屋企跑本地 AI、出街用手機連返去：Tailscale 安全設定同取捨

XDA Developers 作者 Korbin Brown 一直用 Ollama 跑本地模型，但過去仍然保留 ChatGPT Plus，主要貪佢出街用手機同其他電腦都方便。佢後來用 Tailscale 遙距連返屋企部機，於是取消訂閱。個做法本身唔複雜，但「停用 ChatGPT Plus」只係作者按自己用途作出嘅決定；本地 LLM 能否頂替雲端服務，差距遠遠唔止一個聊天畫面。

個架構其實得三層

最基本係用 Ollama 喺屋企部電腦載入模型，再加 Open WebUI 一類網頁介面，等手機可以好似普通聊天 app 咁操作。最後喺屋企主機同手機裝 Tailscale，將兩部裝置放入同一個私人 tailnet。Ollama 官方文件寫明，服務預設只綁定 127.0.0.1:11434；呢個預設值得保留，交畀前端同反向代理處理連線，唔好為求方便直接將 Ollama API 開畀屋企成個 LAN，甚至直接駁出互聯網。

如果網頁介面喺本機 3000 port，概念上可以用 tailscale serve localhost:3000，再由已登入同一個 tailnet 嘅手機開 Tailscale 提供嘅 HTTPS 地址。實際 port、容器網絡同啟動方式會按前端設定而變，照抄指令前要先確認服務聽緊邊個地址。想重開機後自動恢復，亦要配合背景模式、systemd 或容器自動重啟，否則人一出門先發現個介面冇開。

Serve 同 Funnel 差一個字，風險差好遠

Tailscale Serve 只會喺 tailnet 入面提供服務；Funnel 就會將服務公開畀成個互聯網。 Funnel 有 HTTPS 同加密通道，唔等於得你先入到：任何攞到或者撞到公開網址嘅人，都可能連到前端。屋企自用 AI 應該揀 Serve；Funnel 較適合短暫分享 demo 或接收 webhook，唔適合當私人遙距入口，仲唔應該用嚟裸露 Ollama API。

裝好 Tailscale 都未算完。要喺 tailnet policy 用 Grants 或 ACL 限定邊個帳戶、邊部裝置可以入 AI 主機指定 port，前端支援登入、雙重認證或 session 管理亦應該開。手機遺失後要即時喺 Tailscale 管理頁撤銷裝置，屋企主機、Ollama、前端同容器則要定期更新。最好另外檢查 tailscale serve status 同 tailscale funnel status，避免測試過 Funnel 之後忘記關掉。

私隱好咗，但責任搬咗返屋企

純本地模式下，Ollama 官方話唔會見到本機運行時嘅 prompt 同答案；如想完全避開 Ollama 雲端模型同網上搜尋，亦可以關閉 cloud 功能。呢種安排適合處理唔想交畀第三方模型供應商嘅筆記、草稿或程式碼。不過前提係成條鏈都留喺本地：一旦前端另接雲端 API、裝咗會外傳資料嘅插件，或者你主動開啟網上搜尋，私隱邊界就唔再只得屋企部機。

同時，資料保安變成自己負責。硬碟、聊天紀錄、模型、登入憑證同備份都喺屋企，主機中毒、硬碟壞、帳戶俾人入侵或者手機失竊，都要自己處理。Tailscale 解決咗裝置之間點樣安全連線，唔會代替前端認證、系統更新、磁碟加密同備份；將佢當成一個完整保安方案，反而最危險。

快唔快，先睇 GPU、RAM 同模型大小

原文用 Qwen2.5-Coder 做例子，但到 2026 年呢個系列已經唔算新，唔應該直接當成而家嘅模型推薦。模型更新得快，亦冇一個「本地模型速度」可以套落所有電腦：參數量、量化版本、context 長度、GPU VRAM、系統 RAM、CPU offload 同 prompt 都會改變速度同答案質素。模型塞得入 VRAM，回應通常爽好多；部分層要搬返 RAM 或純 CPU 跑，手機等第一粒 token 嘅時間可以明顯拉長。

所以揀模型應該由自己嘅工作同硬件倒推：先試細模型處理摘要、改文同簡單程式碼，再逐級加大，記錄常用 prompt 嘅速度同錯誤率。唔好只睇公開榜單，因為榜單分數未必反映你嗰張 GPU、量化檔同語言需求。尤其廣東話、長文件、工具調用同複雜除錯，最好用一批真實工作逐題比較，先決定可唔可以取消現有服務。

月費慳到幾多，要連硬件同電費一齊計

ChatGPT Plus 官方月費係 US$20，訂閱後有較高使用上限、更多模型選擇、進階推理、語音、圖片生成、檔案分析、Deep Research 同自訂 GPT 等功能。本地方案冇固定月費，但高階 GPU、RAM、儲存、備份同不斷電設備都有成本。主機只有生成答案時先高負載，電費會低過長期滿載嘅估算；不過全天候待機、散熱同夏天冷氣一樣要計。

細單位仲有噪音同熱力呢兩個實際問題。舊電腦本身已有合適 GPU，又只係間中用，本地方案可以幾抵；如果為咗慳每月 US$20 特登砌一部高功耗主機，單計回本期未必好睇。較合理嘅做法係先用現有硬件試足幾星期，量度插座實際耗電同每日使用時間，再決定升級，唔好用 GPU 標示功耗直接當成全月電費。

本地模型未包辦 ChatGPT 嗰套服務

ChatGPT 嘅優勢仲有雲端同步、手機 app、網上搜尋、語音、圖片、檔案工具同供應商負責 uptime。屋企方案停電、router 斷線、主機瞓咗、GPU driver 出錯或者更新後起唔返，人在街外通常冇得即場修理。Tailscale 只係打通條路，唔會令模型變強，亦唔會自動補上搜尋、引用、記憶同步同各種工具。

如果主要用途係改寫私人文件、問固定知識、簡單 coding，而且屋企已有合適硬件，本地 LLM 配 Tailscale Serve 確實幾實用。重度依賴最新資料、跨裝置歷史、語音、圖片或研究工具嗰批人，保留雲端服務會省事得多；亦可以本地處理敏感內容，複雜研究先交雲端。試清楚一個月嘅速度、穩定性同實際用量，再決定停唔停訂閱，會穩陣好多。

參考來源

• XDA Developers — I stopped paying for ChatGPT after putting my local LLM on Tailscale — original report
• Tailscale Serve command — 官方文件確認 Serve 只喺私人 tailnet 分享服務、HTTPS 行為、指令格式同重啟後嘅運作。
• Tailscale Funnel — 官方文件確認 Funnel 會將本地服務公開到互聯網，亦列出 HTTPS、port 同政策設定限制。
• Tailscale Access Control — 官方資料解釋 Grants、ACL 同最小權限設定，支撐限制帳戶、裝置同服務存取嘅建議。
• Ollama FAQ — 官方資料確認 Ollama 預設綁定 localhost、網絡開放方法、本地資料處理、cloud 關閉選項同量化差異。
• What is ChatGPT Plus? — OpenAI 官方列出 Plus 月費、模型使用上限、語音、圖片、檔案分析、Deep Research 同自訂 GPT 等功能。

本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。