900 元闲鱼组了一台 NAS + AI 小服务器：能跑模型，也真的有坑

3 月 1 日，我把家里的 NAS 升级了一次。

之前用的是蜗牛星际，作为入门 NAS 其实挺经典：便宜、够折腾，也能跑一些基础服务。但用久了之后问题就很明显了：4 盘位已经不太够我继续塞硬盘和折腾了。

我现在的需求已经不只是存文件、备份照片、跑几个 Docker 服务，还想顺便跑点本地小模型、TTS 语音合成，甚至做一些 LoRA 训练前的数据集预处理。

全新硬件看了一圈，预算很快就上去了。于是我把目标放到了闲鱼二手硬件上，最后花了 916 元，不含硬盘和内存，组出了一台带 8+4 盘位（8 个 3.5 寸硬盘位 + 内置 4 个 2.5 寸盘位）、搭配 Tesla P4 8GB 的 NAS / AI 小服务器。

系统方面，我这台机器跑的是 fnOS。传统 NAS 比较常见的文件存储、照片备份、影音管理这些功能就不展开讲了，这篇主要记录它作为一台低成本 NAS + 本地 AI 小服务器，到底能做哪些更折腾一点的事情。

先说结论：

这不是一台真正意义上的高性能 AI 服务器，也不是推荐大家无脑照抄的"神机"。

但如果你手里有一些闲置硬件，又愿意折腾二手配件、散热、驱动和 Docker，它确实能用很低的成本，把 NAS、本地 AI、TTS、数据集预处理这些事情整合到一台机器里。

---

一、硬件配置：主机部分 916 元

这套机器的配件基本都来自闲鱼。

这里必须强调一下：916 元是不含硬盘和内存的价格。

NAS 真正贵的地方往往不是主机本体，而是硬盘和内存。尤其是现在内存价格不合适的时候，如果全部重新购买，整套方案的成本会被明显拉高。

所以更准确地说，这是一套"900 元左右搭出 NAS + 轻量 AI 推理平台"的方案，而不是完整 NAS 总成本。

几件配件里，我最看重的是两点：

第一，傻瓜超人 S18 是 8+4 盘位：8 个 3.5 寸硬盘位，加上内置 4 个 2.5 寸盘位，比我之前的 4 盘位蜗牛星际更适合继续扩展。

第二，技嘉 B365M 小雕有双 M.2 位。对 NAS 来说，这点挺实用：后面可以用来放系统盘、缓存盘，或者把一些容器、数据库、AI 服务的数据放到 SSD 上，减少机械硬盘的频繁读写。

第三，Tesla P4 虽然是老的数据中心卡，但 300 元左右能买到 8GB 显存，用来跑小模型、TTS、Embedding 和一些图片预处理任务，性价比还是不错的。

不过 Tesla P4 也有一个非常明显的坑：它原本是服务器被动散热卡，不能完全按普通消费级显卡的思路来装。

我这张卡是卖家已经加装了两个小风扇，所以散热条件比裸卡好一些。否则如果直接把被动散热版 Tesla P4 塞进普通机箱，满载时温度会很难看。NAS 又是长期运行设备，所以这种卡即使便宜，也一定要认真确认散热方案。

购买凭证：

装机后 nvidia-smi 验证：

---

二、它现在到底在干什么？

很多人一听本地小模型，第一反应可能是：

参数这么小，能有什么用？

如果只拿它和云端大模型比复杂推理、代码能力和长上下文，那它当然不占优势。

但如果把它放进具体工作流里，它其实能做很多实事。

目前这台机器主要承担这些任务：

• NAS 文件存储；
• 跑一些常驻 Docker 服务；
• 本地测试 4B / 7B 级别小模型；
• 辅助 ComfyUI 生图提示词书写；
• 做本地翻译和文本整理；
• 给 Agent 提供向量检索能力；
• 跑中文 TTS 语音合成；
• 接入 Agent、小智、有声书等语音场景；
• 做 LoRA 训练前的数据集预处理。

对我来说，它最有价值的地方不是"本地模型有多聪明"，而是：

把大量重复、辅助、前处理类任务留在本地完成，需要大显存的时候，再把整理好的数据上传到服务器。

这比单纯问本地模型几个问题实用得多。

---

三、本地小模型的几个真实用途

1. ComfyUI 生图提示词辅助

生图的时候，提示词经常要反复调整。

人物、服装、光影、构图、镜头、背景、风格这些内容，如果全部手写会很麻烦。

本地小模型可以用来做中文描述转英文提示词、提示词扩写、风格词补全、负面提示词整理。

它不一定能一次写出顶级提示词，但可以快速给出基础稿，后面再人工微调。

这类任务不太需要特别强的推理能力，更需要随时可用、响应快、成本低，所以很适合本地模型。

2. 本地翻译和文本整理

一些英文模型说明、README、报错信息、配置说明，也可以交给本地模型处理。

云端大模型当然更强，但很多时候只是看个大概意思，或者整理一下参数说明，没必要每次都走外部 API。

本地模型的优势是没有额度焦虑，也不用担心频繁调用 API 的成本。

3. Agent 使用的向量模型

除了聊天模型，我还部署了 Embedding / 向量模型。

这类模型不负责直接回答问题，而是给 Agent 做检索和记忆用。

比如文档切片后做向量化、本地知识库检索、Agent 查找历史资料、给自动化工具提供语义搜索能力。

这个方向很适合常驻 NAS，因为向量模型通常不需要特别大的显存，只要部署稳定，就可以长期挂在本地给各种工具调用。

4. LoRA 训练前的数据集预处理

这是我觉得最实用的场景之一。

真正训练 LoRA 之前，最麻烦的不是点一下训练按钮，而是准备数据集。

图片需要先做识别、自动打标、去重、低质量筛选、内容合规筛查、分类、生成 caption / tag 文本。

这些步骤如果全部放到租来的 GPU 服务器上做，其实很浪费钱。

服务器租金是按时间算的，你在上面慢慢整理图片、打标、筛选，本质上是在花钱做前处理。

更合理的方式是：

在本地 NAS 上先把图片识别、打标、去重、筛选都处理好，整理成可以直接训练的数据集。真正需要大显存的时候，再把干净的数据集上传到服务器训练 LoRA。

这样可以减少服务器空转时间，也能省下一部分租用成本。

---

四、跑模型实测：速度可以，边界也明显

我用 Ollama 部署了一些 Gemma4 社区微调模型，包括 4B 级别的小模型，以及配套的 Embedding 模型。

这类模型最大的优点是跑得快、占用低、本地部署门槛低。

但缺点也很现实：复杂推理不稳定，容易过度解释，对隐含条件理解差。

我用一个小常识题测试过：

我把钥匙放进抽屉，然后离开房间，回来后我想开门，应该先找什么？

正常思路应该是：钥匙在房间里的抽屉中，而人已经在房间外面，所以重点不是找抽屉，而是想办法先进入房间，或者找备用钥匙。

实际模型回答得很认真，也分析了很多内容，但最后重点跑偏了，甚至把答案引到了"先找抽屉的把手"。

这就是小模型很典型的问题：

它不是完全不会思考，而是经常把简单问题复杂化，然后在复杂化的过程中跑偏。

这次测试里，它生成了 962 个 token，速度大约是 27.68 tokens/s，总耗时 36 秒。

所以我对本地小模型的定位不是"代替云端大模型"，而是：

让 NAS 变成一个随时可用、低成本、能处理大量重复任务的本地 AI 工具箱。

---

五、TTS：AngeVoice 已经能接入真实场景

除了跑小模型，这台机器还跑了我自己的 TTS 项目：AngeVoice Studio。

它是一个中文语音合成控制台，支持音色选择、语速调节、Web 前端操作、流式播放、参考音频克隆和本地 API 调用。

基于当前已实现能力，后续可以继续尝试接入这些方向：

• 接入 Agent，让文字回复变成语音；
• 接入类似"小智"的语音助手；
• 做有声书生成；
• 做本地语音播报；
• 测试参考音频克隆和流式播放。

这里我也做了一个对 NAS 用户比较重要的功能：

空闲 10 分钟后自动卸载模型，释放显存；下次调用时再自动唤醒加载。

因为 NAS 是长期在线设备，如果模型一直常驻，占用显存和功耗都不太合适。

不过本地 TTS 也有边界。

为了追求实时对话，模型不能选得太大。参数更大的模型可能音质更好、情感更自然，但延迟也会更高，对显存和 CPU 的压力也更大。

所以实时语音对话更适合优先保证延迟和稳定性；有声书这种长文本场景，可以接受慢一点，换取更稳定的输出。

后续我更想优化的是语音质量和可控性，比如模型分词器、多音字词典、自定义词典、专有名词和角色名读音，以及长文本断句和语气。

---

六、这套方案适合谁？

我觉得它适合这几类人：

• 想低成本组 NAS；
• 手里有闲置内存、硬盘或旧平台；
• 愿意折腾闲鱼二手硬件；
• 想体验本地小模型、TTS、Embedding；
• 想做 ComfyUI、LoRA、Agent 相关工作流；
• 不追求极致性能，更看重性价比和可玩性。

但它不适合这些人：

• 完全不想折腾；
• 想买回来就稳定用几年；
• 对噪音、功耗、外观非常敏感；
• 希望直接跑大模型；
• 不愿意处理 BIOS、驱动、散热、Docker 问题。

这套机器最大的价值不是性能多强，而是用很低的成本，把 NAS、本地 AI、TTS 服务和数据集预处理环境整合到了一起。

---

七、最后说点现实的

这台机器已购配件花了 916 元，但这不代表完整 NAS 只需要 916 元。

硬盘和内存都没算进去。

你要问我内存成本怎么办？只能说，我的非主力机器正在角落里问我：

"我怎么突然少了两条内存？"

所以这套方案更适合手头本来就有一些闲置硬件的人折腾。

如果你现在从零开始，把机箱、主板、CPU、显卡、内存、硬盘全部重新买一遍，那它就不一定还算低成本了。

我的建议是：

有闲置硬件，可以折腾；缺什么补什么，可以考虑；如果所有东西都要现买，就一定要先算清楚总账。

这篇先记录到这里。

这不是一套适合所有人的方案，也不是"900 元买到全能服务器"的神话。它更适合手里本来就有一些闲置硬件，又愿意花时间折腾的人。

对我来说，这次升级最大的意义不是性能提升了多少，而是终于从 4 盘位蜗牛星际，换成了一台更适合继续扩展、也更适合本地 AI 工作流的 NAS。