KarakeepHoarderAI 自動打標成本解析文本與圖片推理的費用構成、模型選擇與成本控制【免費下載鏈接】hoarderA self-hostable bookmark-everything app (links, notes and images) with AI-based automatic tagging and full text search項目地址: https://gitcode.com/GitHub_Trending/ho/hoarder自動打標Automatic Tagging是 KarakeepHoarder基于 LLM 提供的核心智能化能力新增書簽時系統會自動調用推理模型為文本、圖片甚至 PDF 生成標簽。本指南基于倉庫中的官方文檔 version-v0.30.0 版 Tagging Costs 說明結合 AI 提供商配置指南 與packages/shared、apps/workers等源碼實現系統講解兩類推理任務的費用構成、官方成本量級參考、如何通過模型與配置選項控制開支以及底層推理調用的真實執行路徑。讀完本文你將能預估自建實例的 AI 打標成本并學會在不犧牲打標質量的前提下將成本壓到最低。自動打標為什么會產生費用Karakeep 的自動打標依賴外部 LLM 服務默認是 OpenAI完成推理。官方文檔開篇即明確只要開啟自動打標就會產生相應的 API 調用費用。費用并非按書簽數量固定收取而是由推理類型和每次推理的 Token 消耗共同決定。從源碼看Karakeep 一共執行兩類推理任務官方文檔的原文劃分文本打標Text Tagging為鏈接、筆記等文本類書簽生成標簽走文本補全chat completion接口圖片打標Image Tagging為上傳的圖片書簽生成標簽走多模態視覺接口。對應地源碼中為這兩類任務配置了兩個相互獨立的模型參數。在 packages/shared/config.ts 中可以看到它們的默認值當前倉庫最新代碼環境變量默認值用途INFERENCE_TEXT_MODELgpt-5.6-lunav0.30.0 文檔中為gpt-4.1-mini文本打標 / 摘要模型INFERENCE_IMAGE_MODELgpt-4o-mini圖片打標模型EMBEDDING_TEXT_MODELtext-embedding-3-small語義搜索向量模型不屬于打標推理但同樣計費注v0.30.0 版本文檔記錄的文本模型為gpt-4.1-mini而當前倉庫config.ts中的默認值已更新為gpt-5.6-luna兩個版本的INFERENCE_IMAGE_MODEL均默認為gpt-4o-mini。實際部署時以你所用版本的默認值及 OpenAI 官方當前定價為準。文本打標成本量級與影響因素官方文檔指出文本打標使用的模型v0.30.0 版為gpt-4.1-mini屬于極其便宜的檔位每次推理的成本取決于單篇文章的內容大小——內容越長、Token 越多單次費用越高。官方給出的成本參考粗略估算不到 1 美元即可為 3000 條書簽生成標簽v0.30.0 文檔原文。這一量級的估算基于gpt-4.1-mini的低單價與短促的單次推理。換算下來單次文本打標的花費通常在萬分之一美元以下對個人自建實例而言基本可以忽略不計。影響單次文本推理成本的因素從 apps/workers/workers/inference/tagging.ts 的inferTagsFromText實現可以確認送入模型的 prompt 由以下幾部分拼裝而成書簽的正文內容buildPrompt中截取的內容片段推斷標簽的語言要求INFERENCE_LANG默認english用戶自定義提示詞Custom Prompts支持$tags、$aiTags、$userTags占位符見同文件 L188-L247標簽風格Tag Style與候選標簽curated / potential relevant tags。其中正文長度是最主要的變量。代碼中還通過INFERENCE_CONTEXT_LENGTH默認 2048與INFERENCE_MAX_OUTPUT_TOKENS默認 2048限制輸入與輸出的 Token 規模從而把單次推理費用框定在可控范圍內。同理PDF 書簽的打標走inferTagsFromPDFL249-L276其文本同樣受INFERENCE_CONTEXT_LENGTH截斷成本模型與純文本一致。圖片打標低分辨率模式如何壓價圖片打標使用多模態模型默認gpt-4o-mini因為視覺推理的 Token 計量方式與純文本不同費用結構也更復雜。官方文檔特別說明了 Karakeep 控制圖片成本的機制為降低成本Karakeep 使用低分辨率模式low resolution mode——無論圖片尺寸如何都按固定的 Token 數計費。源碼中的證據detail: low在 packages/shared/inference.ts 的inferFromImage中可以看到圖片以 Base64 編碼后通過image_url消息內容傳給 OpenAI并顯式指定image_url: { url: data:${contentType};base64,${image}, detail: low, // 低分辨率模式固定 Token 數與圖片尺寸無關 },detail: low正是 OpenAI 視覺接口中控制圖片 Token 計費的開關高分辨率high模式按圖片尺寸階梯計費低分辨率low模式則固定消耗少量 Token。Karakeep 選擇低分辨率意味著上傳 4K 大圖與 512px 小圖的打標費用完全相同且始終處于最低檔。官方給出的成本參考粗略估算不到 1 美元即可對 1000 張圖片執行推理v0.30.0 文檔原文。注意圖片打標還有兩個額外的成本 / 執行細節GIF 被跳過tagging.ts L163-L168 明確記錄了對 GIF 書簽跳過推理的邏輯返回null且打日志因此 GIF 不產生任何推理費用圖片打標流程上傳圖片后由 assetPreprocessingWorker.ts 觸發inferFromImage同一份 Base64 數據在data:URL 中傳輸圖片本身不額外消耗存儲空間之外的開銷。如何進一步控制與優化打標成本1. 按需開關自動打標打標成本只在自動打標啟用時產生。相關開關見 packages/shared/config.ts環境變量默認值說明INFERENCE_ENABLE_AUTO_TAGGINGtrue全局自動打標總開關設為false即完全關閉推理INFERENCE_ENABLE_AUTO_SUMMARIZATIONfalse自動摘要開關摘要同樣按 Token 計費此外用戶級設置autoTaggingEnabled也能單獨關閉某用戶的自動打標見 tagging.ts L652-L659 對用戶設置的檢查邏輯。若你只想用 Karakeep 存書簽、不需要 AI 標簽直接關閉即可把推理成本降為零。2. 更換更便宜的模型兩個推理模型都可以獨立替換。基礎配置只需設置 OpenAI API KeyOPENAI_API_KEYsk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx如需自定義模型取消注釋并修改即可INFERENCE_TEXT_MODELgpt-4.1-mini INFERENCE_IMAGE_MODELgpt-4o-mini從 packages/shared/inference.ts 的inferFromText可以看到模型名直接傳給chat.completions.create的model字段因此任何 OpenAI 兼容的文本模型、視覺模型都可填入。選擇模型時需注意文本模型需要具備穩定的 JSON 結構化輸出能力默認INFERENCE_OUTPUT_SCHEMAstructured圖片模型需要視覺理解能力。3. 限制輸入規模避免 Token 浪費輸入內容越長單次推理越貴。可通過以下參數壓縮單次費用# 截斷送入模型的正文長度Token 數默認 2048 INFERENCE_CONTEXT_LENGTH1024 # 限制模型輸出 Token 數默認 2048 INFERENCE_MAX_OUTPUT_TOKENS10244. 使用本地或更便宜的推理后端如果你對成本高度敏感Karakeep 還支持 Ollama、Gemini、OpenRouter、Perplexity、Azure、Cloudflare 等 OpenAI 兼容后端其中Ollama 本地推理完全不產生 API 費用僅消耗本機算力。以 Ollama 的 OpenAI 兼容接口為例OPENAI_API_KEYollama OPENAI_BASE_URLhttp://ollama.mylab.com:11434/v1 # 先在 Ollama 中拉取對應模型例如 INFERENCE_TEXT_MODELgemma3 INFERENCE_IMAGE_MODELllava使用本地模型時注意兩點官方配置指南原文提示容器內訪問 Ollama 不能使用localhost地址必須使用宿主機可達的地址若所選模型不支持結構化輸出需要設置INFERENCE_OUTPUT_SCHEMAplain默認structured見 config.ts L110-L112。完整的各家提供商配置示例Gemini / OpenRouter / Perplexity / Azure / Cloudflare 的OPENAI_BASE_URL與模型參數見 AI 提供商配置指南。5. 摘要與語義搜索是額外的費用來源除打標外還有兩類 AI 功能會產生費用需要一并納入成本預算自動摘要INFERENCE_ENABLE_AUTO_SUMMARIZATIONtrue走與文本打標相同的inferFromText通道見 summarize.ts但 prompt 更長單次費用高于打標嵌入向量text-embedding-3-small默認 1536 維用于語義搜索與標簽建議精化按 Token 計費且默認EMBEDDING_ENABLE_AUTO_INDEXING未開啟。若不需要語義搜索保持關閉即可節省該部分費用。打標推理的完整調用鏈路源碼視角理解成本最好也理解一次打標究竟經歷了什么。結合 tagging.ts 與 inference.ts一次自動打標的調用鏈如下觸發書簽創建 / 上傳后推理 worker 接收任務讀取書簽的contentType判斷類型文本、圖片、PDF 或 GIFGIF 短路GIF 直接返回null不調用模型L163-L168構造 prompt文本類調用inferTagsFromTextL278-L305圖片類調用inferTagsFromImageL174-L185都會注入語言設置、自定義提示詞、標簽風格與候選標簽發起推理OpenAIInferenceClient.inferFromText/inferFromImageinference.ts L304-L389調用chat.completions.create圖片請求附帶detail: low并聲明response_format結構化輸出解析結果從返回的choices[0].message.content中解析標簽 JSON同時記錄usage.total_tokens用于日志與后續統計落庫解析出的標簽寫入書簽推理任務完成。若配置了 Ollama則走OllamaInferenceClientinference.ts L422 起通過本地host完成同樣的推理費用由本地算力替代。小結推理類型默認模型v0.30.0官方成本量級參考主要成本變量文本打標gpt-4.1-mini約 3000 條書簽 / $1 以內正文長度、自定義提示詞規模圖片打標gpt-4o-mini低分辨率模式約 1000 張圖片 / $1 以內固定 Token 計費與圖片尺寸無關Karakeep 的自動打標成本被官方刻意壓到了極低的水平文本側靠高性價比模型圖片側靠detail: low低分辨率固定計費。實際部署時你可以通過INFERENCE_ENABLE_AUTO_TAGGING開關、模型替換、INFERENCE_CONTEXT_LENGTH截斷乃至切換 Ollama 本地推理把這一成本進一步壓縮甚至歸零。相關配置參數的完整清單與各家提供商的接入方式可進一步查閱 AI 提供商配置指南 與 環境變量文檔。【免費下載鏈接】hoarderA self-hostable bookmark-everything app (links, notes and images) with AI-based automatic tagging and full text search項目地址: https://gitcode.com/GitHub_Trending/ho/hoarder創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 Karakeep（Hoarder）AI 自動打標成本解析：文本與圖片推理的費用構成、模型選擇與成本控制
KarakeepHoarderAI 自動打標成本解析文本與圖片推理的費用構成、模型選擇與成本控制【免費下載鏈接】hoarderA self-hostable bookmark-everything app (links, notes and images) with AI-based automatic tagging and full text search項目地址: https://gitcode.com/GitHub_Trending/ho/hoarder自動打標Automatic Tagging是 KarakeepHoarder基于 LLM 提供的核心智能化能力新增書簽時系統會自動調用推理模型為文本、圖片甚至 PDF 生成標簽。本指南基于倉庫中的官方文檔 version-v0.30.0 版 Tagging Costs 說明結合 AI 提供商配置指南 與packages/shared、apps/workers等源碼實現系統講解兩類推理任務的費用構成、官方成本量級參考、如何通過模型與配置選項控制開支以及底層推理調用的真實執行路徑。讀完本文你將能預估自建實例的 AI 打標成本并學會在不犧牲打標質量的前提下將成本壓到最低。自動打標為什么會產生費用Karakeep 的自動打標依賴外部 LLM 服務默認是 OpenAI完成推理。官方文檔開篇即明確只要開啟自動打標就會產生相應的 API 調用費用。費用并非按書簽數量固定收取而是由推理類型和每次推理的 Token 消耗共同決定。從源碼看Karakeep 一共執行兩類推理任務官方文檔的原文劃分文本打標Text Tagging為鏈接、筆記等文本類書簽生成標簽走文本補全chat completion接口圖片打標Image Tagging為上傳的圖片書簽生成標簽走多模態視覺接口。對應地源碼中為這兩類任務配置了兩個相互獨立的模型參數。在 packages/shared/config.ts 中可以看到它們的默認值當前倉庫最新代碼環境變量默認值用途INFERENCE_TEXT_MODELgpt-5.6-lunav0.30.0 文檔中為gpt-4.1-mini文本打標 / 摘要模型INFERENCE_IMAGE_MODELgpt-4o-mini圖片打標模型EMBEDDING_TEXT_MODELtext-embedding-3-small語義搜索向量模型不屬于打標推理但同樣計費注v0.30.0 版本文檔記錄的文本模型為gpt-4.1-mini而當前倉庫config.ts中的默認值已更新為gpt-5.6-luna兩個版本的INFERENCE_IMAGE_MODEL均默認為gpt-4o-mini。實際部署時以你所用版本的默認值及 OpenAI 官方當前定價為準。文本打標成本量級與影響因素官方文檔指出文本打標使用的模型v0.30.0 版為gpt-4.1-mini屬于極其便宜的檔位每次推理的成本取決于單篇文章的內容大小——內容越長、Token 越多單次費用越高。官方給出的成本參考粗略估算不到 1 美元即可為 3000 條書簽生成標簽v0.30.0 文檔原文。這一量級的估算基于gpt-4.1-mini的低單價與短促的單次推理。換算下來單次文本打標的花費通常在萬分之一美元以下對個人自建實例而言基本可以忽略不計。影響單次文本推理成本的因素從 apps/workers/workers/inference/tagging.ts 的inferTagsFromText實現可以確認送入模型的 prompt 由以下幾部分拼裝而成書簽的正文內容buildPrompt中截取的內容片段推斷標簽的語言要求INFERENCE_LANG默認english用戶自定義提示詞Custom Prompts支持$tags、$aiTags、$userTags占位符見同文件 L188-L247標簽風格Tag Style與候選標簽curated / potential relevant tags。其中正文長度是最主要的變量。代碼中還通過INFERENCE_CONTEXT_LENGTH默認 2048與INFERENCE_MAX_OUTPUT_TOKENS默認 2048限制輸入與輸出的 Token 規模從而把單次推理費用框定在可控范圍內。同理PDF 書簽的打標走inferTagsFromPDFL249-L276其文本同樣受INFERENCE_CONTEXT_LENGTH截斷成本模型與純文本一致。圖片打標低分辨率模式如何壓價圖片打標使用多模態模型默認gpt-4o-mini因為視覺推理的 Token 計量方式與純文本不同費用結構也更復雜。官方文檔特別說明了 Karakeep 控制圖片成本的機制為降低成本Karakeep 使用低分辨率模式low resolution mode——無論圖片尺寸如何都按固定的 Token 數計費。源碼中的證據detail: low在 packages/shared/inference.ts 的inferFromImage中可以看到圖片以 Base64 編碼后通過image_url消息內容傳給 OpenAI并顯式指定image_url: { url: data:${contentType};base64,${image}, detail: low, // 低分辨率模式固定 Token 數與圖片尺寸無關 },detail: low正是 OpenAI 視覺接口中控制圖片 Token 計費的開關高分辨率high模式按圖片尺寸階梯計費低分辨率low模式則固定消耗少量 Token。Karakeep 選擇低分辨率意味著上傳 4K 大圖與 512px 小圖的打標費用完全相同且始終處于最低檔。官方給出的成本參考粗略估算不到 1 美元即可對 1000 張圖片執行推理v0.30.0 文檔原文。注意圖片打標還有兩個額外的成本 / 執行細節GIF 被跳過tagging.ts L163-L168 明確記錄了對 GIF 書簽跳過推理的邏輯返回null且打日志因此 GIF 不產生任何推理費用圖片打標流程上傳圖片后由 assetPreprocessingWorker.ts 觸發inferFromImage同一份 Base64 數據在data:URL 中傳輸圖片本身不額外消耗存儲空間之外的開銷。如何進一步控制與優化打標成本1. 按需開關自動打標打標成本只在自動打標啟用時產生。相關開關見 packages/shared/config.ts環境變量默認值說明INFERENCE_ENABLE_AUTO_TAGGINGtrue全局自動打標總開關設為false即完全關閉推理INFERENCE_ENABLE_AUTO_SUMMARIZATIONfalse自動摘要開關摘要同樣按 Token 計費此外用戶級設置autoTaggingEnabled也能單獨關閉某用戶的自動打標見 tagging.ts L652-L659 對用戶設置的檢查邏輯。若你只想用 Karakeep 存書簽、不需要 AI 標簽直接關閉即可把推理成本降為零。2. 更換更便宜的模型兩個推理模型都可以獨立替換。基礎配置只需設置 OpenAI API KeyOPENAI_API_KEYsk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx如需自定義模型取消注釋并修改即可INFERENCE_TEXT_MODELgpt-4.1-mini INFERENCE_IMAGE_MODELgpt-4o-mini從 packages/shared/inference.ts 的inferFromText可以看到模型名直接傳給chat.completions.create的model字段因此任何 OpenAI 兼容的文本模型、視覺模型都可填入。選擇模型時需注意文本模型需要具備穩定的 JSON 結構化輸出能力默認INFERENCE_OUTPUT_SCHEMAstructured圖片模型需要視覺理解能力。3. 限制輸入規模避免 Token 浪費輸入內容越長單次推理越貴。可通過以下參數壓縮單次費用# 截斷送入模型的正文長度Token 數默認 2048 INFERENCE_CONTEXT_LENGTH1024 # 限制模型輸出 Token 數默認 2048 INFERENCE_MAX_OUTPUT_TOKENS10244. 使用本地或更便宜的推理后端如果你對成本高度敏感Karakeep 還支持 Ollama、Gemini、OpenRouter、Perplexity、Azure、Cloudflare 等 OpenAI 兼容后端其中Ollama 本地推理完全不產生 API 費用僅消耗本機算力。以 Ollama 的 OpenAI 兼容接口為例OPENAI_API_KEYollama OPENAI_BASE_URLhttp://ollama.mylab.com:11434/v1 # 先在 Ollama 中拉取對應模型例如 INFERENCE_TEXT_MODELgemma3 INFERENCE_IMAGE_MODELllava使用本地模型時注意兩點官方配置指南原文提示容器內訪問 Ollama 不能使用localhost地址必須使用宿主機可達的地址若所選模型不支持結構化輸出需要設置INFERENCE_OUTPUT_SCHEMAplain默認structured見 config.ts L110-L112。完整的各家提供商配置示例Gemini / OpenRouter / Perplexity / Azure / Cloudflare 的OPENAI_BASE_URL與模型參數見 AI 提供商配置指南。5. 摘要與語義搜索是額外的費用來源除打標外還有兩類 AI 功能會產生費用需要一并納入成本預算自動摘要INFERENCE_ENABLE_AUTO_SUMMARIZATIONtrue走與文本打標相同的inferFromText通道見 summarize.ts但 prompt 更長單次費用高于打標嵌入向量text-embedding-3-small默認 1536 維用于語義搜索與標簽建議精化按 Token 計費且默認EMBEDDING_ENABLE_AUTO_INDEXING未開啟。若不需要語義搜索保持關閉即可節省該部分費用。打標推理的完整調用鏈路源碼視角理解成本最好也理解一次打標究竟經歷了什么。結合 tagging.ts 與 inference.ts一次自動打標的調用鏈如下觸發書簽創建 / 上傳后推理 worker 接收任務讀取書簽的contentType判斷類型文本、圖片、PDF 或 GIFGIF 短路GIF 直接返回null不調用模型L163-L168構造 prompt文本類調用inferTagsFromTextL278-L305圖片類調用inferTagsFromImageL174-L185都會注入語言設置、自定義提示詞、標簽風格與候選標簽發起推理OpenAIInferenceClient.inferFromText/inferFromImageinference.ts L304-L389調用chat.completions.create圖片請求附帶detail: low并聲明response_format結構化輸出解析結果從返回的choices[0].message.content中解析標簽 JSON同時記錄usage.total_tokens用于日志與后續統計落庫解析出的標簽寫入書簽推理任務完成。若配置了 Ollama則走OllamaInferenceClientinference.ts L422 起通過本地host完成同樣的推理費用由本地算力替代。小結推理類型默認模型v0.30.0官方成本量級參考主要成本變量文本打標gpt-4.1-mini約 3000 條書簽 / $1 以內正文長度、自定義提示詞規模圖片打標gpt-4o-mini低分辨率模式約 1000 張圖片 / $1 以內固定 Token 計費與圖片尺寸無關Karakeep 的自動打標成本被官方刻意壓到了極低的水平文本側靠高性價比模型圖片側靠detail: low低分辨率固定計費。實際部署時你可以通過INFERENCE_ENABLE_AUTO_TAGGING開關、模型替換、INFERENCE_CONTEXT_LENGTH截斷乃至切換 Ollama 本地推理把這一成本進一步壓縮甚至歸零。相關配置參數的完整清單與各家提供商的接入方式可進一步查閱 AI 提供商配置指南 與 環境變量文檔。【免費下載鏈接】hoarderA self-hostable bookmark-everything app (links, notes and images) with AI-based automatic tagging and full text search項目地址: https://gitcode.com/GitHub_Trending/ho/hoarder創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考