零成本架設：用 Cloudflare 五件套打造自動化 AI 內容流水線 (Serverless AI Content Pipeline)

原始來源與檔名：20260512_2026-05-05T094055+0800-我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来.md

來源：[[@xiangxiang103]] / X (Twitter) — 2026-05-01 原始檔名：2026-05-05T094055+0800-我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来.md

NAPKIN | 餐巾紙

餐巾紙公式

Content Pipeline = (Workers + Cron) for scraping + (Workers AI) for summarizing + (D1) for structured DB + (R2) for raw storage + (Pages) for frontend. Cost = $0 (within free tier limits). Result = Personal “Editorial Department” running silently at the edge.

這是一篇極具實戰價值的架構教學文。作者展示了如何利用 Cloudflare 的免費生態系，建立一個完全無需維護伺服器 (Serverless) 的「AI 科技周刊自動生成器」。系統每天定時抓取 Hacker News 等資訊源，調用免費的開源大模型 (如 Llama-3 8B) 進行中文摘要與分類，將結構化資料存入 D1 資料庫，原始資料存入 R2 對象儲存，最後透過 Pages 靜態網頁展示給讀者。這套方案徹底解決了個人創作者「資訊過載」與「缺乏自動化工作流」的痛點。

一句話

不要再手動複製貼上做行業周刊了。Cloudflare 已經為個人開發者準備好了一個全端、免費且內建 AI 的「雲端機房」。透過編寫不到 200 行的 JavaScript 程式碼配置 wrangler.toml，你就能擁有一個永不罷工的爬蟲、一個免費摘要文章的 Llama 模型大腦，以及一個極輕量的 SQLite 資料庫 (D1)。這是 Serverless + AI 帶來的恐怖生產力釋放。

餐巾紙草圖

[ The Cloudflare AI Pipeline ]

(Cron Trigger @ 8AM) 
    │
    ▼
[ Worker (src/index.js) ] --(fetch)--> Hacker News JSON
    │
    ▼
[ Workers AI (Llama 3 8B) ] --> Summarizes & Tags (Extracts title_zh, summary, why_it_matters)
    │
    ├──> [ R2 Bucket ] --> Stores Raw JSON / Images (content-store)
    │
    └──> [ D1 Database ] --> Stores Structured Rows (content-db)
           │
           ▼
[ Pages (/api/articles + index.html) ] --> Renders Frontend Website

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

• 核心痛點: 資訊過載時代，個人創作者缺的不是內容，而是「自動化工作流」。手動搜集排版難以持久。
• Cloudflare 五件套架構:
  1. Workers + Cron: 每天定時執行 JavaScript，負責去外部源（如 HN、RSS）抓取資料。
  2. Workers AI: 直接在邊緣節點調用開源大模型（Llama-3），將抓回來的內容進行翻譯、摘要、打標籤（轉為 JSON 格式）。
  3. R2: 存放圖片、超大原始 JSON 的物件儲存（無出站流量費）。
  4. D1: Serverless SQLite 資料庫，儲存精煉過的文章標題、連結與摘要。
  5. Pages: 靜態網站託管，自帶 Functions (API)，負責將 D1 裡的資料渲染成公開網頁。
• 免費額度評估: 個人或小團隊使用（例如每天抓 50 篇，網頁訪問 1000 次），基本都在免費套餐涵蓋範圍內。
• 避坑指南:
  • Cron 觸發有 CPU 時間限制，一次抓太多會超時，建議拆分小任務或用 Queue。
  • AI 計費依據 Neurons，選擇小而快的模型（如 8B）最划算。
  • 進階玩法：可接入 Vectorize 實作語意搜索 (RAG)。

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

核心論證鏈

1. 基礎設施的民主化 (Democratization of Infra): 過去搭建這樣的 Pipeline 需要購買 EC2、配置 Cronjob、買 RDS 資料庫、註冊 OpenAI API 並綁定信用卡。現在，Cloudflare 透過其邊緣運算網路，將這些元件打包成免費或極低成本的 Serverless 服務，徹底抹平了個人與企業的技術落差。
2. 邊緣運算的優勢: Workers AI 的優勢在於它不需要發送網路請求給第三方 API 供應商。爬蟲 (Worker) 抓到資料後，直接在同一個 Cloudflare 節點的 GPU 上運行推論，這不僅降低了延遲，也簡化了金鑰管理的複雜度。

關鍵證據

• 文章提供了完整的 wrangler.toml 配置與 index.js 核心邏輯代碼，以及資料庫的 Schema (schema.sql)，證明這不是紙上談兵，而是可以在 30 分鐘內跑通的真實專案。

邊界條件

• 商用擴展性限制: 作者明確指出，免費版 Workers 有 CPU 運行時間限制（通常為 10-50 毫秒的 CPU 時間，非牆鐘時間）。如果是商業級別的大型爬蟲，必須升級付費版（Workers Paid）並引入非同步的 Queue 架構，否則極易觸發超時中斷。

ROUND 3: SOUL | 靈魂提取

“還能怎么用”

• 知識連結: 呼應了《Agent Memory Engineering》中提到的：不要過度追求複雜的向量資料庫 (Vector DB)。這篇文章的架構完美示範了「簡單的 D1 (SQLite) + 結構化 JSON」就足以解決 90% 的資訊流需求，只有當真的需要「按意思搜文章」時，才引入 Vectorize。
• 深層洞見: “你不需要再陷在日常的 Ctrl+C 和 Ctrl+V 里，那些重复的信息筛选工作，完全可以交给机器在你看不到的边缘节点上默默完成。” 這是科技賦能個人的終極形態。個人的競爭力不再是「誰能記住更多」，而是「誰能建構出最高效的個人資訊過濾與提煉系統」。
• 行動呼籲: 如果你有 Cloudflare 帳號，立刻打開終端機，嘗試執行 npm create cloudflare@latest。把這篇文章裡的代碼貼進去，修改 fetch 網址為你最喜歡的 RSS 源。花一個下午，為自己建立一個永不停歇的「邊緣運算編輯部」。