我花了两天，用AI帮我抢到了一台免费的云服务器——然后在上面跑起了自己的AI

一个 AI 小白用 Claude in Chrome 全程操控浏览器，从零开始申请 Oracle Cloud 免费层、搭建 AI 智能体平台、部署本地大模型的真实记录。很多技术概念，是东西装好之后才慢慢搞懂的。

序：那个"永久免费"的诱惑

如果你关注过云计算，你一定听说过 Oracle Cloud 的免费层（Always Free）。

它有一个让所有人都眼红的资源：4 OCPU + 24GB RAM 的 ARM 服务器，永久免费，不限时间。

对比一下：AWS、Azure、Google Cloud 的免费层，基本都是 1GB 内存以下的小玩意儿，够你跑个 Hello World。Oracle 给的这台，相当于一台真正可以做事的服务器——跑 Docker、部署 Web 应用、甚至跑本地 AI 大模型，都没问题。

但所有人都知道，这个资源有一个出了名的坑：抢不到。

Oracle Toronto 区域的 ARM 实例，几乎全年处于"Out of Capacity"（容量不足）状态。你填好表单点击创建，系统会直接报错，让你明天再来。明天来了继续报错。很多人等了几个月，从来没成功过。

这是我抢到之前对这件事的基本认知。

然后我决定试试。

第一天：账号、安全、网络——AI 帮我一步一步走

那是 2026 年 5 月 11 日，我打开了 Oracle Cloud 的控制台，准备开始设置。

我的底层需求很清楚：我想要一台自己的服务器，不依赖任何商业 AI API，在上面跑一个属于自己的 AI 智能体——能联网、能记忆、能处理我的私人知识库，同时成本接近零。

但我对 Oracle Cloud 几乎完全陌生——不只是 Oracle，对整个云计算和服务器这套东西，我都是门外汉。控制台界面对新人本来就不友好，各种术语——Compartment、VCN、Subnet、Security List、Route Table——光看名字就已经晕了。我当时的真实状态，是连这些词是什么意思都不知道，只是在 Claude 的带领下一步一步往下走，做完了再问"这个是干什么的"。

这时候我用了一个最近在玩的功能：Claude in Chrome。

这是 Anthropic 的一个 Beta 功能，可以让 Claude 直接控制你的浏览器——它能看到你的屏幕，能点击按钮，能填写表单，能截图分析页面状态。你坐在旁边，它帮你操作。

我把 Oracle Cloud 的标签页打开，对 Claude 说：“我申请了 Oracle Cloud 账号，想利用它的 free tier，我现在已经 login，不熟悉它的功能和设置，你能帮我恰当地设置吗？”

然后……它就开始干活了。

第一步：账号安全

Claude 告诉我，在做任何事之前，先要保护好账号。它导航到 Identity 设置，帮我确认 MFA（多因素认证）已经开启——我的 iPhone 上有 Authenticator App，这个已经配好了。

然后它帮我创建了一个 Budget Alert（预算预警）：命名为 free-tier-alert，每月 $1 触发通知。

这一步的意义是：就算因为某个误操作产生了费用，系统会立刻发邮件提醒你，不会等到账单来了才发现。

第二步：搭建网络基础设施

云服务器不是孤立存在的，它需要网络环境。Oracle 把这套网络叫做 VCN（Virtual Cloud Network，虚拟云网络）。

Claude 帮我依次创建了：

VCN：main-vcn，IP 段是 10.0.0.0/16。这是整个私有网络的"地块"，16 位掩码意味着里面可以容纳 65000 多个 IP 地址，够用了。

Internet Gateway：main-igw。这是网络的"大门"，让 VCN 里的机器可以和互联网通信。没有这个，服务器就是个没有网的黑盒子。

Public Subnet：public-subnet，IP 段 10.0.0.0/24。这是 VCN 里的一个"子网区域"，放公网可访问的资源。

Route Table：配置了一条路由规则，把所有发往外网的流量（0.0.0.0/0）指向 main-igw。这是让内网机器能访问互联网的关键。

这些操作，如果让我自己来，至少要对着文档摸索一两个小时，还可能漏掉某个配置导致后面连不上网。Claude 直接把整个流程走完，我在旁边看着，偶尔确认一下。

第三步：生成 SSH 密钥

SSH 密钥是连接服务器的"钥匙"。Claude 指导我在 Windows 11 的终端里运行：

ssh-keygen -t ed25519 -C "oracle-cloud"

生成了一对密钥：

私钥：存在 C:\Users\我的用户名\.ssh\id_ed25519，只放在本地，绝对不能外传
公钥：ssh-ed25519 AAAAC3NzaC1lZDI1NTE5AAAAIIEqCOGB6khFoLznlw0s3Efu5pnUTde9pOIm6zYnzV33 oracle-cloud，这个要填入 Oracle 创建实例时的表单

这就是所谓的"非对称加密"：公钥可以公开，私钥自己保管，两者配合才能建立连接，不需要密码。

到这里，所有准备工作都完成了。可以开始创建服务器了。

最大的坎：ARM 容量抢占战

Oracle Cloud 的 ARM Ampere A1 实例，规格是这样的：

OCPU：4 核（Oracle 自定义的 CPU 单位，大约等于 2 个物理核心）
内存：24 GB
存储：50 GB
价格：永久免费

我填好了所有参数：

形状：VM.Standard.A1.Flex
OCPU 数量：4
内存：24 GB
操作系统：Ubuntu 22.04
SSH 公钥：粘贴进去

然后点击"Create"。

Out of capacity.

好，再试。

Out of capacity.

再试。

Out of capacity.

这是所有人都会遇到的墙。Toronto（ca-toronto-1）的 AD-1 可用区，常年容量不足。没有时间规律，没有通知，就是一遍遍报错。

这期间还发生了一个我自己犯的错误：

有一次终于显示创建成功了，我高兴坏了，结果仔细一看——创建出来的是 E2.1.Micro + Oracle Linux。这是 Oracle 默认的 AMD 小实例，不是我要的 ARM，内存只有 1 GB。我当时操作太快，没有检查表单的默认值，Oracle 的 UI 在某些情况下会默认回到 AMD 规格。

发现问题之后，我把那台错误的实例终止了，重新来。

重试过程中还有一个坑：连续点击"Create"太快，触发了 Oracle 的 Rate Limit（频率限制），直接返回"Too many requests"错误。解决方法是每次重试间隔 30 秒以上，不能无脑狂点。

就这样反复尝试，一直到 5 月 12 日凌晨，Toronto 那边悄悄释放了容量。

终端显示：Create instance — Succeeded.

实例状态：Running.

拿到服务器之后：防火墙、SSH、Docker

有了实例，还不能直接用。需要做几件事：

防火墙配置

Oracle 的安全模型分两层：

Oracle Security List：云层面的防火墙，控制哪些端口对外开放
服务器内的 iptables：系统层面的防火墙，Ubuntu 默认会把很多端口屏蔽

Claude 帮我在 Oracle 控制台的 Security List 里开放了 Port 22（SSH）、80（HTTP）、443（HTTPS）。

然后 SSH 登录服务器之后，又配置了 iptables 规则，允许这三个端口的入站流量，并用 netfilter-persistent save 把规则持久化——重启服务器之后规则还在，不需要重新设置。

SSH 登录验证

ssh ubuntu@155.248.xxx.xxx -i ~/.ssh/id_ed25519

第一次连上去的感觉，很难描述。一个真实的 Linux 终端，4 OCPU，24 GB 内存，free -h 显示 23.4 GB 可用——这台机器是真实的，而且是免费的。

安装 Docker

sudo apt update
sudo apt install docker.io docker-compose -y
sudo systemctl enable docker
sudo systemctl start docker

Docker 29.0.3 安装完成，ARM 架构，运行正常。

至此，服务器环境准备完毕。

第二阶段：部署 AI 智能体平台

拿到服务器是目的，不是终点。我真正想要的，是在上面跑起来一个 AI 系统。

为什么要自己跑模型？

现在 AI API 很多，Claude、GPT-4、Gemini，随用随到，为什么还要自己部署？

几个原因：

隐私：我有自己的笔记库（Obsidian），里面有很多私人思考、投资分析、阅读记录。我不想把这些数据发给任何第三方 API。

成本：AI API 的 token 费用，用量大了会很贵。一台免费服务器加上本地模型，边际成本接近零。

自主性：我想要一个完全由自己控制的 AI，不受任何服务商的政策限制，不会因为 API 涨价或停服而中断。

选择 Dify

AI 智能体框架有很多：LangChain、AutoGPT、n8n、Flowise……我选了 Dify。

原因：

有完整的 Web UI，不用写代码也能配置 AI 工作流
支持 Docker 一键部署
ARM 架构官方支持
内置知识库（RAG）功能，可以连接本地文档
活跃维护，中文社区好

选择 Ollama + Llama 3.1 8B

本地大模型的运行时，选了 Ollama。

Ollama 的优势是对 ARM 架构的原生支持非常好，在 Apple Silicon 和 ARM Linux 上都有大量优化。

模型选的是 Llama 3.1 8B Q4 量化版：

模型文件大小约 5 GB
24 GB 内存跑起来绰绰有余（加上 Dify 的各种服务，总内存占用大约 18-20 GB）
Q4 量化：把模型权重从 32 位浮点压缩到 4 位整数，精度略有损失，但大幅减少内存占用和推理时间
在纯 CPU 上，推理速度大约 5-10 token/秒——慢，但对于个人工具来说够用

这台服务器没有 GPU，所有推理都是 CPU 计算。如果你对速度有要求，这不适合作为高并发服务，但作为个人工具，等几秒钟出结果完全可以接受。

部署过程

整个部署用 docker-compose 完成，Claude 帮我编写了配置文件，把 Dify 和 Ollama 放在同一个 Docker 网络里，Dify 可以直接访问 Ollama 的 API。

最终跑起来的容器包括：

Dify API 服务
Dify Web 前端
Dify Worker（处理异步任务）
Dify Sandbox（代码执行环境）
PostgreSQL（数据库）
Redis（缓存和队列）
Nginx（反向代理）
Ollama（模型推理服务）

12 个容器全部 Up，服务正常运行。

整个过程里，AI 帮我做了什么

回顾整个过程，Claude 参与了哪些环节？

浏览器操控：通过 Claude in Chrome，Claude 直接在 Oracle 控制台里帮我点击、填写、导航，不需要我逐步截图发给它再解释。这省去了大量"描述 UI 状态"的沟通成本。

问题诊断：当我说"好像出错了"，Claude 能直接看到页面，判断是 Rate Limit 报错还是容量问题，给出具体的处理方案。

配置生成：docker-compose.yml、iptables 规则、Nginx 配置，这些我自己写要花时间查文档和调试，Claude 直接生成可用的版本。

架构规划：我描述了我的需求——隐私、低成本、AI 工作流、本地模型——Claude 帮我选了 Dify + Ollama 这个组合，并解释了为什么这个组合适合我的情况。

知识补全：说实话，整个过程里我是先做、后懂。VCN 是什么、SSH 非对称加密怎么工作、Q4 量化是怎么回事、ARM 架构为什么特殊——这些概念，我都是在东西装好之后，回头问 Claude"这个我们刚才配的东西到底是干嘛的"，才慢慢搞清楚的。不是在理解之后再操作，而是操作完了再理解。这种方式也挺好的，至少不会被概念卡住，先跑起来再说。

踩坑总结：如果你也想申请

如果你打算去抢 Oracle Cloud 的 ARM 免费实例，这些是我的真实经验：

一、ARM 容量没有规律，但凌晨相对容易。Toronto AD-1 白天几乎全是 Out of Capacity，凌晨偶尔会有容量释放。不过这也不是绝对的，纯粹是碰运气加耐心。

二、每次重试都要核对规格。Oracle 的新版 UI 有时候会把 Shape 和 OS 默认回去，不要以为上次填的还在，每次提交前扫一眼：Shape 是 VM.Standard.A1.Flex，OCPU 是 4，内存是 24 GB，OS 是 Ubuntu 22.04。

三、SSH Key 在新版 UI 里的位置变了。不是在独立的步骤里，而是在 Step 3 Networking 下面。很容易漏填。漏填之后没法补救，只能终止重建——SSH Key 在实例创建之后无法添加。

四、重试间隔保持 30 秒以上，避免触发 Rate Limit。

五、创建成功之后立刻记录公网 IP。Oracle 不会发邮件通知你 IP 是什么，要自己进控制台查。

六、注意区分 Oracle 防火墙和服务器 iptables。两层都需要配置，只开了 Oracle 这层，服务器本身的 iptables 还会拦截流量。

结果：我现在有什么

一台运行在 Oracle Cloud Toronto 区域的 ARM 服务器：

IP：155.248.xxx.xxx
规格：4 OCPU / 24 GB RAM / 50 GB 存储
系统：Ubuntu 22.04
费用：$0/月，永久

在这台服务器上运行的服务：

Dify：AI 智能体平台，可以通过 Web 界面配置各种 AI 工作流
Ollama + Llama 3.1 8B：本地大模型，数据不出服务器
Nginx：反向代理，负责 HTTPS 和域名解析

我下一步计划把 Obsidian 笔记库接进来，让 AI 能基于我的知识库回答问题——真正属于我的私人 AI 助理，不是任何云服务的订阅用户。

最后说一句

很多人觉得"部署自己的 AI"是一件很复杂的事，需要很强的技术背景。

这次经历让我重新想了想这件事。

我不是运维工程师，也不是云计算专家，说实话连 AI 小白都算不上夸张——开始这个项目之前，我不知道 VCN 是什么，不知道 SSH 密钥和密码的区别，不知道 Docker 容器是怎么工作的。整个过程里，技术细节几乎都是 Claude 在处理，我主要做的是：描述我想要什么，判断方向是否正确，在出错的时候保持耐心。

这不是说技术不重要，而是说技术的门槛在变化。以前需要你自己查文档、自己踩坑、自己调试的部分，现在有了可以直接操控浏览器的 AI，门槛低了很多。

真正的坎是你到底想做什么——需求清不清楚，方向对不对，有没有耐心把事情做完。

ARM 实例抢到了，两天，无数次 Out of Capacity 之后。值得。

如果这篇文章对你有用，欢迎转发。如果你有问题，评论区见。

服务器已在运行中，AI 智能体部署系列会持续更新——下一篇：如何把 Obsidian 笔记库接进 Dify，做一个真正懂你的私人 AI。

Last modified on 2026-05-20