Karakeep 自动打标成本深度解析文本与图像推理的模型选型与费用控制【免费下载链接】hoarderA self-hostable bookmark-everything app (links, notes and images) with AI-based automatic tagging and full text search项目地址: https://gitcode.com/GitHub_Trending/ho/hoarder版本说明本文以仓库中docs/versioned_docs/version-v0.31.0/06-administration/03-openai.mdTagging Costs为骨架展开该文档撰写于项目还以 Hoarder 命名的 v0.31.0 时代文中涉及的所有默认值均已对照当前仓库主分支源码核对并在存在差异处明确标注方便不同版本的用户对号入座。Karakeep本仓库目录名仍为 hoarder是一款可自托管的收藏一切应用支持链接、笔记与图片的书签管理其核心亮点之一是基于 OpenAI 的 AI 自动打标每当新收藏一个链接、文本或图片后台推理 worker 会自动为它生成检索友好的标签。本指南围绕官方文档的 Tagging Costs 章节讲清三类问题自动打标到底花多少钱、文本与图片两条推理链路分别用什么模型与参数、以及如何通过环境变量把成本压到最低。读完你将能精确预估自己的用量账单并学会从源码层面定位每一次推理的 token 消耗。一、先建立全局认识两种推理两笔账单自动打标依赖 OpenAI 的 Chat Completions API这意味着只要开启自动打标就会产生真实费用。官方文档明确指出系统内部存在两种独立的推理类型分别对应不同的模型、输入与计费逻辑推理类型触发场景v0.31.0 默认模型输入内容输出格式文本打标Text Tagging收藏链接link、纯文本text、PDF 资产gpt-4.1-miniURL、标题、描述、正文可读内容JSON{tags: [...]}图像打标Image Tagging上传图片资产imagegpt-4o-mini图片base64 提示词JSON{tags: [...]}从当前主分支源码 packages/shared/config.ts 可以看到推理模型的默认值仍由两个环境变量控制INFERENCE_TEXT_MODEL与INFERENCE_IMAGE_MODEL。值得注意的是主分支的文本默认模型已从文档时代的gpt-4.1-mini演进为gpt-5.6-luna而图像模型保持gpt-4o-mini不变。若你部署的是 v0.31.0 及相近版本则以本文引用的gpt-4.1-mini为准。另一个容易被忽略的事实OPENAI_API_KEY或OLLAMA_BASE_URL二者必填其一自动打标才会启用否则推理任务会被静默跳过见 apps/workers/workers/inference/inferenceWorker.ts 中未配置推理客户端则不处理的日志分支。本文后续讨论全部建立在已配置 OpenAI API Key 的前提下。二、文本打标gpt-4.1-mini的极低成本打标链路2.1 官方成本结论v0.31.0 官方文档对文本打标给出的成本结论是文本打标使用gpt-4.1-mini模型该模型价格极低。单次推理成本随文章内容大小浮动但粗略估计不足 1 美元即可为 3000 条书签生成标签。这一估算建立在典型文章内容长度的假设之上实际账单取决于两个可配置变量单次推理的输入 token由INFERENCE_CONTEXT_LENGTH决定截断长度与输出 token由INFERENCE_MAX_OUTPUT_TOKENS决定。这两者的默认值及调优方法见本文第四节。2.2 文本打标的输入构成源码级并非整篇网页原文都会被送入模型。查看 apps/workers/workers/inference/tagging.ts 的buildPrompt实现链接型书签的实际输入由五段拼装而成URL: 链接地址 Title: 页面标题 Description: 页面描述 Content: 可读正文内容由 Readability 提取随后经过 packages/shared/prompts.ts 的constructTextTaggingPrompt组装成完整提示词其中包含硬编码的专家角色设定与规则约束例如标签语言与INFERENCE_LANG一致默认english每条标签保持简短理想 1-3 个词文本打标的目标数量是 3-5 条标签与图像打标的 10-15 条不同这也是文本推理更省 token 的原因之一要求以 JSON 格式返回{tags: [...]}。内容在送入模型前还会经过 packages/shared/prompts.ts 的preprocessContent预处理——将 10 个以上连续空白字符压缩为单个避免无效 token 浪费。INFERENCE_CONTEXT_LENGTH默认 2048 token则负责把超长正文截断到模型可接受的长度见 packages/shared/prompts.server.ts 的buildTextPrompt截断逻辑。2.3 一条完整的文本打标调用链从部署视角看一次文本打标经历了这样的链路可对照 apps/workers/workers/inference/inferenceWorker.ts 与 tagging.ts书签创建/更新后任务被推入OpenAIQueue队列OpenAiWorker以concurrency INFERENCE_NUM_WORKERS默认 1并发消费worker 构建OpenAIInferenceClient通过 packages/shared/inference.ts 的inferFromText调用chat.completions.create模型取serverConfig.inference.textModel响应按openAIResponseSchema{ tags: string[] }解析tagging.ts 中的parseJsonFromLLMResponse甚至会容忍模型把 JSON 包在 markdown 代码块里这种不听话输出标签被清洗去掉#前缀、trim 空白随后connectTags在事务中完成去重匹配、创建新标签、替换旧 AI 标签最终以attachedBy: ai挂接到书签上收尾动作触发 webhook事件ai tagged与搜索索引重建。成本观测点每次推理的 token 消耗都会以日志输出inference.total_tokens同时作为结构化日志字段写入见 tagging.ts。这意味着你可以通过LOG_LEVEL日志默认debug或 OTEL 事件日志精确统计任意时间窗口内的累计 token 费用而不必依赖 OpenAI 后台的估算。三、图像打标gpt-4o-mini 低分辨率模式3.1 官方成本结论v0.31.0 官方文档对图像打标的结论是图片上传使用gpt-4o-mini提取标签。为降低成本系统使用低分辨率模式low resolution——无论图片尺寸如何都按固定 token 数计费。粗略估计不足 1 美元即可完成 1000 张图片的推理。低分辨率模式正是控制图片推理成本的关键。在 OpenAI 的计费规则中高分辨率图片的 token 数随图片尺寸线性增长而低分辨率模式将每张图片固定折算为 85 tokenbase64 之外的固定开销这正是无论图片大小、固定 token 数说法的来源——本段计费细节以 OpenAI 官方文档为准仓库层面保证的是下述代码行为。3.2 源码层面的低分辨率实现证据在 packages/shared/inference.ts 的inferFromImage中图片以 data URL 形式data:${contentType};base64,${image}作为image_url类型消息发送并且硬编码了detail: lowcontent: [ { type: text, text: prompt }, { type: image_url, image_url: { url: data:${contentType};base64,${image}, detail: low, }, }, ],detail: low直接对应 OpenAI 视觉接口的image_url.detail参数即强制使用低分辨率计费档。源码注释未提供其他档位开关说明该项目有意将图片推理固定在最便宜的档位代价是模型对图片细节的识别精度受限——对打标签这类粗粒度任务而言这是性价比最优的取舍。3.3 图像打标链路中的两个防御性分支结合 tagging.ts 的inferTagsFromImage还有两处值得注意GIF 跳过contentType ASSET_TYPES.IMAGE_GIF时直接跳过推理避免对动图做无效计费提示词数量差异图像打标的提示词要求生成 10-15 条标签packages/shared/prompts.ts 的buildImagePrompt显著多于文本打标的 3-5 条因此单张图片的输出 token 通常高于单篇文章这也是官方估算每 1 美元 1000 张低于文本每 1 美元 3000 条的原因之一。另外PDF 书签走的是提取文本后按文本打标路径inferTagsFromPDF见 tagging.ts不消耗视觉模型的图片 token账单归属文本推理。四、成本控制旋钮从环境变量到源码调优官方文档虽未展开但结合 docs/docs/03-configuration/01-environment-variables.md 的 Inference Configs 一节与 packages/shared/config.ts 的 schema 定义以下变量直接决定你的 OpenAI 账单规模环境变量默认值对成本的影响INFERENCE_ENABLE_AUTO_TAGGINGtrue总开关。设为false可整体关闭自动打标费用归零用户也可在个人设置中单独关闭INFERENCE_TEXT_MODELv0.31.0gpt-4.1-mini主分支gpt-5.6-luna文本推理单价。换成更便宜或本地模型Ollama可显著降本INFERENCE_IMAGE_MODELgpt-4o-mini图像推理单价需支持视觉 APIINFERENCE_CONTEXT_LENGTH2048输入 token 上限。越大则送入模型的正文越多、标签质量越高但输入费用越高官方建议按模型支持的最大上下文酌情调大INFERENCE_MAX_OUTPUT_TOKENS2048输出 token 上限。控制 AI 生成内容标签、摘要长度过大会浪费输出费用INFERENCE_NUM_WORKERS1并发数。不直接影响单价但影响打标吞吐与瞬时账单峰值INFERENCE_JOB_TIMEOUT_SEC30推理任务超时。慢速供应商需同步调大OPENAI_TIMEOUT_SEC否则任务失败重试会产生重复计费OPENAI_SERVICE_TIER未设置设为auto/flex可换取更低单价flex 以更慢响应为代价需 OpenAI 账户支持INFERENCE_LANGenglish标签语言。短词标签的语言对 token 数影响有限但值得与$lang提示词占位符配合使用INFERENCE_OUTPUT_SCHEMAstructured结构化输出可降低模型输出格式错误→重试的概率间接控制成本配置示例docker-compose 或.envOPENAI_API_KEYsk-xxxx INFERENCE_TEXT_MODELgpt-4.1-mini INFERENCE_IMAGE_MODELgpt-4o-mini INFERENCE_CONTEXT_LENGTH4096 INFERENCE_MAX_OUTPUT_TOKENS1024 INFERENCE_ENABLE_AUTO_TAGGINGtrue INFERENCE_NUM_WORKERS2需要特别提醒的是 packages/shared/config.ts 中一段巧妙的默认值推导逻辑当使用默认 OpenAI 配置未设置OLLAMA_BASE_URL、未覆盖OPENAI_BASE_URL时INFERENCE_USE_MAX_COMPLETION_TOKENS自动为true即使用新版max_completion_tokens参数GPT-5 系列模型必需一旦切换到 Ollama 或自定义 Base URL则回退为旧的max_tokens。这解释了为什么换了推理供应商后输出长度行为会变化也是排查为什么 token 数与预期不符时首先要检查的点。五、让打标更便宜的隐藏机制相关性标签复用成本并不只有少调模型一条路。源码中还内置了一个降低单次推理成本的设计——潜在相关标签potential relevant tags机制见 tagging.ts 的getPotentiallyRelevantTags当语义搜索向量索引可用时系统会先为当前书签找到最多 10 个相似书签rankingScoreThreshold 0.75提取这些书签上的已有标签按短标签优先排序并截断到 1000 字符RELEVANT_TAG_TRUNCATE_LENGTH将这些候选标签拼入提示词引导模型优先复用既有标签而非凭空发明新词。这意味着书签库越成熟模型越倾向于输出与现有体系一致的标签而不是每次都生成全新的、可能更长的词——既改善了标签一致性也间接降低了输出 token 的波动。若用户配置了策展标签curated tags则会直接取代该机制用固定候选集进一步压缩推理空间。六、版本差异提示v0.31.0 文档与主分支的对照由于本仓库包含多版本文档docs/versioned_docs 覆盖 v0.28.0 至 v0.33.0部署时请务必确认自己所用的版本v0.31.0本文引用的文档文本默认模型gpt-4.1-mini图像默认模型gpt-4o-mini低分辨率主分支当前仓库代码文本默认模型已更新为gpt-5.6-luna图像仍为gpt-4o-mini同时新增了OPENAI_SERVICE_TIER、OPENAI_REASONING_EFFORT、INFERENCE_OUTPUT_SCHEMA等成本相关旋钮。上述差异均以仓库内 packages/shared/config.ts 的当前默认值为准若你通过INFERENCE_TEXT_MODEL显式覆盖则不受默认值迁移影响。换用其他 OpenAI 兼容 API如 Azure OpenAI或本地 Ollama 的方案可参考 docs/docs/03-configuration/02-different-ai-providers.md。七、实战核查清单部署完成后建议按以下顺序核对你的打标成本是否处于预期区间确认开关生效OPENAI_API_KEY已配置INFERENCE_ENABLE_AUTO_TAGGINGtrue检查日志中是否出现No inference client configured, nothing to do now说明推理未启用确认模型符合预期启动后查看结构化日志字段inference.model应分别出现你的文本模型与gpt-4o-mini估算单次成本单条书签成本 ≈输入 token 输出 token× 模型单价。文本输入以INFERENCE_CONTEXT_LENGTH为截断上限输出以INFERENCE_MAX_OUTPUT_TOKENS为上限图片输入在低分辨率档固定折算输出 10-15 条标签对照官方数量级v0.31.0 文档给出的量级是文本约每 1 美元 3000 条书签、图像约每 1 美元 1000 张若你的账单偏差过大优先检查是否覆盖了INFERENCE_CONTEXT_LENGTH默认 2048 偏小调大后输入成本随之上升或使用了更高价的模型启用遥测通过 OTEL 事件日志EVENT_LOGS_ENABLEDtrue统计inference.total_tokens的累计值把估算变成可审计的账单。综上Karakeep 的自动打标在成本设计上是模型极廉价 输入截断 图片低分辨率 标签复用四管齐下文本打标以 3-5 条短标签为目标、图片打标固定低分辨率计费配合环境变量旋钮个人与家庭规模的使用几乎可以忽略不计而大规模部署也具备清晰的成本预估路径。理解本文涉及的模型默认值、token 上限与版本差异你就能在标签质量与账单金额之间找到最适合自己的平衡点。【免费下载链接】hoarderA self-hostable bookmark-everything app (links, notes and images) with AI-based automatic tagging and full text search项目地址: https://gitcode.com/GitHub_Trending/ho/hoarder创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Karakeep 自动打标成本深度解析：文本与图像推理的模型选型与费用控制
Karakeep 自动打标成本深度解析文本与图像推理的模型选型与费用控制【免费下载链接】hoarderA self-hostable bookmark-everything app (links, notes and images) with AI-based automatic tagging and full text search项目地址: https://gitcode.com/GitHub_Trending/ho/hoarder版本说明本文以仓库中docs/versioned_docs/version-v0.31.0/06-administration/03-openai.mdTagging Costs为骨架展开该文档撰写于项目还以 Hoarder 命名的 v0.31.0 时代文中涉及的所有默认值均已对照当前仓库主分支源码核对并在存在差异处明确标注方便不同版本的用户对号入座。Karakeep本仓库目录名仍为 hoarder是一款可自托管的收藏一切应用支持链接、笔记与图片的书签管理其核心亮点之一是基于 OpenAI 的 AI 自动打标每当新收藏一个链接、文本或图片后台推理 worker 会自动为它生成检索友好的标签。本指南围绕官方文档的 Tagging Costs 章节讲清三类问题自动打标到底花多少钱、文本与图片两条推理链路分别用什么模型与参数、以及如何通过环境变量把成本压到最低。读完你将能精确预估自己的用量账单并学会从源码层面定位每一次推理的 token 消耗。一、先建立全局认识两种推理两笔账单自动打标依赖 OpenAI 的 Chat Completions API这意味着只要开启自动打标就会产生真实费用。官方文档明确指出系统内部存在两种独立的推理类型分别对应不同的模型、输入与计费逻辑推理类型触发场景v0.31.0 默认模型输入内容输出格式文本打标Text Tagging收藏链接link、纯文本text、PDF 资产gpt-4.1-miniURL、标题、描述、正文可读内容JSON{tags: [...]}图像打标Image Tagging上传图片资产imagegpt-4o-mini图片base64 提示词JSON{tags: [...]}从当前主分支源码 packages/shared/config.ts 可以看到推理模型的默认值仍由两个环境变量控制INFERENCE_TEXT_MODEL与INFERENCE_IMAGE_MODEL。值得注意的是主分支的文本默认模型已从文档时代的gpt-4.1-mini演进为gpt-5.6-luna而图像模型保持gpt-4o-mini不变。若你部署的是 v0.31.0 及相近版本则以本文引用的gpt-4.1-mini为准。另一个容易被忽略的事实OPENAI_API_KEY或OLLAMA_BASE_URL二者必填其一自动打标才会启用否则推理任务会被静默跳过见 apps/workers/workers/inference/inferenceWorker.ts 中未配置推理客户端则不处理的日志分支。本文后续讨论全部建立在已配置 OpenAI API Key 的前提下。二、文本打标gpt-4.1-mini的极低成本打标链路2.1 官方成本结论v0.31.0 官方文档对文本打标给出的成本结论是文本打标使用gpt-4.1-mini模型该模型价格极低。单次推理成本随文章内容大小浮动但粗略估计不足 1 美元即可为 3000 条书签生成标签。这一估算建立在典型文章内容长度的假设之上实际账单取决于两个可配置变量单次推理的输入 token由INFERENCE_CONTEXT_LENGTH决定截断长度与输出 token由INFERENCE_MAX_OUTPUT_TOKENS决定。这两者的默认值及调优方法见本文第四节。2.2 文本打标的输入构成源码级并非整篇网页原文都会被送入模型。查看 apps/workers/workers/inference/tagging.ts 的buildPrompt实现链接型书签的实际输入由五段拼装而成URL: 链接地址 Title: 页面标题 Description: 页面描述 Content: 可读正文内容由 Readability 提取随后经过 packages/shared/prompts.ts 的constructTextTaggingPrompt组装成完整提示词其中包含硬编码的专家角色设定与规则约束例如标签语言与INFERENCE_LANG一致默认english每条标签保持简短理想 1-3 个词文本打标的目标数量是 3-5 条标签与图像打标的 10-15 条不同这也是文本推理更省 token 的原因之一要求以 JSON 格式返回{tags: [...]}。内容在送入模型前还会经过 packages/shared/prompts.ts 的preprocessContent预处理——将 10 个以上连续空白字符压缩为单个避免无效 token 浪费。INFERENCE_CONTEXT_LENGTH默认 2048 token则负责把超长正文截断到模型可接受的长度见 packages/shared/prompts.server.ts 的buildTextPrompt截断逻辑。2.3 一条完整的文本打标调用链从部署视角看一次文本打标经历了这样的链路可对照 apps/workers/workers/inference/inferenceWorker.ts 与 tagging.ts书签创建/更新后任务被推入OpenAIQueue队列OpenAiWorker以concurrency INFERENCE_NUM_WORKERS默认 1并发消费worker 构建OpenAIInferenceClient通过 packages/shared/inference.ts 的inferFromText调用chat.completions.create模型取serverConfig.inference.textModel响应按openAIResponseSchema{ tags: string[] }解析tagging.ts 中的parseJsonFromLLMResponse甚至会容忍模型把 JSON 包在 markdown 代码块里这种不听话输出标签被清洗去掉#前缀、trim 空白随后connectTags在事务中完成去重匹配、创建新标签、替换旧 AI 标签最终以attachedBy: ai挂接到书签上收尾动作触发 webhook事件ai tagged与搜索索引重建。成本观测点每次推理的 token 消耗都会以日志输出inference.total_tokens同时作为结构化日志字段写入见 tagging.ts。这意味着你可以通过LOG_LEVEL日志默认debug或 OTEL 事件日志精确统计任意时间窗口内的累计 token 费用而不必依赖 OpenAI 后台的估算。三、图像打标gpt-4o-mini 低分辨率模式3.1 官方成本结论v0.31.0 官方文档对图像打标的结论是图片上传使用gpt-4o-mini提取标签。为降低成本系统使用低分辨率模式low resolution——无论图片尺寸如何都按固定 token 数计费。粗略估计不足 1 美元即可完成 1000 张图片的推理。低分辨率模式正是控制图片推理成本的关键。在 OpenAI 的计费规则中高分辨率图片的 token 数随图片尺寸线性增长而低分辨率模式将每张图片固定折算为 85 tokenbase64 之外的固定开销这正是无论图片大小、固定 token 数说法的来源——本段计费细节以 OpenAI 官方文档为准仓库层面保证的是下述代码行为。3.2 源码层面的低分辨率实现证据在 packages/shared/inference.ts 的inferFromImage中图片以 data URL 形式data:${contentType};base64,${image}作为image_url类型消息发送并且硬编码了detail: lowcontent: [ { type: text, text: prompt }, { type: image_url, image_url: { url: data:${contentType};base64,${image}, detail: low, }, }, ],detail: low直接对应 OpenAI 视觉接口的image_url.detail参数即强制使用低分辨率计费档。源码注释未提供其他档位开关说明该项目有意将图片推理固定在最便宜的档位代价是模型对图片细节的识别精度受限——对打标签这类粗粒度任务而言这是性价比最优的取舍。3.3 图像打标链路中的两个防御性分支结合 tagging.ts 的inferTagsFromImage还有两处值得注意GIF 跳过contentType ASSET_TYPES.IMAGE_GIF时直接跳过推理避免对动图做无效计费提示词数量差异图像打标的提示词要求生成 10-15 条标签packages/shared/prompts.ts 的buildImagePrompt显著多于文本打标的 3-5 条因此单张图片的输出 token 通常高于单篇文章这也是官方估算每 1 美元 1000 张低于文本每 1 美元 3000 条的原因之一。另外PDF 书签走的是提取文本后按文本打标路径inferTagsFromPDF见 tagging.ts不消耗视觉模型的图片 token账单归属文本推理。四、成本控制旋钮从环境变量到源码调优官方文档虽未展开但结合 docs/docs/03-configuration/01-environment-variables.md 的 Inference Configs 一节与 packages/shared/config.ts 的 schema 定义以下变量直接决定你的 OpenAI 账单规模环境变量默认值对成本的影响INFERENCE_ENABLE_AUTO_TAGGINGtrue总开关。设为false可整体关闭自动打标费用归零用户也可在个人设置中单独关闭INFERENCE_TEXT_MODELv0.31.0gpt-4.1-mini主分支gpt-5.6-luna文本推理单价。换成更便宜或本地模型Ollama可显著降本INFERENCE_IMAGE_MODELgpt-4o-mini图像推理单价需支持视觉 APIINFERENCE_CONTEXT_LENGTH2048输入 token 上限。越大则送入模型的正文越多、标签质量越高但输入费用越高官方建议按模型支持的最大上下文酌情调大INFERENCE_MAX_OUTPUT_TOKENS2048输出 token 上限。控制 AI 生成内容标签、摘要长度过大会浪费输出费用INFERENCE_NUM_WORKERS1并发数。不直接影响单价但影响打标吞吐与瞬时账单峰值INFERENCE_JOB_TIMEOUT_SEC30推理任务超时。慢速供应商需同步调大OPENAI_TIMEOUT_SEC否则任务失败重试会产生重复计费OPENAI_SERVICE_TIER未设置设为auto/flex可换取更低单价flex 以更慢响应为代价需 OpenAI 账户支持INFERENCE_LANGenglish标签语言。短词标签的语言对 token 数影响有限但值得与$lang提示词占位符配合使用INFERENCE_OUTPUT_SCHEMAstructured结构化输出可降低模型输出格式错误→重试的概率间接控制成本配置示例docker-compose 或.envOPENAI_API_KEYsk-xxxx INFERENCE_TEXT_MODELgpt-4.1-mini INFERENCE_IMAGE_MODELgpt-4o-mini INFERENCE_CONTEXT_LENGTH4096 INFERENCE_MAX_OUTPUT_TOKENS1024 INFERENCE_ENABLE_AUTO_TAGGINGtrue INFERENCE_NUM_WORKERS2需要特别提醒的是 packages/shared/config.ts 中一段巧妙的默认值推导逻辑当使用默认 OpenAI 配置未设置OLLAMA_BASE_URL、未覆盖OPENAI_BASE_URL时INFERENCE_USE_MAX_COMPLETION_TOKENS自动为true即使用新版max_completion_tokens参数GPT-5 系列模型必需一旦切换到 Ollama 或自定义 Base URL则回退为旧的max_tokens。这解释了为什么换了推理供应商后输出长度行为会变化也是排查为什么 token 数与预期不符时首先要检查的点。五、让打标更便宜的隐藏机制相关性标签复用成本并不只有少调模型一条路。源码中还内置了一个降低单次推理成本的设计——潜在相关标签potential relevant tags机制见 tagging.ts 的getPotentiallyRelevantTags当语义搜索向量索引可用时系统会先为当前书签找到最多 10 个相似书签rankingScoreThreshold 0.75提取这些书签上的已有标签按短标签优先排序并截断到 1000 字符RELEVANT_TAG_TRUNCATE_LENGTH将这些候选标签拼入提示词引导模型优先复用既有标签而非凭空发明新词。这意味着书签库越成熟模型越倾向于输出与现有体系一致的标签而不是每次都生成全新的、可能更长的词——既改善了标签一致性也间接降低了输出 token 的波动。若用户配置了策展标签curated tags则会直接取代该机制用固定候选集进一步压缩推理空间。六、版本差异提示v0.31.0 文档与主分支的对照由于本仓库包含多版本文档docs/versioned_docs 覆盖 v0.28.0 至 v0.33.0部署时请务必确认自己所用的版本v0.31.0本文引用的文档文本默认模型gpt-4.1-mini图像默认模型gpt-4o-mini低分辨率主分支当前仓库代码文本默认模型已更新为gpt-5.6-luna图像仍为gpt-4o-mini同时新增了OPENAI_SERVICE_TIER、OPENAI_REASONING_EFFORT、INFERENCE_OUTPUT_SCHEMA等成本相关旋钮。上述差异均以仓库内 packages/shared/config.ts 的当前默认值为准若你通过INFERENCE_TEXT_MODEL显式覆盖则不受默认值迁移影响。换用其他 OpenAI 兼容 API如 Azure OpenAI或本地 Ollama 的方案可参考 docs/docs/03-configuration/02-different-ai-providers.md。七、实战核查清单部署完成后建议按以下顺序核对你的打标成本是否处于预期区间确认开关生效OPENAI_API_KEY已配置INFERENCE_ENABLE_AUTO_TAGGINGtrue检查日志中是否出现No inference client configured, nothing to do now说明推理未启用确认模型符合预期启动后查看结构化日志字段inference.model应分别出现你的文本模型与gpt-4o-mini估算单次成本单条书签成本 ≈输入 token 输出 token× 模型单价。文本输入以INFERENCE_CONTEXT_LENGTH为截断上限输出以INFERENCE_MAX_OUTPUT_TOKENS为上限图片输入在低分辨率档固定折算输出 10-15 条标签对照官方数量级v0.31.0 文档给出的量级是文本约每 1 美元 3000 条书签、图像约每 1 美元 1000 张若你的账单偏差过大优先检查是否覆盖了INFERENCE_CONTEXT_LENGTH默认 2048 偏小调大后输入成本随之上升或使用了更高价的模型启用遥测通过 OTEL 事件日志EVENT_LOGS_ENABLEDtrue统计inference.total_tokens的累计值把估算变成可审计的账单。综上Karakeep 的自动打标在成本设计上是模型极廉价 输入截断 图片低分辨率 标签复用四管齐下文本打标以 3-5 条短标签为目标、图片打标固定低分辨率计费配合环境变量旋钮个人与家庭规模的使用几乎可以忽略不计而大规模部署也具备清晰的成本预估路径。理解本文涉及的模型默认值、token 上限与版本差异你就能在标签质量与账单金额之间找到最适合自己的平衡点。【免费下载链接】hoarderA self-hostable bookmark-everything app (links, notes and images) with AI-based automatic tagging and full text search项目地址: https://gitcode.com/GitHub_Trending/ho/hoarder创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考