所有架构选择：

• 单区域部署，没有地理冗余
• ARM64架构需要谨慎管理依赖
• 出口带宽受限（10TB/月，但有节流）
• 零托管服务，只有裸计算资源

实际资源分配如下：

多智能体系统（PM2）    ：~2GB内存Redis（状态/队列）      ：~500MB内存PostgreSQL（对话历史）  ：~1.5GB内存Nginx（Webhook端点）    ：~200MB内存系统开销               ：~1.5GB内存持续使用总计           ：~6GB/24GB

剩下18GB留给突发处理、模型响应缓存，以及偶尔失控的智能体内存泄漏。Node.js智能体在生产环境泄漏是常态，假装没这回事是自欺欺人。

智能体编排：PM2不是Kubernetes，但够用

没有K8s，我用PM2管理8个核心智能体进程。每个智能体有独立的重启策略：内存超1.5GB自动重启，15分钟内崩溃3次则冻结30分钟。

关键设计：智能体无状态，所有上下文扔Redis。一个智能体崩溃，PM2重启，从Redis恢复上下文，客户无感知。平均恢复时间8秒，比某些托管服务的冷启动还快。

代价？Redis单点故障等于全军覆没。我每周手动备份一次RDB到本地NAS，接受最多丢1小时数据的风险。

数据库：PostgreSQL的暴力美学

1.5GB内存跑PG听起来疯狂，但配置调优后TPS稳定在200+。秘诀：禁用fsync（接受崩溃丢几秒数据），shared_buffers压到256MB，work_mem砍到4MB。

对话历史表按客户ID分区，30天自动归档到压缩JSON文件。当前活跃数据永远小于500MB，查询永远走索引。

网络：10TB带宽的精打细算

智能体调用OpenAI API是最大开销。我的解法：本地缓存Embedding结果（相似度>0.95直接复用），模型响应按请求指纹缓存4小时。缓存命中率37%，每月省下约$200 API费用。

Webhook入口用Cloudflare Tunnel（免费层），绕过Oracle的带宽计费。延迟增加80ms，但零成本。

故障实录：当"免费"露出獠牙

第4个月，圣保罗区域网络中断4小时。我的系统彻底离线，没有多区域 failover，没有SLA可以索赔。客户收到504错误，我在Telegram群手动道歉。

第5个月，一个智能体陷入死循环，24小时内吃掉18GB内存，触发OOM killer，连带Redis一起崩溃。恢复花了2小时，丢失47个进行中的对话。

这些不是"如果"，是"已经发生的代价"。

谁该尝试，谁该绕道

适合：月活<1万、数据可丢几分钟、团队能7×24小时on-call的早期项目。你的时间成本<$500/月时，这笔账才算得过来。

不适合：需要合规认证、客户要求99.9% SLA、团队没人愿意凌晨3点修服务器的场景。免费基础设施的隐性成本是睡眠和头发。

6个月零账单是真的。但账单只是成本的一种形式。