Agentic Work Atlas

Lean-Indie-Engineering

8分钟阅读

Lean-Indie-Engineering（精益独立开发）

主题定义

Lean-Indie-Engineering 是独立开发者用极低成本（$20/月）运营多个盈利产品的工程哲学。2026 年由 Steve Hanov 的 Hacker News 帖子 (952 分) 引发广泛讨论。

核心问题：如何在一个人都能跑月入六位数产品的前提下，把技术月支出压到 $20？

核心原则

1. Runway-Math：分母控制论

生存时间 = 资金 ÷ 月支出
  • 分子不可控（VC 不理你、市场不买账、产品没起来 → 随时归零）
  • 分母 100% 可控（你可以永远选择花多少钱）
  • $20 月支出 = 永远不会死，可以一直试

"Keeping costs near zero gives you the exact same runway as getting a million dollars in funding."

2. Anti-Enterprise-Mindset：不买"万一"的账

"万一"担忧预付成本实际需要
万一火了 → K8s$500-2000/月便宜 VPS
万一挂了 → Multi-AZ RDS$200-500/月单机 + 备份
万一要 SSO → Auth0$50-200/月30 行 OAuth2

六个"万一" = $3,000/月 = 300 个 $10 用户才能回本。而你还没发第一条营销推文。

3. Constraint-Driven-Engineering：约束决定选择

没有放之四海皆准的"最佳技术栈"。必须先设定约束（预算、人力、时间），再从约束出发选择。

Steve 的约束 = "一个人、$20/月、6 个产品" → Go + SQLite + 单机 VPS 是唯一最优解。

Lean-Stack 配置

组件选择成本
服务器Linode/DigitalOcean 1GB$5/月
数据库SQLite + WAL$0
语言Go (静态二进制, scp 部署)$0
认证自写 30 行 OAuth2$0
部署systemd service$0
AI 批量推理RTX 3090 (24GB) + VLLM一次性 $900
AI API 网关OpenRouter 统一接口 + 故障回退按量
AI 开发GitHub Copilot per-request$13/月

SQLite + WAL 的 40 倍优势

跑 10 万次 SELECT 1:

  • PostgreSQL (localhost TCP): 2.77 秒
  • SQLite (内存): 0.07 秒 — 差距 40 倍

因为 app 和数据库在同一进程，查询走 C 函数调用（纳秒级），不是 TCP 往返（毫秒级）。

本地 AI 三层升级路径

Steve 的 AI 策略不是"不用 API"，而是把不同任务路由到不同成本层：

Ollama (快速实验)
    ↓ 一个命令试几十个模型，调 prompt
VLLM + PagedAttention (生产并发)
    ↓ 16 个异步请求 GPU 自动批处理，同时完成
Transformer Lab (微调)
    ↓ 需要定制模型时
任务类型用本地 GPU用云端 API
批量研究/分类/摘要（数千次）✅ 零边际成本❌ $100+/次
用户交互（低延迟对话）❌ 模型不够强✅ OpenRouter
Prompt 迭代实验✅ 无压力试错❌ 每次改 prompt 都要重新付费

核心工具: laconic — Go 写的 agentic researcher，将 LLM 上下文像 OS 虚拟内存一样管理，"swap out" 不相关对话，让 8K 上下文窗口也能做深度研究。

Copilot per-request 定价漏洞

GitHub Copilot 按请求计费而非按 token——一次请求即使让 agent 跑 30 分钟、修改数百文件，仍然 $0.04。策略：

  1. 写极其详细的 prompt + 严格成功标准（本身就是最佳实践）
  2. 告诉 agent "一直继续直到所有错误都修复"
  3. 按回车，去冲杯咖啡，Satya Nadella 补贴你的算力成本

月账单 $60（全天用 Opus 4.6）vs Cursor 竞品用户 $100+。这个套利窗口迟早被修补——但在那之前，它是已知最便宜的 agentic coding 方案。

OpenRouter：API 网关 + 故障回退

不直接对接 Anthropic/Google/OpenAI 的 API。用 OpenRouter 做统一接口：

  • 一次集成 → 所有前沿模型可用
  • Anthropic API 挂了 → 自动回退到 OpenAI 等价模型
  • 用户永远看不到错误页面，不需要写复杂的重试逻辑

商业模式：B2B 养 C 端

产品类型定价作用
zwibblerB2B SDK$5,999/单现金流引擎
websequencediagramsC 端工具FreemiumSEO 引流
rhymebrainC 端工具广告+API长尾收入
rapt.inkC 端工具Freemium用户增长
xreplyextensionC 端工具一次性点数现金流前置
eh-trade.ca金融工具订阅垂直市场

抗周期: 经济好时 B2B 好卖，经济差时 DIY 工具好卖。

时间护城河

  • websequencediagrams: 2008 年至今，Google "sequence diagram" 第一
  • rhymebrain: 2009 年至今，8 语种押韵数据
  • 每 3-5 年加一个新产品: 慢做、深做、长做

"这些东西你今天从零做，永远追不上。"

我们能抄什么作业？

  1. 数据库迁到 SQLite + WAL — 体验 50ms → 2ms 的响应
  2. App 搬到 Hetzner — $5 买 4GB，systemd 一个 service 就起来
  3. 试试 GitHub Copilot per-request — 省下来的钱买 RTX 3090
  4. 先想清楚你的约束 — 再看别人用了什么，往自己身上套

最清醒的一段话

"Forget about the tech stack, how do I get multiple $10k MRR companies?" — @stavros, HN 评论区

"The tech industry wants you to believe that building a real business requires complex orchestration. It doesn't." — Steve Hanov

关联概念

证据补充

The-Founders-Playbook-05062026_v3 从 AI-native 创业角度补充了本主题：AI 将高昂的研发人力成本（CapEx）转化为按需使用的 Token 成本（OpEx），使"一人团队"的约束更容易满足。但该文章同时警告了 Lean-Indie-Engineering 在 AI 时代的新风险——"无摩擦范围蔓延（Zero-friction scope creep）"和"伪 PMF（False PMF）"。这说明约束驱动工程（Constraint-Driven-Engineering）在 AI 时代不仅没有过时，反而更重要：构建成本越低，越需要严格的范围约束来防止功能堆砌。

20260531-thoughts-hmmz 给出个人开发者层面的反例：AI 让作者短时间内做出大量项目，但除一个 SaaS 外，大多没有真实用途或维护意愿。它把 零摩擦范围蔓延 从创业产品扩展到个人注意力管理：独立开发的约束不是只要“更便宜”，还要能阻止自己制造不想承担的资产。

关系图谱