KeyFrame內部研究專用

別再讓 AI 工作流只躺在本地!手把手教你部署 24/7 自動運行的 AI 自動化工作流

李哈利 | AI·6月19日週五·14 min中文

三句話摘要

AI工作流部署方案全解析——從本地定時到雲端自動化的完整工具指南。 工作流部署的選擇應根據場景分層:個人臨時任務用 Loop 最簡便,商業應用必須上雲,而 Railway 因其全能性和成本效益成為最佳通用選擇。 本地執行方案的侷限性:Claude Code 的 Loop 和 Local Routine 提供便捷的本地定時功能,但均依賴電腦運行,一旦關機或軟體關閉就會中斷服務,因此只適合個人使用,無法滿足商業應用的 24/7 連續運行需求。

重點整理

重點
  • 1

    本地執行方案的侷限性:Claude Code 的 Loop 和 Local Routine 提供便捷的本地定時功能,但均依賴電腦運行,一旦關機或軟體關閉就會中斷服務,因此只適合個人使用,無法滿足商業應用的 24/7 連續運行需求。

  • 2

    雲端部署的權衡取捨:Claude Remote Routine 將工作流上傳至 GitHub 在雲端執行,解決了本地依賴問題,但引入了執行頻率限制(最低每小時一次)和數量上限(15 個),需要確保配置完美以避免無權限限制下的錯誤擴大。

  • 3

    工具功能的分化:Mortal 和 Trigger.Dev 專為後端工作流最佳化,但無法處理複雜的 AI Agent;真正的 Agent 部署需要 VPS Hosting 或 Railway 這類全能平台的支持。

  • 4

    Railway 的全面優勢:作為一站式解決方案,Railway 支援前端、後端、PostgreSQL/MySQL 資料庫、最多 100 個 Cron 任務、實時儀表板等企業級功能,且價格合理(Pro 版 20 美元/月),最適合中小企業和商業項目的成本效益需求。

實用技巧與重點

乾貨
  • Claude Code 工具:
  • Loop 功能:自動定時觸發,可自訂間隔(示例為 2 分鐘),7 天後自動過期
  • CronCreate:設置特定時間執行工作流指令
  • CronDelete:取消已設置的定時任務
  • Local Routine:支援手動、每小時、每天、週間、每週執行
  • Remote Routine:需連結 GitHub Repo,Max Plan 限制 15 個自動化工作流
  • 第三方部署工具價格與功能:
  • Vercel:前端部署,免費方案可用
  • Mortal:Python 後端工作流,免費 + 30 美元/月額度
  • Trigger.Dev:後端工作流自動化,10 美元/月起
  • Railway:
  • Hobby Plan:免費
  • Pro Plan:20 美元/月
  • 支援 50-100 個 Cron 任務、PostgreSQL/MySQL、Node.js/Python、自託管選項
  • 支援連接多種資料庫和服務
  • 工具應用矩陣:
  • 無法執行 AI Agent 的工具:Loop、Local Routine、Mortal、Trigger.Dev
  • 可執行完整 AI Agent 的方案:Railway、VPS Hosting、遠端自託管 N8N
  • 使用場景分類:
  • 個人臨時任務→Loop(最簡單)
  • 個人複雜定時→Local Routine
  • 商業後端工作流→Mortal 或 Trigger.Dev
  • 商業全站應用和 AI Agent→Railway 或 VPS

結論

結論

工作流部署的選擇應根據場景分層:個人臨時任務用 Loop 最簡便,商業應用必須上雲,而 Railway 因其全能性和成本效益成為最佳通用選擇。

完整解析

詳細

當開發者使用 Claude 構建技能與自動化工作流時,面臨的首要挑戰是持久性問題:工作流只在電腦開啟期間運作,關機即停止。對於需要 24 小時連續服務交付或客戶解決方案的場景,這顯然無法接受。講者在此影片中系統梳理了從個人使用到企業級部署的完整工具生態。

本地執行的最簡單方案是 Claude Code 的 Loop 功能。使用者只需輸入自然語言指令(如「每兩分鐘提醒我發送一封電子郵件」),系統即自動建立 Cron 任務。這種方式設置極其便捷,但缺陷明顯:任務在 7 天後自動過期,且一旦關閉 Claude 應用或重啟電腦,任務執行立即中斷。這使其只適合個人的臨時性、低風險的任務。

Local Routine 提供了更強的靈活性,支援手動觸發、每小時、每天、週間或每週執行,用戶可精確控制時間和執行邏輯,甚至部署相對複雜的工作流。然而,這種方案仍然依賴於本地電腦的運行狀態,面臨同樣的「電腦關機 = 服務停止」的根本性問題。正因此,兩種本地方案都無法支撐商業應用。

為解決電腦依賴問題,Claude 提供了 Remote Routine——將工作流上傳至個人的 GitHub 倉庫,由 Claude 雲端服務器執行。這方案徹底打破了硬體綁定,但引入新的限制:執行頻率最低為每小時一次,無法滿足分鐘級高頻需求;Max Plan 用戶最多部署 15 個工作流。更重要的是,雲端執行時沒有權限限制,任何配置錯誤都會被直接執行,因此必須確保工作流配置完美無缺,否則後果嚴重。

針對純後端工作流(如定期郵件檢索、網頁爬蟲),Mortal 和 Trigger.Dev 是市場常見選擇。兩者均採按使用量計費模式,Trigger.Dev 起價 10 美元/月,Mortal 提供 30 美元/月免費額度。這類工具為後端任務優化,但共同缺陷是無法處理 AI Agent——此類複雜交互式智能應用需要更高級的部署基礎設施支持。

真正的突破來自 Railway 這類全能平台。Railway 不僅覆蓋前端、後端部署,還支援 PostgreSQL 和 MySQL、Cron 任務調度(免費版 50 個,Pro 版 100 個)、實時儀表板、自託管 N8N 等企業級需求。它相容 Node.js 和 Python,價格親民——Hobby Plan 免費,Pro Plan 僅需 20 美元/月。相比通常數千至數萬美元的項目預算,這點成本幾乎可忽略不計。講者認為 Railway 的一站式能力和合理定價,最符合目前中小企業及商業項目的實際需求。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。