小道的技术笔记

上一篇聊了 Cloudflare Tunnel 解决面板暴露给外网的问题；这篇是收口篇：把
Home Assistant 和博客也挂到同一个隧道上，顺带踩坑记录一个 HA 2026.8 的
“反直觉”变更——http 配置从 YAML 迁到了 UI，写错位置会拖垮整个站点。

TL;DR

• HA.dingdao.me / blog.dingdao.me 走 Cloudflare Tunnel 外网访问，源站分别是
  http://localhost:8123 和 http://localhost:80（openresty），全程零入站端口。
• 博客用 Hexo（Node 生成静态 HTML）+ openresty 托管，4G 内存的机器上零额外常驻。
• 最大的坑不在隧道本身，而在 HA 的 http 配置位置：新 schema 校验导致
  http 组件启动失败，连锁拖垮几十个集成，所有带 X-Forwarded-For 的请求被拒 400。

一、拓扑

1
2
3
4
5

手机/外网 → Cloudflare Edge (blog/HA.dingdao.me)
             → cloudflared (VM 内 systemd 服务，出站 QUIC 连 CF 边缘)
             → ingress 规则（CF 后台配置，tunnel 拉取）：
                 blog.dingdao.me  → http://localhost:80    (openresty，Hexo 静态文件)
                 HA.dingdao.me    → http://localhost:8123  (Home Assistant 容器)

cloudflared 用 token 认证跑在 systemd（cloudflared.service），ingress 规则存在
CF 后台，本地改 hostname 后约 10 秒内 tunnel 会拉取新配置（日志里能看到
Updated to new configuration version=N）——改完规则一定要看版本号变了再测，
之前测到 404 其实就是规则还没同步下来。

二、HA 的坑：http 配置搬家了

症状：HA 容器本地 8123 正常 200，外网经 tunnel 一律 400 Bad Request，
日志里刷：

1
2
3

ERROR [homeassistant.components.http.forwarded]
A request from a reverse proxy was received from 127.0.0.1,
but your HTTP integration is not set-up for reverse proxies

第一反应是”没配 trusted_proxies”，往 configuration.yaml 里加 http: 块——
结果更糟：整个 http 组件启动失败，连带 auth/onboarding/api 等几十个
集成全挂，错误是：

1
2
3

Invalid config for 'http': some but not all values in the same group of
inclusion 'proxy' 'http-><proxy>', got None
Invalid config for 'http': 'use_x_forwarded_for_header' is an invalid option

根因：HA 2026.8 起 http 配置从 configuration.yaml 迁移到 UI，
存进 .storage/http（JSON）。YAML 里残留的 http: 块走新 schema 校验，
单写 trusted_proxies 属于”部分填写必选项组”，直接判定无效配置。

正确做法：

1. 删掉 configuration.yaml 里的 http: 块；

2. 改 .storage/http 的 stable 字段：

   1 2	"use_x_forwarded_for": true, "trusted_proxies": ["127.0.0.1/32"]

3. 重启 HA。

注意：直接改 .storage/http 绕过了 UI 的”5 分钟确认窗口”，
HA 会在 UI 里挂一个 pending 状态等确认，建议之后进
设置 > 系统 > 网络 > HTTP 服务器 保存一次，否则可能被回滚。

三、Hexo + openresty 托管博客

4G 内存的机器不适合跑 WordPress/PHP 那套，Hexo 构建后是纯静态文件，
openresty 直接托管，运行期零额外内存占用：

1
2
3
4
5
6

cd ~/blog
npx hexo init . && npm install
npx hexo new "文章标题"     # 在 source/_posts/ 下生成 md
npx hexo generate          # 重新生成 public/
# 同步到 openresty（宿主 /opt/1panel 是 root 所有，经容器操作）：
docker cp ~/blog/public 1Panel-openresty-hK6e:/www/blog-public

站点配置（openresty 容器内 conf/default/blog.dingdao.me.conf）：

1
2
3
4
5
6

server {
    listen 80;
    server_name blog.dingdao.me;
    root /www/blog-public;
    location / { index index.html; try_files $uri $uri/ /index.html; }
}

改完 nginx -t 再 nginx -s reload，外网即可访问。

四、踩坑清单（增量）

五、一句话总结

NAT 后的家用虚拟机，”被访问”只能靠服务主动出站的那根隧道；
而隧道通了之后，真正的坑往往在应用层——HA 配置搬家、规则同步延迟，
都藏在”看起来隧道没问题”的假象后面。

作者：小道 · 环境：kaliserver（Hyper-V / Ubuntu 26.04）· 2026-09-17
关联阅读：《我推翻了上一篇的一半结论：NAT 后的虚拟机对外提供服务，答案是 Cloudflare Tunnel》

起因很简单：想在虚拟机里跑点自己的 AI 项目。
结果从”SSH 都连不上”开始，一路排到网络架构、磁盘分区、公钥权限、NAT 持久性、
OAuth 回调、路由分类器……最后落在一个 model=auto 上。

这篇不是教程，是一份排障账本——记录那些”看起来成功了”的假信号，
以及它们各自骗了我多久。

（全文已对公网 IP、内网地址、域名、账号、密钥、tailnet 名等做脱敏，仅保留技术结构。
文末附自查清单。）

TL;DR

一台跑在 Windows Hyper-V 里的 Ubuntu 26.04 虚拟机，最终变成：

1
2
3
4
5
6
7
8
9
10
11

                 ┌──────────────── Cloudflare Tunnel ────────────────┐
手机/任意网络 ────┤  aigw.example.com  → localhost:8080  (AI 网关)     │
                 │  panel.example.com → localhost:8443  (1Panel)      │
                 │  dsh.example.com   → localhost:10443 (DeepSeek Harness)
                 └───────────────────────────────────────────────────┘
                                       │
家里设备 ── 192.168.x.7:8443 ──┐       │
宿主机   ── 192.168.x.10:8080 ─┼──►  Ubuntu VM (2核/4G/76G)
                                │      ├─ AI 网关：5 个上游账号 / 3 个模型组
                                │      │   / 智能路由 auto / 1 个个人 key
                                └──────┴─ 1Panel + Docker + DeepSeek Harness

• 一个 Base URL + 一个 API Key，背后 19 个模型，按任务复杂度自动分派
• 路由器零端口转发，公网入口只有 Cloudflare
• 从”虚拟机彻底失联”到全链路可用，中间踩了 14 个坑，其中 4 个是假成功信号

一、起点：一台连不上网的虚拟机

新装好的 Ubuntu Server 26.04，纯命令行，目标是搭 AI 开发环境。第一天就翻车：

宿主机 Windows 重启一次，SSH 再也连不上虚拟机。控制台里 ip a 长这样：

1

2: eth0:  mtu 1500 state DOWN

我的第一反应是”Hyper-V 的 Default Switch 网段随重启漂移，静态地址失效了”。

这个判断对了一半——网段确实每次宿主重启都换（我机器上历史出现过 5 个不同网段），但它不是主因。因为那个静态地址，从头到尾就没生效过。

二、真凶：配置没错，但网卡”没人管”

1
2
3

networkctl
#   IDX LINK  TYPE  OPERATIONAL SETUP
#   2   eth0  ether routable    unmanaged    ← 关键在这一列

unmanaged 的意思是：没有任何网络管理器在管这块网卡。翻 netplan 配置：

1
2
3
4

ethernets:
  eth0:
    match:
      macaddress: 00:15:5d:02:10:04     # 配置里匹配这个 MAC

而实际网卡 MAC 是 00:15:5d:02:10:05。连安装器留下的原始备份都是 :04——说明这块虚拟网卡在装完系统后被重建过，Hyper-V 重新分配了动态 MAC。

MAC 匹配不上 → 整份配置对这块网卡完全无效 → 既没有静态地址，也没有 DHCP 兜底。

可复用的判据：ip a 看不到地址时，先看 networkctl 的 SETUP 列，别急着改地址。
unmanaged = 配置没匹配上；configuring / failed 才是配置本身有问题。

三、顺手挖出三个静默炸弹

第二条有个反直觉的细节：AutomaticStopAction 只能在 VM 关机状态下修改。VM 运行中执行 Set-VM 会返回成功，但 Get-VM 读回来纹丝不动——你会以为命令没生效，反复试。

四、网络定型：双网卡分工（以及一个更深的坑）

最终架构：

1
2
3
4
5
6
7
8

宿主机
├─ Default Switch（Hyper-V 自管 NAT，每次开机自动重建）
│    └─ VM eth0：DHCP，只要地址、不要默认路由  → 兜底 SSH 入口
└─ 自建内部交换机 VMIntNet（网段永久不变）
     └─ VM eth1：静态 192.168.x.10，只负责入站  → 日常 SSH 入口

出网：eth0 → Default Switch NAT → 互联网
入站：宿主机 → eth1 静态地址（重启不变）

对应 netplan 的关键两行：

1
2
3
4
5
6

eth0:
  dhcp4: true
  dhcp4-overrides: { use-routes: false, use-dns: false }   # 只要地址，不抢路由
eth1:
  addresses: [ 192.168.x.10/24 ]
  # 故意不写 routes:

那个更深的坑就藏在”故意不写 routes”上。

我最初的版本是给 eth1 配了默认路由、出网走自建内部交换机的 New-NetNat。看起来更”干净”——永久网段、自主可控。然后宿主机重启了一次：

• portproxy 还在
• 宿主侧静态 IP 还在
• 防火墙规则还在
• New-NetNat 建的 NAT 对象，没了

于是虚拟机一条默认路由都没有（eth0 被我设成不抢路由），出网 100% 断死，DNS 最先死。而当时 Tailscale 显示 logged out，我一度以为是 Tailscale 故障。

教训：内部交换机可以做”永久入站”，但不要拿它做出网主路径。
出网交给 Hyper-V 自己托管的 Default Switch NAT——它每次开机自动重建，不需要你养。

五、VS Code 反复要密码，而命令行免密正常

这个现象非常迷惑：命令行 ssh devbox 秒进，VS Code Remote-SSH 每次都弹密码框。

两个原因叠加。

其一，陈旧 .pub 造成的假指纹。 我把公钥装进虚拟机后仍被拒。查了半天才反应过来：

1
2

ssh-keygen -lf id_ed25519      # 报了个指纹
ssh-keygen -yf id_ed25519      # 反导出的却是另一个公钥

ssh-keygen -l 读私钥时会去拿同名的 .pub 文件，而那个 .pub 是上一把密钥的残留（私钥重新生成过，.pub 没跟着更新）。客户端拿 .pub 里的 blob 去 offer、却用不匹配的私钥签名 → 服务端必然拒绝。修复就是 -y 重新导出覆盖。

其二，私钥文件的 NTFS 权限太松。 Windows 自带的 OpenSSH（VS Code 用的就是它）会检查私钥 ACL，发现 BUILTIN\Users 和 Everyone 可读，就静默跳过密钥退化成密码认证。而 git-bash 里那个新版 OpenSSH 不做这个检查——所以”我能连、VS Code 不能连”。

1
2

icacls $key /inheritance:r /remove "BUILTIN\Users" "Everyone"
icacls $key /grant:r "${env:USERNAME}:F" /grant "NT AUTHORITY\SYSTEM:F"

顺带一个 shell 坑：PowerShell 里 "$env:USERNAME:F" 会被解析成带作用域的变量而变成空串，必须写 "${env:USERNAME}:F"。

六、磁盘”只剩 19G”是个假象

根分区剩 8.5G，正准备停机扩虚拟磁盘，pvs 一看出问题了：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

PV         VG        PSize    PFree
/dev/sda3  ubuntu-vg  虚拟机磁盘不够，**先 `pvs` 看 PFree**，别一上来就动虚拟磁盘文件。

## 七、对外暴露：三条路全部撞墙

服务搭起来了，下一个需求是"手机在外面也能访问"。

### 尝试一：Tailscale 直连虚拟机 —— 架构上不可能

手机和虚拟机在同一个 tailnet，虚拟机有 `100.x` 地址，理论上直连就行。结果超时。

**而这里出现了第一个漂亮的假信号**：手机上 `tailscale ping 100.x` **是有 pong 的**。

但虚拟机上抓包，`tcpdump -nni any port 8443` —— **一个 SYN 都没收到**。

原因两层：

1. `tailscale ping` 是 **disco 协议层应答**，由 `tailscaled` 进程直接回，**不经过内核网络栈、不产生 TCP 连接**。ping 通 ≠ 业务数据能传。
2. **方向不对称**。虚拟机藏在 Hyper-V 的 NAT 后面：虚拟机主动出去能通（NAT 记住回程映射），外部主动连入必然被丢；本该退化成 DERP 中继兜底，但国内访问官方 DERP 基本连不上。

更离谱的是：**同一个 WiFi 下的手机和宿主机，tailscale 也打洞失败**，只能绕旧金山中继：

pong from tailscale-termux via DERP(sfo) in 507ms
direct connection not established

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

### 尝试二：用 portproxy 桥宿主的 Tailscale IP —— 不接管 wintun

思路很漂亮：宿主机自己是正常的 tailscale 节点，又有直达虚拟机内网的路由，让它替虚拟机收连接。

**然后我犯了第二个假信号错误**：在宿主机上 `curl http://:8443` 返回 200，我当场宣布"桥通了"。

错。**本机访问自己的 IP 走回环，完全不经过入站防火墙和真实收包路径。** 换手机测，照样超时。最终确认 `netsh portproxy` 不接管 Tailscale 那张 wintun 网卡。

> 铁律：**验证"外部能否连入"，必须换一台机器测。**

### 尝试三：公网域名 + 路由器端口转发 —— 两个假象叠加

域名在 Cloudflare 做灰云直指家宽公网 IP，路由器加端口转发。逻辑成立，实测超时。

**假象一：NAT 回环。** 在家里 WiFi 上访问自己的公网 IP，绝大多数家用路由器不支持回环，必然超时。判别方法：宿主机打自己公网 IP 超时、打自己局域网 IP 却是 200。所以**测公网链路必须关 WiFi 用移动数据**，否则你会把"回环不支持"误判成"公网不通"。

**假象二：规则填错。** 最后发现路由器规则里"局域网主机"字段填成了 `192.168.x.7:8443`（这个字段只能填纯 IP），而"局域网主机端口"填了外部端口 45432（应该填服务真实端口 8443）。也就是说——**我一度得出的"运营商封端口"结论，从头到尾没被真正验证过。**

## 八、终局：Cloudflare Tunnel，以及一张错误码阶梯

隧道是**虚拟机主动向外连 Cloudflare 边缘**，所以三个死结同时解开：不需要入站端口（不怕封）、不需要打洞（不受 NAT 方向限制）、不需要公网 IP。

```bash
# 虚拟机侧：token 从 Cloudflare Zero Trust → Tunnels → Connector 里复制
sudo tee /etc/cloudflared/cloudflared.env '
sudo systemctl enable --now cloudflared

配置过程不是一次到位，三个错误码恰好对应三个不同层次，值得存成查表：

最后一条在日志里一目了然：

1
2

ERR Unable to reach the origin service:
    tls: first record does not look like a TLS handshake   originService=https://localhost:8443

判据：522 慢 → 查 DNS 是不是橙云 CNAME；502 快 → 查 cloudflared 日志的 originService。

配好之后把路由器所有端口转发关掉——公网入口只剩 Cloudflare 一条，被扫描爆破的面彻底收口。

九、AI 网关：把散落的 API Key 收成一个

基础设施稳了，回到真正目的。用 1Panel 装了 AI 网关，把各家模型聚合成一个入口。

账号池（5 个上游，全部健康）：

模型组（关键认知：组内顺序是”故障转移链”，第一个模型吃 100% 流量，后面的只在它挂了才轮到）：

1
2
3
4

light   : agnes-2.0-flash → qwen3-coder-next → agnes-2.5-flash → Qwen3.5-4B
complex : agnes-3.0-flash → qwen3-coder-plus → qwen3-max → qwen3.7-plus
          → kimi-k2.5 → DeepSeek-R1 → GLM-4-9B → agnes-2.5-pro-alpha
image   : agnes-image-2.5-flash

智能路由：虚拟模型名 auto，阈值 0.80。这里有个必须踩一次才知道的坑——智能路由是基于”首条消息的向量相似度”分类的，不是内置复杂度判断，而且它依赖向量服务；更关键的是，种子样本的向量索引默认没建：

1

188 条样本，vectorDim = 0   ← 索引没算，分类器等于空转

不触发一次全量向量计算，所有请求都会”无法可靠判定 → 按简单处理”。索引建完，分类立刻正常。

最终形态：一个 Base URL、一个 key，model=auto 走天下，需要特定时点名。

1
2
3

from openai import OpenAI
client = OpenAI(base_url="https://aigw.example.com/v1", api_key="")
client.chat.completions.create(model="auto", messages=[...])

十、实测数据把我的直觉全推翻了

我原本的设计前提是：”agnes 免费又快速，应该当第一优先级；硅基流动慢，放最后。”

于是给 6 个候选模型各跑了 3 次实测：

三个结论，每个都和直觉相反：

1. “免费又快”不成立。 agnes 是免费 beta，代价是限流 + 长尾（35 秒超时、连续失败）。放链首会让所有 auto 请求先撞墙再降级，实测 auto 因此出现 40 秒延迟。
2. 同账号内的多个模型互为备份毫无意义。 agnes 四个模型共用一个账号，账号级 cooldown 一来四个一起倒。真正的容灾必须跨供应商。
3. 已经付费的 Coding Plan 反而是最好的主力。 1.2–3 秒、6/6 成功，而且额度是已经花出去的沉没成本。

最终我没有把 coder 提到首位（那会让额度消耗过度集中），而是选了折中方案：agnes 保持首位省额度，但把它的账号并发压到 1，并让 qwen3-coder-next 紧跟第二位——这样撞墙时 1～2 秒就降级到快模型，而不是掉进 40 秒的坑。

还有一个”第四个假信号”：我一度断言”cookie 的 SameSite=Strict 导致 OAuth 回调必挂”。
后来实测发现 state cookie 其实是 Lax，Strict 只在 csrf 上，真正的疑点是它只有 5 分钟有效期。
在没有对照实验之前，不要把推论当结论写进方案。

十一、接入端：两个小插曲

WorkBuddy 连不上。 报 404，且错误里目标显示为 https://aigw.example.com（没有 /v1）。真正原因有两层：Base URL 必须带 /v1；而且一旦勾选”工具调用/推理”，客户端会从 Chat Completions 切到 Responses API，而所有上游账号都只声明了 openaiChatCompletions 协议，Responses 路由无人可服务 → 404。所以那些开关就是不能勾，除非给账号补上 Responses 协议。

DeepSeek Harness。 1Panel 应用商店装的 deepseek-harness，Caddy 提供 HTTPS（自签本地 CA），配好模型后端指向网关的 auto 之后直接跑通：多轮 agent 任务、142 tok/s、77K token 上下文、缓存命中 19%。至此从”上游 API Key”到”能干活的应用”整条链路闭环。

十二、可复用的踩坑清单

十三、一句话总结

这一路最贵的不是配置，而是那些”看起来成功了”的瞬间：
有 pong 的 tailscale ping、返回 200 的本机自测、”所有设备都超时”（其实只是路由器不支持回环）、
“免费所以该优先”（其实限流长尾最致命）。

排障的真正门槛不是会配，而是知道每一个”成功”信号证明了什么、没证明什么。
凡是只验证了一半的结论，都要给它留一个被推翻的位置。

配图建议：① 双网卡分工拓扑（出网走 Default Switch NAT / 入站走内部交换机静态 IP）
② networkctl 显示 unmanaged 的截图 ③ 522 → 530 → 502 → 200 四次响应对照
④ 六个模型延迟实测柱状图 ⑤ 最终访问矩阵 + WorkBuddy / Harness 实跑截图

脱敏说明（发文前自查）

正文已做如下处理，发布前请再自查一遍：

• 公网出口 IP → 未出现，仅表述为”家宽公网 IP”
• 内网地址 192.168.x.7（宿主）、192.168.x.10（虚拟机）→ 已用 x 占位
• Cloudflare 域名与隧道主机名 → 统一改为 aigw.example.com / panel.example.com / dsh.example.com，真实子域名与主域名不出现
• Tailscale IP 与 tailnet 名 → 100.x.x.x / 不出现；peer 名改为通用描述
• 所有账号密码、API Key、隧道 token → 一律 /，正文无任何真实凭据
• 1Panel 面板安全入口码 → 表述为”入口码”
• 飞书 / 钉钉的 Tenant ID、App ID → 未出现（该功能与主线无关，正文只保留结论）
• 网卡 MAC → 保留 00:15:5d:02:10:04/05/07，这是 Hyper-V 本机动态分配值，不具公网可定位性；若介意可改为 00:15:5d:02:10:0x
• 模型名与供应商 → 保留真实名称（属公开信息，且是本文技术价值所在）

如需保留真实域名作为示例，把 example.com 换回你自己的域名即可；
其余占位符已覆盖所有可直接定位到人的标识符。

两个月，88篇技术笔记，75篇方法论，53篇每日反思，13篇概念页。这些数字背后，是一个阿里老兵从”闲得发慌”到”睡不着觉”的转变。技术是壳，成长是核。

TL;DR

梳理过去两个月的知识库（88篇tech+75篇wisdom+53篇daily+13篇wiki），以个人成长为主线，预告四大系列：AI Agent实战（技术线）、FDE方法论（认知线）、一人公司OPC（商业线）、每日反思精选（成长线）。技术是壳，成长是核。

一、起因：数字背后的故事

昨天把博客后台的8篇文章发完了。今天闲着没事，翻了一下Hermes里的知识库。

88篇技术笔记，75篇方法论，53篇每日反思，13篇概念页。

加起来229篇。

我盯着这个数字看了很久。两个月，229篇。平均每天3.8篇。

这些数字背后是什么？

是一个从阿里离职、进了50人小公司、每天早九晚五闲得发慌的中年人，开始折腾AI后的真实记录。

技术是壳，成长是核。

二、个人成长线：四个阶段

翻看这229篇笔记，我发现自己的成长可以分成四个阶段。

第一阶段：闲人打工人（6月-7月初）

“时间太多了，多得让人心慌。”

这是我在第一篇博客里写的。阿里11年，从地推铁军到钉钉渠道，到本地生活连轴转。离开是因为身体和家庭到了临界点。进了小公司，舒服，但没成长。

这个阶段的知识库，多是”探索”和”试错”。Hermes安装、多通道接入、股票脚本、爬虫尝试。技术笔记里全是”怎么跑通”。

第二阶段：AI折腾者（7月中-8月）

“跑通只是第一步，真正折磨人的是后续的bug修复。”

Hermes跑通了，开始上自动化。4个定时任务，钉钉Stream反复断，新闻播报被吐槽”胡说八道”，删掉1个。Termux升级，Python 3.11→3.13，cryptography编译崩溃，浏览器自动化被系统block。

这个阶段的知识库，多是”踩坑”和”修复”。技术笔记里全是”为什么不行”和”怎么修”。

第三阶段：方法论沉淀者（8月-9月初）

“181篇H3MS文件≠1个付费客户。”

开始反思。技术折腾的尽头是什么？FDE（前沿部署工程师）概念成型：认知翻译→价值锚定→能力外化。每周追踪全球情报，Browse.sh、DeepSeek Harness、Claude水印绕过。

这个阶段的知识库，多是”方法论”和”洞察”。Wisdom笔记里全是”应该怎么做”和”为什么这么做”。

第四阶段：FDE交付者（9月中-现在）

“每季度一个从0到1的商业闭环。”

给自己定下死命令。研究是私密的，交付是公开的。体系等待验证，交付创造验证。

这个阶段的知识库，多是”复盘”和”规划”。反思笔记里全是”今天交付了什么”而不是”今天研究了什么”。

三、素材梳理：四大系列预告

229篇笔记，不可能全写。我挑了最有价值的素材，规划了四个系列。

系列一：AI Agent实战笔记（技术线）

从88篇tech笔记中提炼，聚焦”怎么跑通”和”怎么修”。

• 已发布：《一台Android手机，就是我的AI服务器》《升级只需5分钟，修环境要5小时》《在手机上跑大模型，HexaBench Lite折腾记》
• 预告：《多通道接入：钉钉、微信、飞书的坑与解法》《爬虫实战：Termux上的微信文章抓取》《磁盘治理：从22GB到12GB的三级目录模式》《Cloudflare代理：从Workers到Tunnel的完整踩坑》

这个系列适合谁？想在Android/Termux上跑AI基础设施的人，想解决多通道稳定性问题的人，想踩坑避坑的人。

系列二：FDE方法论实战（认知线）

从75篇wisdom笔记和13篇wiki概念页中提炼，聚焦”AI能力如何翻译到现场需求”。

• 已发布：《FDE——前沿部署工程师的自我修养》
• 预告：《认知翻译：找到AI能做且值得做的交集》《价值锚定：从”用AI做个聊天机器人”到”解决XX场景下的XX问题”》《能力外化：交付粗糙但有效的方案》《Palantir FDE方法论：从硅谷到国内的翻译桥》《Harness工程框架：万物皆插件的实战解读》

这个系列适合谁？想做AI落地交付的人，想从”研究者”变成”交付者”的人，想理解FDE是什么的人。

系列三：一人公司OPC探索（商业线）

从wisdom笔记中的商业洞察和workspace中的财经/职业/销售分类中提炼，聚焦”AI时代的个人商业化”。

• 预告：《一人公司OPC自运转商业模式：从0到1的闭环》《Agent产品化方法论：从Demo到付费》《赚钱26种方式的AI适配版》《GitHub商业项目精选：哪些值得跟进》《WAIC 2026渠道变革启示：AI如何重塑传统行业》

这个系列适合谁？想探索AI商业化的人，想从”研究”走向”交付”的人，想理解一人公司OPC模式的人。

系列四：每日反思精选（成长线）

从53篇daily_logs中提炼，聚焦”个人成长的真实记录”。

• 已发布：《复盘——一个非技术人的AI折腾哲学》
• 预告：《技术狂欢到商业冷静：7月26日反思》《涛哥人格分析：过度承诺、研究陷阱与缺乏被拒绝经验》《家庭兴旺20条指南：AI折腾之外的生活》《渠道管理Agent转型：从阿里地推到AI交付》《青蓝计划观察：中年转型的另一种可能》

这个系列适合谁？想看到真实成长记录的人，想从”研究者”变成”交付者”的人，想理解中年转型的人。

四、发布计划

四个系列，预计20-30篇文章。按什么节奏发？

原则：不赶进度，不凑数量。每篇都有真实素材支撑，每篇都有完整的故事线。

节奏：每周1-2篇，穿插发布。技术线、认知线、商业线、成长线交替出现，避免单调。

顺序：

1. 先发技术线（已有基础，读者容易进入）
2. 再发认知线（建立FDE方法论框架）
3. 穿插商业线（从认知到商业的过渡）
4. 最后发成长线（个人反思，系列收官）

五、结语：技术是壳，成长是核

229篇笔记，2个月的折腾。

回头看，技术栈越来越丰富，工具越来越多，系统越来越复杂。但真正留下来的，不是那些跑通的脚本、修好的bug、搭好的架构。

真正留下来的，是”搞明白某个东西”的兴奋感，是”这东西真的能跑”的成就感，是从”闲得发慌”到”睡不着觉”的转变。

技术是壳，成长是核。

壳会旧，核会新。

四个系列，20-30篇文章，慢慢写，慢慢发。

不急。

作者：小道 · 环境：Termux on Android 13 · 2026-09-18
关联阅读：上一篇《复盘——一个非技术人的AI折腾哲学》 · 系列预告：AI Agent实战笔记 / FDE方法论实战 / 一人公司OPC探索 / 每日反思精选

在 Windows Hyper-V 里的 Ubuntu 26.04 VM（2 vCPU / 3.3G 内存 / 无公网入站端口）上，
把 1Panel v2.3.0 一行装好，从 Windows 桌面直接打开纯中文图形界面管服务器，
还能一键拉 AI 应用。
下面是这次部署中踩过的坑、绕过的弯路，以及最终落地的完整可复现步骤。

（本文已对面板用户名、密码、tailnet、宿主 IP 等做脱敏处理，仅保留技术结构。）

TL;DR

• 机器：Hyper-V 里的 Ubuntu 26.04 LTS，2 vCPU / 3.3G 内存 / 76G 盘。无 GPU、无公网入站，靠宿主 portproxy + Tailscale 访问。
• 目标：装 1Panel，从 Windows 桌面直接开图形界面管这台服务器（网站、容器、AI 应用、监控、文件、终端）。
• 结果：✅ 装好，http://192.168.100.10:8443/<entrance> 打开即登录，纯中文界面，面板常驻内存 ~50–100M，磁盘只占 229M。
• 两个最大的坑：
  1. 1Panel 官方国内安装源 in.1panel.cn 从这台机器直连 DNS 解析失败（000）。
  2. 包从国内 CDN resource.1panel.pro 用 curl 下载会被 WAF 限流截断到 11MB / 65MB，校验和永远对不上。
• 解法：换用 resource.fit2cloud.com（国际/国内都能直连）+ wget（比 curl 完整），校验通过后再装。

下面按「为什么 → 环境盘点 → 踩坑 → 最终步骤 → 验证 → 面板里干啥」展开。

一、为什么选 1Panel，而不是 cPanel / BT 面板 / 纯 Docker

先说选型。家用虚拟机这种场景，诉求其实是：

1. 不想在终端里敲一堆 apt、systemctl——要图形界面。
2. 要能管容器——后面想装各种 AI 应用（Ollama、vLLM、ComfyUI、Dify…）都是 Docker 镜像。
3. 要轻——机器只有 3.3G 内存，面板常驻不能太吃。
4. 要纯中文、免费、开源、社区大。

对比一下：

1Panel（飞致云出品，和 JumpServer/DataEase 一家）的「一键应用市场」和「AI 网关」是它相比 BT/cPanel 最大的差异点——这次目标里「支持 AI 工具下载」主要就靠它。

二、环境盘点：先把家底盘清

动手前，先把这台 VM 的「网络 + 资源 + 已有软件」摸一遍，避免装到一半发现端口冲突或磁盘不够。

1
2
3
4
5
6
7
8
9
10
11
12
13

# 网络：eth0 走 DHCP 出网（每次宿主重启网段会变），eth1 静态 192.168.100.10 专给宿主入站
ip a | grep -E 'eth|inet'

# 资源
free -h          # 3.3G 总量，可用 ~1.8G
df -h /          # 76G 总量，可用 62G

# Docker 现状
docker ps -a
docker info | grep -E 'Server Version|Registry Mirrors' -A2

# 8443 端口是否被占用
ss -ltn | grep 8443 || echo '8443 free'

盘点结果（关键几条）：

• eth1 = 192.168.100.10/24，故意没有默认路由，只走宿主入站。所以从 Windows 访问面板要用这个 IP，不是 eth0 的 172.18.x.x。
• Docker 29.8.0 已装，且 registry-mirrors 已经配了 docker.m.daocloud.io + docker.1ms.run（国内加速）——这点很关键，后面在面板里在线拉 AI 镜像不用额外配。
• in.1panel.cn 直连 000（DNS 解析失败），resource.1panel.pro 能用但 curl 被限流——这是后面两个坑的伏笔。
• 8443 空闲。

三、两个坑（先讲清楚，最后一步就顺了）

坑 1：官方国内安装源 in.1panel.cn 解析不到

1Panel 官方给国内的安装命令是：

1

bash -c "$(curl -sSL https://in.1panel.cn/install_get.sh)"

但在 Hyper-V + 这种出网走 eth0 的拓扑里，in.1panel.cn 直接 DNS 解析失败：

1
2
3
4

$ getent hosts in.1panel.cn
# 无输出（fail）
$ curl -sI https://in.1panel.cn/install_v2.sh
# code:000

原因不深究（可能是该域名没接入这台机器出网走的 DNS，或它只在部分网络解析）。结论：这条路在这台机器上走不通，换源。

坑 2：国内 CDN resource.1panel.pro 用 curl 下载被 WAF 截断

官方文档给的包地址在 resource.1panel.pro。这个域名 HEAD 请求正常（能拿到 checksums），但 GET 实际下载被 WAF 限流——curl 每次只下到 11MB / 65MB 就断，校验和永远对不上：

1
2

$ curl -sL -O 1panel-v2.3.0-linux-amd64.tar.gz
# 反复都是 11926054 字节（11MB），sha256 与官方 663b495b... 不符

wget 能下完整，但更稳的是换到 resource.fit2cloud.com（它和 resource.1panel.pro 是同一套包，只是 CDN 不同，这台机器直连没问题）：

1
2
3

$ curl -sI 'https://resource.fit2cloud.com/1panel/package/v2/stable/v2.3.0/release/1panel-v2.3.0-linux-amd64.tar.gz'
HTTP/2 200
content-length: 65015800   # 完整 65MB

所以最终下载源用 resource.fit2cloud.com，工具用 wget。

四、最终落地步骤（可复现）

4.1 下载 + 校验

1
2
3
4
5
6
7
8
9

# 拉 v2.3.0 amd64 包（65MB）
wget -O /tmp/1panel-pkg.tar.gz \
  'https://resource.fit2cloud.com/1panel/package/v2/stable/v2.3.0/release/1panel-v2.3.0-linux-amd64.tar.gz'

# 对照官方 checksums.txt 里的 amd64 条目
curl -s 'https://resource.fit2cloud.com/1panel/package/v2/stable/v2.3.0/release/checksums.txt' | grep linux-amd64
# 663b495b648b2c9a5b5d3efcc19b87792e23ed7a554f1a59eb272b27403e38cc  1panel-v2.3.0-linux-amd64.tar.gz

sha256sum /tmp/1panel-pkg.tar.gz   # 必须与上面一致

校验这一步别省。CDN 限流下文件可能半截就「下载成功」，只有 sha256 对得上才敢解压。

4.2 解压

1
2
3

mkdir -p /tmp/1panel && tar zxf /tmp/1panel-pkg.tar.gz -C /tmp/1panel
ls /tmp/1panel/1panel-v2.3.0-linux-amd64/
# 1panel-core  1panel-agent  1pctl  install.sh  GeoIP.mmdb  initscript/  lang/ ...

4.3 非交互安装（全参数预设，不弹窗）

1Panel 的 install.sh 支持通过环境变量把所有交互项预设掉，配合 --non-interactive 就是一条命令装完。参数规则（来自脚本里的校验函数）：

随机生成一个 16 位强密码，落盘保存（装完立刻从 /tmp 删掉，不留明文在日志）：

1
2
3
4
5
6
7
8
9
10
11
12

tr -dc 'a-zA-Z0-9' </dev/urandom | head -c 16 > /tmp/.1panel_pwd   # 比如 Oo4A2930x0hXUdye
PWD=$(cat /tmp/.1panel_pwd)

cd /tmp/1panel/1panel-v2.3.0-linux-amd64
echo kali | sudo -E \
  PANEL_PORT=8443 \
  PANEL_USERNAME=kp8 \
  PANEL_PASSWORD="$PWD" \
  PANEL_ENTRANCE=kp8panel \
  PANEL_INSTALL_DIR=/opt \
  PANEL_NON_INTERACTIVE=true \
  bash -c 'bash install.sh --non-interactive --lang zh --install-docker n --configure-accelerator n'

几个参数说明：

• --install-docker n：Docker 已经有了，跳过（脚本会检测 docker version，有就直接复用）。
• --configure-accelerator n：不要让 1Panel 重写 /etc/docker/daemon.json——我们已经配好国内加速了，重写反而可能覆盖掉。
• --lang zh：纯中文界面。

安装日志会实时打印每一步，关键节点：

1
2
3
4
5
6
7
8
9
10
11

已选择安装路径： /opt
未配置镜像加速。
已设置端口： 8443
已设置面板安全入口： kp8panel
已设置面板用户名： kp8
正在配置 1Panel 服务
Created symlink .../1panel-agent.service → /etc/systemd/system/1panel-agent.service
Created symlink .../1panel-core.service → /etc/systemd/system/1panel-core.service
正在启动 1Panel 服务
1Panel 服务已成功启动，正在继续执行后续配置，请稍候...
=====感谢您的耐心等待，安装已完成=====

它会注册 两个 systemd 服务：

• 1panel-core：UI + API，监听 8443
• 1panel-agent：后台任务（备份、监控、定时任务等）

装完立刻清掉密码明文：

1

rm -f /tmp/.1panel_pwd /tmp/1panel-pkg.tar.gz

4.4 验证（三条全绿才算装好）

1
2
3
4
5
6
7
8
9
10
11
12

# 1) 服务状态
/usr/local/bin/1pctl status all
# 🟢[OK]Core: 正在运行
# 🟢[OK]Agent: 正在运行

# 2) 端口监听
ss -ltnp | grep 8443
# LISTEN 0 4096 0.0.0.0:8443 ...

# 3) HTTP 200（从 VM 内网 eth1 地址访问，等价于 Windows 宿主访问）
curl -s -o /dev/null -w '%{http_code}\n' http://192.168.100.10:8443/kp8panel
# 200

五、从 Windows 桌面访问

本机无公网入站，靠 宿主 portproxy 把 192.168.100.10:8443 转发到 VM：

1

Windows 浏览器 → http://192.168.100.10:8443/kp8panel → 宿主 portproxy → VM eth1:8443 → 1Panel

浏览器打开即登录页，输入 kp8 + 密码，进来就是纯中文主界面。

六、面板里干啥：从「装了」到「真用起来」

装好只是开始。这台 3.3G 内存的机器，1Panel 真正的价值是把 AI 应用和常用服务变成一键：

1. 主机 → Docker：确认 registry-mirrors 已有 docker.m.daocloud.io / docker.1ms.run（已有，别动）。这是后面在线拉 AI 镜像的命脉。
2. 应用 → 一键安装 AI：
   • Ollama：本地大模型运行时，装完在「AI 模型」里拉 qwen2.5:1.5b / llama3.2:1b（Q4 量化，3.3G 内存够用）。
   • Dify / FastGPT / MaxKB：RAG 知识库 + 工作流，一键起容器。
   • vLLM / ComfyUI：需要显存，这台没 GPU，不建议本地跑，走 1Panel 的 AI 网关接云端 API。
3. 网站：OpenResty 已内置（/opt/1panel/apps/openresty），建站/反代/SSL 直接点。
4. 监控：内置面板看 CPU/内存/网络/磁盘，家用机够用了。

本机纪律：不要在本地跑大模型推理（无 GPU 直通，2C CPU 扛不住 7B+）；LLM 一律走 API。1Panel 的价值在于编排（一键把 Ollama/Dify 起容器），不在于本地硬算。

七、资源占用 & 运维

装完实测：

1
2
3

du -sh /opt/1panel     # 229M（二进制 + app 模板 + 数据库 + OpenResty）
free -h                # 面板常驻 ~50–100M，3.3G 总量无压力
docker ps              # 装了多少 AI 应用一目了然

运维四件套（都在 /usr/local/bin/1pctl）：

1
2
3
4

/usr/local/bin/1pctl status all    # 查状态
/usr/local/bin/1pctl restart       # 重启
/usr/local/bin/1pctl user-info     # 密码忘了看/重置
/usr/local/bin/1pctl uninstall     # 彻底卸载

安全建议：进面板第一件事，把默认密码改成自己好记的（「账户」里改）。入口路径 kp8panel + 非默认端口 8443 本身已是弱口令，可以保留。

八、踩坑复盘 & 通用教训

通用教训（值得记在脑里的几条）：

1. 国内源 ≠ 一定通。官方标榜国内直连的源，在「宿主 DHCP 出网 + 特定 DNS」的拓扑下可能解析失败。先 getent hosts 探一下，再决定走哪个源。
2. 下载工具也是变量。同一个 CDN，curl 和 wget 的 TLS 指纹/UA 不同，WAF 待遇也不同。大包下载前先小范围验证（curl -I 看 content-length），别默认 curl 能下全。
3. 校验和永远要验。CDN 限流下「下载完成」≠「文件完整」。sha256 对上才敢解压。
4. 别覆盖已有的 daemon.json。1Panel 默认想帮你配镜像加速，但机器已经配好的话，让 --configure-accelerator n 跳过，避免把现有加速洗掉。
5. 端口监听是「拒绝」与「超时」的分水岭。ERR_CONNECTION_REFUSED = 链路通但无监听（先查 ss）；ERR_CONNECTION_TIMED_OUT = 路由/防火墙问题（查 ip route get）。

九、一句话总结

一台没有公网入站、只有 3.3G 内存的家用 Hyper-V 虚拟机，
用 fit2cloud 源 + wget + 非交互参数 把 1Panel 一行装好，
从 Windows 桌面开纯中文图形界面，一键拉 AI 应用、管容器、管网站。

能装好，比知道怎么装更重要——但知道怎么装，决定了你下次会不会再踩一遍同样的坑。

作者：小道 · 环境：kaliserver（Hyper-V / Ubuntu 26.04）· 2026-09-16
关联阅读：《在家用宽带「封端口」时代，我如何用 Tailscale 搞定跨网络远程开发》

上一篇我说”家用宽带封端口时代，Tailscale 一条命令搞定跨网络远程开发”。
那句话对我自己连进服务器依然成立；但这次我要让手机去访问服务器上的 Web 面板时，
Tailscale 彻底做不到，端口转发也做不到，最后是一根出站的 Cloudflare Tunnel 收的场。

顺带记录一次教科书级的 Hyper-V 虚拟机网络故障排查。

（本文已对账号、公网 IP、tailnet 名、域名等敏感信息脱敏，仅保留技术结构，见文末自查清单。）

这是”家用 Hyper-V 虚拟机”系列的第三篇：

1. 《在家用宽带”封端口”时代，我如何用 Tailscale 搞定跨网络远程开发》—— 解决 SSH 远程开发
2. 《一台家用虚拟机，如何用最「丝滑」的方式装上一个完整的服务器面板》—— 解决 装 1Panel
3. 本篇 —— 解决 把面板暴露给外部网络

需要特别说明的是：本篇修正了第 1 篇结论的适用边界。那篇说”Tailscale 是个人远程开发的默认最优解”，
在”我用自己的设备连进服务器“这个方向上完全成立；但当需求变成
“任意客户端访问服务器上的一个服务“时，Tailscale 在 NAT 后的虚拟机上做不到。
第 2 篇里”无公网入站，靠宿主 portproxy + Tailscale 访问”那句，也一并被本篇更新。

TL;DR

一台跑在 Windows Hyper-V 里的 Ubuntu 虚拟机，装了 1Panel（Web 管理面板，监听 8443）。
目标：手机在任何网络都能打开这个面板。

我依次试了四条路，前三条都撞墙：

核心认知修正：Tailscale 解决的是”我控制设备去连服务器”，Cloudflare Tunnel 解决的是”任意客户端访问一个服务”。这两件事在 NAT 后的虚拟机上完全不等价。

一、先把地基修好：VM 连 IP 都拿不到

在谈对外服务之前，先处理了一个更基础的问题——虚拟机重启后彻底失联。

1.1 症状与我的第一次误判

Windows 宿主机重启后，SSH 连不上 VM。VM 控制台里 ip a 显示：

1

2: eth0: <BROADCAST,MULTICAST> mtu 1500 state DOWN   ← 注意没有 UP 标志

第一反应是”Hyper-V 的 Default Switch 网段随重启漂移，静态地址失效了”。
这个判断对了一半——网段确实每次重启都换（我机器上历史出现过 5 个不同网段），
但它不是主因，因为那个静态地址压根就没生效过。

1.2 真凶：netplan 的 MAC 匹配失效

1
2
3

networkctl
#   IDX LINK  TYPE  OPERATIONAL SETUP
#   2   eth0  ether routable    unmanaged    ← 关键：unmanaged

unmanaged 意味着没有任何网络管理器在管这块网卡。翻配置：

1
2
3
4
5

# /etc/netplan/00-installer-config.yaml
ethernets:
  eth0:
    match:
      macaddress: 00:15:5d:02:10:04     # 配置里匹配这个 MAC

而实际网卡 MAC 是 00:15:5d:02:10:05。连安装器写的原始备份也是 :04
——说明这块虚拟网卡在装完系统后被重建过（迁移/重建 VM 时 Hyper-V 重新分配了动态 MAC）。
MAC 匹配不上 → 整份配置对这块网卡无效 → 既没静态地址也没 DHCP 兜底。

教训：ip a 看不到地址时，先看 networkctl 的 SETUP 列而不是急着改地址。
unmanaged = 配置没匹配上；configuring / failed 才是配置本身有问题。

1.3 顺手挖出三个必炸的隐藏雷

1.4 网络定型：双网卡分工

最终架构，也是这次所有事的基础：

1
2
3
4
5
6
7
8

宿主机 Windows
├─ vEthernet (Default Switch)  172.x.0.1/20      ← Hyper-V 自管的 NAT，每次开机自动重建
│    └─ VM eth0：DHCP，只要地址、不要默认路由（兜底 SSH 入口）
└─ vEthernet (VMIntNet)        192.168.100.1/24  ← 自建内部交换机（永久网段）
     └─ VM eth1：静态 192.168.x.10，只负责入站，不配默认路由

出网：VM → eth0 → Default Switch 的 NAT → 互联网
入站：宿主 → eth1 的静态地址（永远不变，不受宿主重启影响）

对应 netplan 关键片段：

1
2
3
4
5
6
7
8

eth0:
  match: { macaddress: 00:15:5d:02:10:05 }   # 一定用实际 MAC
  dhcp4: true
  dhcp4-overrides: { use-routes: false, use-dns: false }   # 只要地址，不抢路由
eth1:
  match: { macaddress: 00:15:5d:02:10:07 }
  addresses: [ 192.168.100.10/24 ]
  # 故意不写 routes: —— 原因见下面的坑

这里踩过一个惨痛的坑：我一开始给 eth1 配了 routes: [to: default, via: 192.168.100.1]，
出网走自建内部交换机的 New-NetNat。结果宿主重启一次就全网瘫痪——
New-NetNat 建的 NAT 对象不会在宿主重启后存活
（portproxy、宿主侧静态 IP、防火墙规则全都持久，唯独 NAT 不持久）。
而 eth0 被我设成 use-routes: false，于是 VM 一条默认路由都没有，
DNS 最先死，Tailscale 表现为 “logged out”，很容易误判成 Tailscale 故障。

正确做法：出网交给 Hyper-V 自己托管的 Default Switch NAT（它每次开机自动重建），
内部交换机那条静态网卡只当”永久入站入口”用，不配默认路由。

二、两个值得单独记的坑

2.1 磁盘”只剩 19G”是假象

df -h / 显示根分区 19G、剩 8.5G，正准备停机扩 VHDX，结果 pvs 一看出问题了：

1
2

PV         VG        PSize    PFree
/dev/sda3  ubuntu-vg <36.95g  18.47g      ← 18.47G 白躺在 VG 里

Ubuntu 安装器默认只把 VG 的 64% 切给根 LV。所以：

1
2

sudo lvextend -l +100%FREE /dev/ubuntu-vg/ubuntu-lv
sudo resize2fs /dev/ubuntu-vg/ubuntu-lv      # ext4 支持在线扩，不停机不提权不动 VHDX

19G → 37G，30 秒搞定。真要扩 VHDX 是另一回事
（停机 → Resize-VHD → growpart → pvresize → lvextend → resize2fs）。

教训：Linux 虚拟机磁盘不够，先 pvs 看 PFree，别一上来就动虚拟磁盘。

2.2 VS Code 反复要密码，而命令行 SSH 免密正常

这个现象非常迷惑：命令行 ssh devbox 秒进，VS Code Remote-SSH 每次弹密码框。
两个原因叠加。

原因一，陈旧 .pub 造成的假指纹。
ssh-keygen -l -f id_ed25519 报了个指纹，我拿它去装公钥，服务端拒绝。
真相是 ssh-keygen -l 读私钥时会去拿同名的 .pub 文件，
而那个 .pub 是上一把密钥的残留（私钥重新生成过，.pub 没更新）。
客户端拿 .pub 里的 blob 去 offer、却用不匹配的私钥签名 → 必然被拒。

1

ssh-keygen -yf id_ed25519 > id_ed25519.pub     # 从私钥反导出真正的公钥

原因二，私钥文件的 NTFS ACL 太松。
Windows 自带的 OpenSSH（VS Code 用的就是它）会检查私钥权限，
发现 BUILTIN\Users 和 Everyone 可读，就静默跳过密钥退化成密码认证。
而 git-bash 里那个 OpenSSH 10.x 不做这个检查——所以”我能连、VS Code 不能连”。

1
2

icacls $key /inheritance:r /remove "BUILTIN\Users" "Everyone"
icacls $key /grant:r "${env:USERNAME}:F" /grant "NT AUTHORITY\SYSTEM:F"

补充坑：PowerShell 里 "$env:USERNAME:F" 会被解析成作用域变量而变空，
必须写成 "${env:USERNAME}:F"。

三、主线：让手机从任何网络打开 1Panel

地基修好，进入正题。1Panel 在 VM 里监听 0.0.0.0:8443，本机 curl 200 正常。

3.1 尝试一：Tailscale 直连 VM —— 架构上不可行

手机和 VM 都在同一个 tailnet，VM 有 100.x.x.x，理论上手机直接访问
http://100.x.x.x:8443 就行。结果超时。

这里有个极容易骗过自己的现象：在手机上 tailscale ping <VM的100.x> 是有 pong 的！
但抓包一看，VM 侧一个 SYN 都没收到。

原因有两层：

1. tailscale ping 是 disco 协议层应答，由 tailscaled 进程直接回，
   根本不经过内核网络栈、不产生 TCP 连接。ping 通 ≠ 业务数据能传。
2. 方向不对称。VM 藏在 Hyper-V 的 Default Switch NAT 后面：
   • VM 主动去 ping 对端 → 包能出去，NAT 记住回程映射 → 有 pong ✅
   • 对端主动连入 VM 的 100.x → 需要宿主上有对应的入站映射，Hyper-V 不会给 → 丢弃 ❌
   • 本该退化成 DERP 中继兜底，但国内访问 Tailscale 官方 DERP 基本连不上 ❌

更离谱的是：同一个 WiFi 下的手机和宿主机，tailscale 也打洞失败，
只能绕旧金山中继，RTT 500ms+（而 NAT 后面的 VM 反而能直连手机）。

1
2

pong from tailscale-termux (100.98.x.x) via DERP(sfo) in 507ms
direct connection not established

结论：这种拓扑下，别拿 Tailscale 做”别人来访问我的服务”。

3.2 尝试二：用 portproxy 桥宿主的 Tailscale IP —— 不接管 wintun

思路很漂亮：宿主机自己是正常的 tailscale 节点，而且有直达 VM 内网的路由，
那就让宿主替 VM 收连接：

1
2

netsh interface portproxy add v4tov4 listenaddress=<宿主100.x> listenport=8443 `
     connectaddress=192.168.100.10 connectport=8443

而且我差点被自己的测试骗了：在宿主机上 curl http://<宿主100.x>:8443 返回 200，
我当场宣布”桥通了”。错——本机访问自己的 IP 走回环，完全不经过入站防火墙和真实收包路径。
换手机测，照样超时。

最终定位：netsh portproxy（iphlpsvc）不接管 Tailscale 那张 wintun 网卡上的入站连接。
这条路放弃。

铁律：验证”外部能否连入”，必须换一台机器测。
本机自测 200 只能证明监听和回源是好的。

3.3 尝试三：公网域名 + 路由器端口转发 —— 两个假象叠加

域名在 Cloudflare 做**灰云（DNS only）**直指家宽公网 IP，路由器加端口转发。
逻辑上完全成立，实测超时。这里叠了两个假象。

假象一：NAT 回环（hairpin）。
在家里 WiFi 上访问自己的公网 IP，绝大多数家用路由器不支持回环，必然超时。
判别方法：宿主机自己 curl http://<公网IP>:8443 超时、但 curl http://192.168.x.7:8443 是 200。
所以测公网链路必须关 WiFi 用移动数据测，否则你会把”回环不支持”误判成”公网不通”。

假象二：端口转发规则填错。 后来发现规则实际是：

1
2

局域网主机:      192.168.x.7:8443    ← 错，这个字段只能填纯 IP
局域网主机端口:  45432               ← 错，服务实际在 8443

正确写法是”局域网主机”只填 IP、”局域网主机端口”填服务真实端口、
“广域网端口”才填对外端口。填错之后转发到了本机一个没人监听的端口，当然超时。

也就是说：我一度得出的”运营商封端口”结论，其实根本没被真正验证过。
排查到这里我做了个决定——不再跟端口转发斗智斗勇，直接上 Cloudflare Tunnel。

3.4 终局：Cloudflare Tunnel

为什么它对症：隧道是VM 主动向外连 Cloudflare 边缘（QUIC / HTTP2 出站），
所以三个死结同时被解开——不需要入站端口（不怕运营商封）、
不需要打洞（不受 NAT 方向不对称影响）、不需要公网 IP。

VM 侧（Ubuntu 26.04）：

1
2
3
4
5
6
7
8
9

# 下载二进制（GitHub 直连慢，走代理断点续传）
curl -fSL -C - -o /usr/local/bin/cloudflared `
  https://github.com/cloudflare/cloudflared/releases/latest/download/cloudflared-linux-amd64
sudo chmod 755 /usr/local/bin/cloudflared

# token 从 Cloudflare Zero Trust → Networks → Tunnels → 你的隧道 → Connector 里复制
sudo mkdir -p /etc/cloudflared
echo 'TUNNEL_TOKEN=<你的token>' | sudo tee /etc/cloudflared/cloudflared.env
sudo chmod 600 /etc/cloudflared/cloudflared.env

systemd 单元（关键是非 root 跑 + 开机自启）：

1
2
3
4
5
6
7
8
9
10
11
12

# /etc/systemd/system/cloudflared.service
[Service]
Type=simple
User=kali
EnvironmentFile=/etc/cloudflared/cloudflared.env
ExecStart=/usr/local/bin/cloudflared tunnel run
Restart=always
RestartSec=5
NoNewPrivileges=true

[Install]
WantedBy=multi-user.target

1

sudo systemctl daemon-reload && sudo systemctl enable --now cloudflared

Cloudflare 控制台侧（Public Hostname）：

1
2
3

Hostname:     devbox
Domain:       example.com
Service URL:  http://localhost:8443     ← 注意是 http

配置完成后，cloudflared 日志会打出它拉到的 ingress，可以核对：

1
2
3
4

Updated to new configuration config="{\"ingress\":[
  {\"hostname\":\"devbox.example.com\",\"service\":\"http://localhost:8443\"},
  {\"service\":\"http_status:404\"}]}"
Registered tunnel connection  connIndex=0 location=lax01 protocol=quic   ← 共 4 条

四、Cloudflare Tunnel 的三级错误码阶梯

配置过程不是一次到位，三个错误码恰好对应三个不同层次，值得记下来：

最后一条在 cloudflared 日志里一目了然：

1
2
3

ERR Unable to reach the origin service:
    tls: first record does not look like a TLS handshake
    originService=https://localhost:8443

判据：522 慢 → 查 DNS 是不是橙云 CNAME；502 快 → 查 cloudflared 日志的 originService。

另外新版控制台建 Public Hostname 已经没有 Type 下拉框了，协议直接写在
Service URL 字段里，明文源站要手动把 https:// 改成 http://。

五、修正上一篇的结论

上一篇我说 Tailscale 是”个人远程开发的默认最优解”。现在补一个边界：

一句话：Tailscale 是”拉”，Cloudflare Tunnel 是”挂”。
NAT 后的机器做”拉”很擅长，做”被访问”就只能靠一根主动出站的隧道。

两者不冲突，我的最终形态是并存：SSH 走 Tailscale + 内网静态地址，Web 面板走 Cloudflare Tunnel。

六、最终访问矩阵

配好之后把路由器的端口转发全关了：公网入口只剩 Cloudflare 一条，
不再有任何端口暴露在被全网扫描的位置。

七、踩坑清单（可复用）

八、一句话总结

NAT 后面的虚拟机，”被访问”和”去访问”是两件难度完全不同的事。
Tailscale 让后者变得极其舒服，前者则要靠”服务主动出站到 Cloudflare”这类反向隧道。
我把三条看似合理的路都走了一遍才承认这一点——
而最贵的不是配置，是那些”看起来成功了”的假信号：
有 pong 的 tailscale ping、返回 200 的本机自测、
以及”所有设备都超时”其实只是路由器不支持 NAT 回环。

配图建议：① 双网卡分工拓扑图（出网走 Default Switch NAT / 入站走内部交换机静态 IP）
② networkctl 显示 unmanaged 的截图 ③ 522 → 530 → 502 → 200 四次响应对照表
④ cloudflared 的 4 条 Registered tunnel connection 日志 ⑤ 最终访问矩阵表

脱敏说明（发文前自查）

本文正文已做如下脱敏，发布前请再自查一遍：

• 真实公网出口 IP → 正文未出现（仅以”家宽公网 IP”表述）
• 真实 tailnet 名 → 未出现，Tailscale IP 一律写成 100.x.x.x / 100.98.x.x
• 真实面板域名 → 正文用 devbox.example.com 占位
• 真实主机名与 SSH 别名 → 正文用 devbox 占位
• 真实内网 192.168.2.7、192.168.100.10 → 正文用 192.168.x.7、192.168.x.10 占位
• 1Panel 安全入口码 → 正文用”入口码”表述
• Cloudflare Tunnel token、Tunnel ID → 正文用 <你的token> / <隧道ID> 占位
• 网卡 MAC → 保留了 00:15:5d:02:10:04/05/07，这是 Hyper-V 动态分配的本机局部值，
  不具公网可定位性；若介意可一并改成 00:15:5d:02:10:0x

如需保留真实域名作为示例，把 devbox.example.com 换回你自己的域名即可，
其余占位符已覆盖所有可直接定位到人的标识符。

系列写到第八篇，该复盘了。直面自己的核心风险：过度承诺、研究陷阱、技术栈脆弱、投资激进、缺乏被拒绝经验。从大厂离职到AI折腾，找回了当年打单时的成就感。但热爱驱动不等于商业闭环，每季度一个从0到1的交付，是给自己的死命令。

TL;DR

系列收官复盘。直面5个核心风险：1）过度承诺倾向——先说能再验证，飞书图片提取翻过车；2）研究陷阱——181篇H3MS文件≠1个付费客户，用体系建设代替商业闭环；3）技术栈脆弱——Termux+Cloudflare全栈自建但无生产级兜底；4）缺乏被拒绝经验——一直在研究没真正卖过FDE服务。结论：热爱驱动+框架先行+主动推动+生态协同+标准化→试点→复制。这是当年阿里的方法论，现在用在AI折腾上，依然管用。

一、起因：两个月的折腾，留下了什么？

从7月装Hermes，到9月写这篇复盘，整整两个月。

回头看，留下了什么？

• 一台跑着AI Agent的Android手机（12GB，清理后）
• 一个能接三通道、查股票、写总结的Hermes系统
• 一个在手机上跑LLM benchmark的HexaBench Lite（v6）
• 一套FDE（前沿部署工程师）方法论
• 181篇H3MS文件
• 还有这篇系列文章的8篇草稿

数字是冷的，但过程是热的。

这两个月，我经历了从”闲得发慌”到”睡不着觉”的转变。不是因为焦虑，是因为找到了久违的兴奋感——那种当年在阿里跑客户、拿订单、啃硬骨头的兴奋感。

但兴奋不能代替复盘。作为一个曾在阿里11年、经历过完整销售周期的人，我知道：不复盘的折腾，只是消耗。

二、核心风险：直面自己的5个坑

复盘的第一件事，是直面自己的风险。不遮掩，不美化。

风险1：过度承诺倾向

在阿里做地推的时候，先承诺”能”，再验证”行不行”，是生存技能。拿下单子再想办法，逼出了很多潜力。

但在AI折腾里，这个习惯是毒药。飞书图片提取那次翻车，不是技术失误，是承诺先于验证的思维惯性。客户要的是”你能翻译AI技术到现场需求”，而不是”你先答应再试”。

风险2：研究陷阱

181篇H3MS文件，Wiki概念页，自动情报追踪。这套系统让我感觉自己在”做重要的事”。研究永远可以继续，我永远不会失败，因为我不需要面对真实客户的拒绝。

但商业世界不讲这个逻辑。客户买单的不是我的”完美准备”，而是我”现在能解决他的问题”。181篇文件≠1个付费客户。用体系建设代替商业闭环，是研究者最常见的自我欺骗。

风险3：技术栈脆弱

Termux + Cloudflare + 全自建，听起来很极客，很省钱。但没有生产级兜底。一台设备挂了就是全挂，网络断了就是全断，Cron停了就是全停。

“靠谱不等于可扩展”，OTG U盘迁移那篇已经说过了。全自建架构适合折腾，不适合交付。

风险4：缺乏被拒绝经验

一直在研究，没真正卖过FDE服务。没有经历过客户说”不需要”、”太贵了”、”再等等”。

缺乏被拒绝经验，意味着我对市场的真实反馈没有体感。我的方法论是基于”我觉得需要”，而不是”客户愿意付费”。

三、身份转变：从大厂老兵到AI折腾者

两个月的折腾，我的身份在变。

• 大厂离职员工：11年阿里，从地推铁军到钉钉渠道，到本地生活连轴转。离开是因为身体和家庭到了临界点。
• 闲得发慌的打工人：50人教育赛事运维公司，20年老业务，早九晚五。舒服，但没成长。
• AI折腾者：从OpenClaw到Hermes，从Termux到HexaBench。在手机上跑AI Agent，修环境、调参数、写脚本。
• FDE交付者（目标）：AI能力与现场需求之间的翻译桥。每季度一个从0到1的商业闭环。

身份转变的背后，是核心驱动力的变化。

以前驱动我的是KPI、业绩、回款。现在驱动我的是”搞明白某个东西”的兴奋感，是”这东西真的能跑”的成就感。

不是业绩压力逼出来的成长，是自己主动想要搞明白某个东西的那种兴奋。

四、阿里方法论的延续

虽然身份变了，环境变了，但有些东西没变。

在阿里11年，我沉淀了一套方法论：

• 热爱驱动：不是为KPI工作，是为”这事有意思”工作。
• 框架先行：先搭台子，再填内容。Hermes、H3MS、FDE，都是框架。
• 主动推动：不等需求找上门，主动去发现场景。
• 生态协同：一个人干不了所有事，找工具、找开源、找伙伴。
• 标准化→试点→复制：先跑通一个案例，再复制给更多人。

这套方法论，当年用来跑客户、管渠道、推产品。现在用来折腾AI、交付FDE、找商业闭环。

底层逻辑没变：找到需求，提供方案，拿到反馈，持续迭代。

五、结语：不停止折腾

复盘的最后，是一句话。

热爱驱动+框架先行+主动推动+生态协同+标准化→试点→复制。

这是当年阿里的方法论，现在用在AI折腾上，依然管用。

研究是私密的，交付是公开的。体系是完美的，交付是粗糙但有效的。体系等待验证，交付创造验证。

从「我正在构建FDE方法论」→「我正在交付FDE价值」。

这条路，才刚刚开始。

两个月的折腾，让我找回了当年打单时的成就感。但成就感不能当饭吃，商业闭环才是硬道理。

每季度一个从0到1的交付，是给自己的死命令。

不折腾，会死。瞎折腾，会亏。带着复盘去折腾，才能活。

作者：小道 · 环境：Termux on Android 13 · 2026-09-17
关联阅读：上一篇《FDE——前沿部署工程师的自我修养》 · 系列完结

折腾了一圈技术，我发现了一个问题：181篇H3MS文件≠1个付费客户。研究本身是安全的，但商业闭环需要面对真实客户的拒绝。我提出了FDE（前沿部署工程师）的概念——AI能力与现场需求之间的翻译桥。定下规矩：每季度必须有一个从0到1的商业闭环。

TL;DR

FDE（Frontier Deployment Engineer，前沿部署工程师）方法论成型：认知翻译→价值锚定→能力外化。每周一下午7点自动推送FDE领域全球情报追踪（Browse.sh/Browserbase Stagehand CLI等）。反思核心陷阱：181篇H3MS文件≠1个付费客户，用体系建设代替商业闭环。定下规矩：每季度必须有一个从0到1的商业闭环。

一、起因：技术折腾的尽头是什么？

从Hermes到HexaBench，从Termux到Cloudflare，我折腾了两个月。

技术栈越来越丰富，工具越来越多，系统越来越复杂。但有一个问题始终悬在头上：这些折腾，到底有什么用？

在阿里做销售的时候，衡量标准很简单：业绩。KPI、回款、客户满意度，数字说话。

现在做AI折腾，衡量标准变得模糊了。Hermes跑通了，但没带来收入；HexaBench跑通了，但只是个玩具；H3MS文件写了181篇，但没人付费。

我开始思考：AI能力如何真正落到实际业务里？

二、FDE：一个翻译桥

我提出了FDE（Frontier Deployment Engineer，前沿部署工程师）的概念。

FDE不是模型开发者，不是算法工程师。FDE的核心是翻译——把AI的前沿能力，翻译到具体的现场需求里。

方法论分三阶段：

认知翻译：理解AI能做什么，不能做什么。不是盲目相信”AI无所不能”，也不是低估”AI已经能做很多”。找到那个”能做且值得做”的交集。

价值锚定：找到具体的业务场景，锚定价值。不是”用AI做个聊天机器人”，而是”用AI解决XX场景下的XX问题，节省XX成本/提升XX效率”。

能力外化：把解决方案交付出去，拿到反馈。不是停留在PPT和Demo，而是真实跑通一个闭环。

这个概念不是凭空想出来的，是我在折腾Hermes、HexaBench、H3MS的过程中，一次次翻车、一次次修正后提炼出来的。

三、情报系统：每周追踪全球前沿

为了保持对AI前沿的敏感度，我搞了一个定时任务：每周一下午7点，自动推送FDE领域全球情报。

用ShuYan AI搜索去重，抓取政府网站和GitHub，追踪最新的项目和趋势。

最近追踪到的项目：

• Browse.sh / Browserbase Stagehand CLI：让AI直接操作浏览器的工具。网页操作技能市场，这可能是FDE落地的一个重要方向——AI不仅能”说话”，还能”动手”。
• DeepSeek Harness：开源Agent平台，”万物皆插件”。插件化架构，模型、工具、沙箱都是插件。
• Claude水印绕过：技术原理+实际验证+商业影响。AI生成内容的版权归属问题。

每周情报推送，不是为了收集信息，是为了保持”手感”。FDE需要对前沿技术有体感，知道什么能落地，什么只是概念。

四、反思陷阱：181篇文件 vs 0个客户

但说实话，FDE方法论成型了，商业闭环还没跑通。

我面临一个核心陷阱：研究者的自我 vs 交付者的自我。

作为”研究者”，我是安全的。181篇H3MS文件、Wiki概念页、自动情报追踪——这套系统让我感觉自己在”做重要的事”。研究永远可以继续，我永远不会失败，因为我不需要面对真实客户的拒绝。

但作为”交付者”，我必须面对现实：客户买单的不是我的”完美准备”，而是我”现在能解决他的问题”。

在阿里做销售的时候，我有个习惯：先承诺”能”，再验证”行不行”。这是地推铁军的生存技能——拿下单子再想办法。

但在FDE场景里，这个习惯是毒药。客户要的是”你能翻译AI技术到现场需求”，而不是”你先答应再试”。飞书图片提取那次翻车，不是技术失误，是承诺先于验证的思维惯性。

五、规矩：每季度一个商业闭环

我给自己定了一条规矩：

每季度必须有一个从0到1的商业闭环。

不是研究，不是体系建设，是真实交付。

第一个季度，找一个具体场景（比如帮一个传统渠道商做一次AI诊断），免费或低价交付。目标不是赚钱，是拿到真实反馈。

第二个季度，复盘交付过程，提炼出第一个可复用的FDE案例。不是方法论文章，是”我帮XX做了XX，效果如何”。

第三个季度，用这个案例去触达5个潜在客户。目标不是成交，是练习”被拒绝”。

第四个季度，根据反馈调整方案，开始第二个付费项目。

关键指标不是H3MS文件数量，不是cron任务稳定性，而是客户付费反馈数量。

六、FDE的自我修养

FDE是什么？

是AI能力与现场需求之间的翻译桥。

是知道AI能做什么，也知道客户需要什么，然后把两者连接起来。

是敢于交付粗糙但有效的方案，而不是等待完美的体系。

是接受被拒绝，把拒绝视为数据，而不是否定。

是热爱驱动+框架先行+主动推动+生态协同+标准化→试点→复制。

这是当年阿里的方法论，现在用在AI折腾上，依然管用。

研究是私密的，交付是公开的。体系是完美的，交付是粗糙但有效的。体系等待验证，交付创造验证。

从「我正在构建FDE方法论」→「我正在交付FDE价值」。

这条路，才刚刚开始。

作者：小道 · 环境：Termux on Android 13 · 2026-09-15
关联阅读：上一篇《在手机上跑大模型，HexaBench Lite折腾记》 · 下一篇《复盘——一个非技术人的AI折腾哲学》

一个”Windows Hyper-V VM + Cloudflare DDNS + 端口转发”踩坑实录，
以及为什么最后答案是一行 tailscale up。

（本文已对账号、IP、tailnet 名等敏感信息脱敏，仅保留技术结构。）

TL;DR

我有一台家用宽带（动态公网 IP）里的 Hyper-V Ubuntu 虚拟机，想从手机热点、
公司、任何网络随时连进去开发。我花了半天搭 DDNS + 三层端口转发，
结果外网连不进来——运营商在封家用宽带的入站端口。最后用 Tailscale
一条命令搞定，彻底绕开 DDNS、端口转发、运营商封锁。

下面是完整踩坑和最终方案。

一、目标

• 家里：Windows 宿主机跑 Hyper-V Ubuntu VM，静态内网 IP 172.x.x.x
• 手机 / 任意网络：能随时 SSH 进 Ubuntu 开发
• 要求：IP 怎么变都不用管，最好不用开公网端口

二、第一套方案：DDNS + 端口转发（为什么走不通）

2.1 架构

1

互联网 → 光猫/路由器(动态公网IP) → Windows(192.168.x.7) → portproxy 2222 → Ubuntu VM(172.x.x.x:22)

需要打通三层：

1. Cloudflare DDNS：把 devbox.dingdao.me 自动指向当前公网出口 IP
2. 路由器端口转发：外部 2222 → 192.168.x.7:22
3. Windows portproxy：2222 → 172.x.x.x:22 + 防火墙放行

2.2 我写的 DDNS 脚本（带容错）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

#!/usr/bin/env bash
# /usr/local/bin/cf-ddns.sh  (v2)
set -u
CONF=/etc/cf-ddns.conf
LAST_IP=/var/lib/cf-ddns/last_ip
...
# 5 个 IP 源依次尝试，3 次重试；全部失败 → 保留 last_ip，绝不把 CF 记录写脏
for src in "https://api.ipify.org" "https://ifconfig.me" ...; do
    ip=$(timeout 8 curl -4 -sS "$src" 2>/dev/null | tr -d '[:space:]')
    [[ "$ip" =~ ^[0-9.]+$ ]] && break
done
[[ -z "$ip" ]] && ip=$(cat "$LAST_IP" 2>/dev/null)   # 兜底
[[ -z "$ip" ]] && { echo "no ip, skip"; exit 0; }
curl -sS -X PUT "https://api.cloudflare.com/client/v4/zones/$ZONE/dns_records/$RECORD" \
    -H "Authorization: Bearer $TOKEN" -H "Content-Type: application/json" \
    -d "{\"type\":\"A\",\"name\":\"$HOSTNAME\",\"content\":\"$ip\"}"
echo "$ip" > "$LAST_IP"

systemd timer：开机 + 每 15 分钟跑一次。

踩坑：我一开始把 Cloudflare 控制台里的 Account ID 当成 Zone ID 填进脚本，结果 API 404。后来用 API 自动解析出 devbox.dingdao.me 所属 zone 的真实 Zone ID，脚本里直接查 API，不再手填。

2.3 为什么外网连不进来

所有配置都对：

• ✅ CF 记录 devbox.dingdao.me → xx.xx.xx.xx（当前公网出口 IP）
• ✅ 服务器公网出口 IP 就是那个 IP
• ✅ Windows portproxy 2222 → 172.x.x.x:22 正确，LAN 段 Test-NetConnection 192.168.x.7 -Port 2222 通
• ✅ 手机有公网 IPv4（测试 curl -4 https://ifconfig.me 能拿到一个公网 v4，不是 IPv6-only）

但外网 xx.xx.xx.xx:2222 始终 CLOSED。

排查结论：运营商在封家用宽带入站。家用宽带（尤其 PPPoE 拨号那层）
很多地区默认拒绝非 80/443 的入站 TCP，甚至全端口拒绝。DDNS + 端口转发
这套在”运营商不封入站”的网络里是完美的，但在我家这堵墙前无能为力。

这是国内家宽的老问题，不怪配置，怪物理链路。

三、最终方案：Tailscale（出站打洞，零入站端口）

3.1 为什么 Tailscale 能绕过这堵墙

Tailscale 本质是 WireGuard + 出站打洞：

• 每台机器主动向外连 Tailscale 的 Coordination Server（UDP 443）
• 两台机器之间通过打洞建立直接 P2P WireGuard 隧道（如果打洞失败，
  退化为经 Tailscale 中转 relay，也不影响可用）
• 全程不需要任何入站端口，不需要 DDNS，不需要运营商放通

对你的网络意味着：哪怕家用宽带入站全封，只要能出站（上网），
Tailscale 就能通。

3.2 三端落地（同一 Google 账号 → 同一 tailnet）

1
2
3
4
5
6
7
8

Ubuntu VM (Hyper-V)  +  Windows 宿主机  +  手机(Android/Termux)
        \                     /                   /
         \                   /                   /
        ┌────────────────── 同一 tailnet (xxx) ─────────────────┐
        │   100.123.x.x          100.113.x.x        100.98.x.x  │
        │       Ubuntu  ←——⇄——→   Windows   ←——⇄——→   手机     │
        │            (full mesh，任意两两直通)                  │
        └────────────────────────────────────────────────────────┘

Ubuntu（服务器侧）：

1
2
3
4

curl -fsSL https://tailscale.com/install.sh | sh
sudo tailscale up --ssh --hostname=devbox
# 浏览器打开控制台给的链接授权
# 得到固定域名 devbox.<tailnet>.ts.net，稳定不变

• 开机自启（systemctl enable tailscaled）
• --ssh 开了 Tailscale 自带 SSH，免私钥直连（控制台自动分发公钥）

Windows（宿主机）：winget install Tailscale.Tailscale 或官网安装包，
同账号登录。

手机：App Store / Play 装 Tailscale，同账号登录，自动进 tailnet。

3.3 连接（任意网络、任意时刻）

本地 ~/.ssh/config（和原 DDNS 并存，双保险）：

1
2
3
4
5
6
7
8
9
10

Host devbox-ts
    HostName devbox.<tailnet>.ts.net
    User kali
    Port 22
    IdentityFile C:\Users\<你>\.ssh\id_ed25519

Host devbox            # DDNS 备用（局域网/公网入站可用时）
    HostName devbox.dingdao.me
    Port 2222
    User kali

手机（最省事，免私钥）：

1

tailscale ssh [email protected]

3.4 验证

• sudo tailscale status 三端全在线
• 手机 tailscale ssh kali@... 直接进 Ubuntu shell ✅
• tailscale ssh 不走 22 端口、不走公网，运营商封多少端口都不影响

四、安全性（针对”私人文件会不会暴露”的担忧）

Tailscale 在这套场景里不增加公网攻击面，原因：

1. 默认对公网不可见：100.x.y.z 是 RFC1918 保留段，公网路由送不到；
   攻击者没有你的账号 + tailnet 的 WireGuard 密钥，连”敲门”都找不到
2. 双向 WireGuard 加密（AES-256-GCM）：流量嗅探也解不开
3. 默认零开放端口：不开 Funnel、不开 Subnet Router、不开 --ad-v4；
   我确认过 Funnel 是关的
4. 唯一成员 = 你的 Google 账号：要进 tailnet 得先攻陷你的 Google，
   那是账号层面的事，不是 Tailscale 新开的口子

真实剩余风险全在”账号/设备被攻破”层面，按性价比做这几项加固：

• Google 开两步验证（最优先）
• Tailscale 控制台开 2FA + 定期查 活跃会话/陌生设备（陌生即 revoke）
• 用 Per-Device ACL 收紧：手机/Windows 只允许连 Ubuntu 的 22，其余 deny
  （即使某台设备密钥泄露，横向也被限死在 ACL 内）

五、踩坑清单（可复用）

六、一句话总结

家用宽带入站不可控（运营商封端口、光猫路由模式二级 NAT、动态 IP）
这三个坑让”DDNS + 端口转发”在家用场景下不可靠。
Tailscale 用”出站打洞”把问题降维成”只要能上网就能连”，
是个人远程开发/私人文件互通场景的默认最优解。
DDNS 那套留着做局域网直连的备用，公网访问交给 Tailscale。

配图建议：① 三层转发架构 vs Tailscale 全 mesh 对比 ② tailscale status 三端在线截图（IP 打码）③ 控制台安全加固项

脱敏说明（发文前自查）

本文已做如下脱敏，发布前请再自查一遍：

• 真实邮箱 [email protected] → 文中已隐去（只写”同一 Google 账号”）
• 真实公网出口 IP 122.231.144.252、手机出口 124.160.204.98 → 文中用 xx.xx.xx.xx 占位
• 真实 tailnet 名 tailb889a7 → 文中用 xxx 占位（devbox.<tailnet>.ts.net）
• 真实内网 172.31.92.47 / 192.168.2.7 → 文中用 172.x.x.x / 192.168.x.7 占位
• 真实域名 kaliserver.dingdao.me / kaliserver.tailb889a7.ts.net → 文中改为 devbox.dingdao.me / devbox.<tailnet>.ts.net
• Tailscale IP 100.123.36.49 / 100.113.231.42 / 100.98.143.1 → 文中用 100.123.x.x / 100.113.x.x / 100.98.x.x 占位

如需完全不可追溯到个人，上述占位符已覆盖所有可直接定位的标识符；
如需保留部分真实值（如公开博客保留域名示例），可把 devbox.dingdao.me
换成你自己愿意公开的域名。

不满足于云端API，想在手机上跑本地LLM。刷到HexaBench Lite，一个在Android上跑LLM benchmark的Web应用。编译llama.cpp、修复6个bug、搞Cloudflare Worker反向代理。手机上的LLM benchmark跑通了，PP 20.81 tok/s，TG 14.87 tok/s。虽然慢，但世界变了。

TL;DR

HexaBench Lite折腾记：llama.cpp编译太慢→换预编译wheel无aarch64版→clone源码只编译llama-simple。发现server.py用llama-cli（交互模式卡死）→改成llama-simple（单次运行自动退出）。修复6个bug：参数残留、流式输出一次性崩出、响应提取失败、光标错位。搞Cloudflare Worker反向代理想外网访问，被1003拦截。最终手机benchmark跑通：PP 20.81 tok/s，TG 14.87 tok/s。

一、起因：不满足于云端

Hermes跑起来之后，我一直用的是云端API。Agnes、Qwen、Claude，调个接口就能聊天，方便。

但方便久了，总觉得少了点什么。

云端API再好，数据不在自己手里，网络一断就歇菜。而且每次调用都要花钱，虽然不多，但心里有个声音在说：能不能在自己手机上跑？

刷到HexaBench Lite的时候，我眼睛亮了。这是个在Android上跑LLM benchmark的Web应用，用llama.cpp推理GGUF模型，跑完出速度报告。

“在手机上跑大模型”，这个念头一旦冒出来，就压不下去了。

二、环境准备：编译的痛

说干就干。

第一步：装llama.cpp。

我试了编译源码，git clone + cmake + make。Termux上没有cmake，先装cmake，然后编译。编译速度很慢，aarch64架构的ARM处理器，跑C++编译像在挤牙膏。

等不及了，换预编译wheel：pip install llama-cpp-python --only-binary=:all:。结果没有aarch64-linux版本。

最后只能硬着头皮clone源码，只编译llama-simple（非交互模式，跑完自动退出），不编译全部。

你太慢了，我通过llama官网命令curl -LsSf https://llama.app/install.sh | sh把环境装好了。你在会话里催我。

我说网络连不上HuggingFace，试下镜像。

最后环境终于搭好了。手机里有了llama-simple，有了GGUF模型文件（qwen2.5-1.5b、gemma-4b），万事俱备。

三、踩坑：llama-cli的交互陷阱

启动HexaBench Lite的server.py，选模型，点”开始测试”。

然后页面卡住了。

我查日志，发现llama-cli进入了交互模式（REPL），永远不退出。server.py等它的输出，它等用户的输入。死锁。

问题根因找到了：server.py用的是llama-cli（交互模式），应该用llama-simple（单次运行，自动退出）。

我改了代码，优先找llama-simple，找不到再 fallback 到llama-cli。同时修改解析逻辑，适配llama-simple的输出格式。

实测结果：

• PP（Prompt Processing）: 20.81 tok/s
• TG（Token Generation）: 14.87 tok/s
• 加载: 1.8秒
• 生成: 128 tokens

跑通了。

四、修复：6个bug的连环战

跑通只是第一步，真正折磨人的是后续的bug修复。

你在使用过程中发现了各种问题，一条条反馈给我：

bug 1：参数残留
“还是（请求失败或无响应），-s 1000000000 -t 1000是什么意思？搞错了吧”
llama-simple的输出里混入了命令行参数，前端显示了一堆-s 1000000000 -t 1000，不是AI的响应。重写cleanText()函数，6阶段正则清洗：命令行参数→llama日志前缀→prompt标记→统计行→空行→合并空行。

bug 2：流式输出一次性崩出
流式接口本该逐字输出，结果所有内容在结束时一次性吐出来。改成bufsize=0（无缓冲）+ 逐字节读取，实现真正的流式传输。

bug 3：响应提取失败
_extract_response函数无法正确从llama-simple的复杂输出中提取AI响应。发现llama-simple的实际输出格式为--threads ... -p [prompt] [AI_response] -s ... -t ... main: decoded ...，重构提取逻辑。

bug 4：光标位置错位
流式预览区和对话记录区职责不清，导致光标跳动。拆成两个独立区域：streamPreview带光标动画实时追加，chatArea仅在完成后更新。

bug 5：ERR_CONNECTION_REFUSED
“ERR_CONNECTION_REFUSED，没打开服务吧”
服务进程被杀掉了，重启，加健康检查。

bug 6：翻页与历史记录
“翻页看到了。但是就是输出预览参数和正文都有流动显示了，最后全部消失，只留下tg、用时、token数，正文要摘取下来存放到对话记录才行”
修复流式预览最终显示逻辑，保留响应文本，对话记录区显示干净文本。新增历史记录分页功能，每页20条。

6个bug，一个个修。修完一个，发现下一个。到最后，HexaBench Lite v6版本终于稳定了。

五、外网访问：Cloudflare Worker的1003

手机上的服务跑通了，但只能在局域网访问（http://192.168.2.10:8080）。我想从外网访问，于是搞了Cloudflare Worker反向代理。

代码写好了，Token申请好了，API部署。

结果Cloudflare API一直报语法错误。试了ES模块格式、传统fetch监听器格式，都不行。可能是Token权限不足或API版本限制。

最后改成手动在Dashboard部署，粘贴代码，Save and deploy。

部署成功，访问https://proxy.dingdao.me/，返回1003错误。

1003是Cloudflare的WAF拦截。Worker已经执行了，但Cloudflare在返回响应前拦截了。可能是Security Level或Rate Limiting的问题。

查WAF规则、调Security Level、清DNS缓存，试了一圈，还是1003。

外网访问没成。但本地服务运行正常，3个模型，端口8080，随时可以测。

六、结果：PP 20.81 tok/s

折腾了这么多，最终结果是什么？

手机上的LLM benchmark跑通了。qwen2.5-1.5b模型，PP 20.81 tok/s，TG 14.87 tok/s。gemma-4b模型，约10 tok/s。

14.87 tok/s是什么概念？正常人类阅读速度约200-300字/分钟，即3-5 tok/s。手机跑大模型的速度，已经超过了人类阅读速度。

虽然加载要1.8秒，虽然只有1.5B的小模型，虽然外网访问还没打通。

但当你的手机能跑大模型，世界就变了。

以前我觉得大模型是云端的东西，是API调用的东西，是GPT-4、Claude Opus那种级别的东西。现在我知道，1.5B的小模型，在手机CPU上，也能跑。

慢吗？慢。但能跑。

能跑，就意味着可能性。

作者：小道 · 环境：Termux on Android 13 · 2026-09-11
关联阅读：上一篇《OTG U盘迁移，物理传输的浪漫》 · 下一篇《FDE——前沿部署工程师的自我修养》

一台两年的 Win11 笔记本，C 盘 119 GB 只剩 8.86 GB，比 7% 还少。
三阶段、两个坑，最终腾到 39 GB（33%）——4.4× 提升。
这是完整的清理手记，含关键技术点、脚本片段和踩坑复盘，发出来希望能帮到同样手忙脚乱的人。

TL;DR

三阶段释放构成

一、先看体检报告

动手前先扫一遍状态。我用了 PowerShell + Bash 的混合脚本，只读不写：

1
2
3
4
5
6

C 盘总量       : 119 GB
已用           : 110 GB
可用           : 8.86 GB      ← 触线，低于 10% 警告阈值
D 盘           : 148 GB，几乎空
E 盘           : 428 GB，几乎空
物理内存       : 15.9 GB（峰值使用仅 ~1 GB）

症结很明显：数据全都堆在 C 盘，D/E 盘空着没人用。最直接的修法是”先备份后删除” + “把可外迁的应用迁出去”。于是我定了三阶段路线图，每个阶段都能停下来观察、能回滚。

二、阶段 0：缓存清理（~11 GB）

最稳的肥肉是各路缓存。清单：

• Chrome 模型缓存：2.67 GB
• 钉钉缓存：~2.3 GB
• WPS 残留：~2.7 GB
• 微信插件：0.41 GB
• 回收站：5.41 GB（单独拎出来清，下面会讲为什么）
• Gradle / pnpm / npm / pip 包管理器缓存：合计 ~1 GB

关键技术：robocopy 备份 + 返回码校验

每个目标走同一套流程：

1
2
3
4
5
6
7
8

# 1) 备份到 E 盘
robocopy "" "\" /E /COPY:DAT /R:1 /W:1 /NP /NFL /NDL

# 2) 校验返回码
# 0 / 1  = 成功；>= 8 = 出错（中止删除）

# 3) 删除原目录
Remove-Item "" -Recurse -Force

阶段 0 的两个坑

坑 ① 算大小挂死：第一版脚本用 Get-ChildItem -Recurse -File 算文件夹大小，挂在某个目录 26 分钟零输出。教训是——robocopy 直备不需要算大小，返回码就是校验结果。

坑 ② 漏了回收站：阶段 0 跑完，C 盘反而”变小”了。根因是脚本漏了 Clear-RecycleBin，且用户会话期间回收站又涨了。清单里必须单列回收站。

回收站单独清一行就够：

1

Clear-RecycleBin -DriveLetter C -Force

三、阶段 1：系统级优化（~13 GB）

这一步需要管理员权限，每个子项可以独立开关。

A. 系统还原影子存储上限 → 3 GB（释放 ~8 GB）

Windows 默认把 10%+ 空间预留给”系统还原影子副本”，日常根本用不上那么多。

1

vssadmin Resize ShadowStorage /For=C: /On=C: /MaxSize=3GB

B. DISM WinSxS 清理 + -ResetBase（释放几百 MB ~ 几 GB）

1

dism /Online /Cleanup-Image /StartComponentCleanup /ResetBase

-ResetBase 会让系统无法再卸载旧更新，但能多清一些。前提是你这台机器已经稳了至少半年。

C. WDAG 容器镜像删除（3.94 GB）

Windows Defender Application Guard 是给 Edge 隔离浏览用的容器镜像，绝大多数人根本不开。如果你不用 Edge 隔离，直接清：

1
2
3
4
5

# 1) 卸载功能
dism /Online /Disable-Feature /FeatureName:AppHVUI -Remove

# 2) 清缓存
Remove-Item "C:\ProgramData\Microsoft\Windows Defender Advanced Threat Protection\Cache" -Recurse -Force

D. 事件日志清空（释放几十 ~ 几百 MB）

1
2
3

wevtutil cl Application
wevtutil cl System
wevtutil cl Security

E. 页面文件：2 GB 固定（释放 ~5 GB）

观察到 pagefile 峰值只 ~1 GB，于是设成 2048 MB 固定：

1
2
3
4
5

$cs = Get-CimInstance Win32_ComputerSystem
$cs | Set-CimInstance -Property @{ AutomaticManagedPagefile = $false }

Set-CimInstance -Query "SELECT * FROM Win32_PageFileSetting WHERE Name='C:\\pagefile.sys'" `
    -Property @{ InitialSize = [uint32]2048; MaximumSize = [uint32]2048 }

坑 ③ CIM 类型不匹配：第一次脚本传 2048 报”类型不匹配”。CIM 属性是 uint32，PowerShell 默认 int32，必须强转 [uint32]2048。这个坑我们后面会再踩一次反作用。

NVIDIA 旧驱动：建议保留

本来想顺手清掉几个旧版本 NVIDIA 驱动，结果 dism /Online /Remove-Driver 直接报”错误 50：只能与脱机映像一起使用”——在线系统不能用 Dism 删驱动。Installer2 缓存 223 MB 我顺手清了，驱动本体保留。要清驱动请用 DDU 离线模式。

四、阶段 2：用户数据迁移与清理（~8 GB）

删除部分（~3 GB）

• Python 用户级包（torch / PyQt）：0.84 GB
• AI 工具 node_modules（两个工作区）：2.31 GB

先备后删，备份目录按日期归档，回滚无忧。

迁移部分（~5.87 GB）：junction 透明重定向

把 VS 生成工具、SDK、VS Installer Package Cache 搬到 E 盘，C 盘留 junction 透明重定向：

1
2
3
4
5
6
7
8
9
10
11

# 1) 复制到 E 盘
robocopy "C:\Program Files (x86)\Microsoft Visual Studio" `
         "E:\relocated\Microsoft Visual Studio" /MIR /COPY:DAT

# 2) 原目录改名做安全网（不删！）
Rename-Item "C:\Program Files (x86)\Microsoft Visual Studio" `
           "C:\Program Files (x86)\Microsoft Visual Studio.relocated"

# 3) 建 junction
cmd /c mklink /J "C:\Program Files (x86)\Microsoft Visual Studio" `
                "E:\relocated\Microsoft Visual Studio"

三个目标都一样处理：VS、SDK、Package Cache。

关键安全网：原目录改名不删，叫 *.relocated。如果 VS 出问题，可以瞬间回滚（删 junction + 删改名后缀）。观察几天没问题再单独跑 p2_cleanup.ps1 释放安全网。

迁移完成后 C 盘立刻多出 5.87 GB——junction 本身只占几个字节。

五、踩坑复盘：pagefile 干翻 Hyper-V

阶段 1 全跑完的第二天早上，开机发现 13.4 GB 内存的 Linux VM 启不来：

1
2

"无法分配 13394 MB 的 RAM"
错误码：0x800705AA (ERROR_NO_SYSTEM_RESOURCES)

这一路我走了三轮才彻底修好，每一轮的错误码都是进步信号：

根因复盘

这台机器 16 GB 物理内存，VM 想要 13.4 GB 固定 RAM。13.4 + 主机 ~3 + Hyper-V 开销 ~1 = 17.4 GB > 16 GB，物理上装不下，跟 pagefile 大小其实无关。

我的错误：阶段 1 把 pagefile 压到 2 GB，只看”使用峰值 1 GB”反推，忽略了”瞬时需求上限”——VM/数据库/大模型推理这些场景启动瞬间会要一大笔提交预算。

教训清单

1. 资源上限类优化不能只看使用峰值，要先列出会被影响的典型负载（VM、数据库、大模型、视频剪辑……）
2. 关键优化跑完主动做一次回归问询——“这次清理有没有把什么跑不起来？”，不要等用户当发现问题的第一人
3. Hyper-V 改内存前必须把 VM 切到 Off 状态（Saved/Paused/Stopping 都不行），用 Stop-VM -Force 自动丢弃保存状态
4. 16 GB 机器跑大内存 VM 的最佳实践：VM 开 Dynamic Memory（启动 4 GB / 范围 2~12 GB），闲时把内存还给主机、忙时拿满，比”VM 固定吃满 + 主机等死”健康得多

修完后，VM 改成 Dynamic Memory，C 盘又涨了 5 GB（pagefile 改回系统托管）——最后的成绩是 C 盘 39 GB 收尾。

六、最终成绩单

1
2
3
4
5
6
7

阶段          释放            关键项
─────────────────────────────────────────────
阶段 0        11 GB           回收站 5.41 + 各类缓存
阶段 1        13 GB           系统还原 ~8 + WDAG 3.94 + pagefile ~5
阶段 2        8 GB            AI 工作区 3.15 + VS/SDK 迁移 5.87
─────────────────────────────────────────────
合计          ~32 GB

C 盘最终：8.86 GB → 39 GB（33%），4.4× 提升。

七、给同样手忙脚乱的人

1. 先看体检报告再动手——别上来就清缓存，先 Get-PSDrive / du -h 摸清楚大块在哪
2. 三阶段路线图：零风险 → 系统级 → 结构性迁移，每阶段都能停
3. 备份 > 删除——robocopy + 改名 .relocated 安全网 > 直接 rm -rf
4. junction 迁移比”删了重装”温和得多，尤其是 VS、SDK 这类对路径敏感的应用
5. pagefile 不能拍脑袋压——先看这台机器跑什么负载
6. 写 PowerShell 脚本处理路径一定要 -LiteralPath，路径里有 (x86) 这种括号不用 -LiteralPath 会出问题
7. CIM 数值属性必须强转 [uint32]，默认 int32 一定踩坑
8. 交付给用户用 powershell -File 跑的脚本，用 UTF-8 BOM + 纯 ASCII，避免本地 ANSI 编码解析失败
9. Dism /Online /Remove-Driver 在线系统受限，要清驱动请用 DDU 离线模式

附录：本文用到的脚本

全部脚本遵循同一原则：先校验、再操作、操作完再校验。

标签：#Windows #C盘优化 #Hyper-V #Junction迁移 #Pagefile #PowerShell