免费用 GitHub Actions 跑分布式生图省算力成本
编辑点评 · AI 连续创业者视角（以下内容由 AI 提炼，观点归原作者；读完可不看原文）
博主用 GitHub Actions 免费算力替代付费 GPU，实现 AI 生图自动化。关键数字：单张图耗内存 15.3GB，并发 10 台机器一晚出图 100+，上线 1 月累计 500 余人使用（A·实测）。对搞钱者意味着：零成本构建自动化工作流，极大降低技术项目运维与算力门槛。行动点：复用矩阵并发跑 CPU 模型，避开整点排队，清理系统包释放磁盘空间。
- Actions 公开仓库免费不限时长可当算力用
- 矩阵特性并发跑任务提升吞吐量
- 清理系统包可释放 7GB+ 磁盘空间
- 错开整点半点避免任务延迟排队
- 缓存热模型文件加速下载速度
免费用 GitHub Actions 跑分布式生图省算力成本
博主利用 GitHub Actions 免费算力替代付费 GPU，实现 AI 生图自动化。关键数字：单张图耗内存 15.3GB，并发 10 台机器一晚出图 100+，上线 1 月累计 500 余人使用（A·实测）。对搞钱者意味着：零成本构建自动化工作流，极大降低技术项目运维与算力门槛。行动点：复用矩阵并发跑 CPU 模型，避开整点排队，清理系统包释放磁盘空间。
GitHub 公开仓库的 Actions 被多数开发者仅视为 CI/CD 工具，实则可作为低成本分布式算力节点使用。斯坦福食堂菜单项目验证了这一路径：通过矩阵并发调度多台 CPU 虚机，配合模型缓存与参数调优，在零成本前提下实现每日稳定出图，上线首月即获 500 余独立访客。核心逻辑并非“白嫖服务器”，而是将静态资产生成纳入构建流程，规避了 GitHub 对独立 Serverless 后端的合规限制。
GitHub Actions 免费算力如何支撑 AI 生图工作流
Actions 对公开仓库提供 4 核 16GB 内存的 Linux 虚机，无显卡且单任务限 6 小时。纯 CPU 跑 SDXL 单张耗时 17-19 分钟，直接串行不可行。关键破局在于并发：利用矩阵特性同时启动 10 台机器，每台认领 2 道菜（4 小时窗口），一晚理论吞吐量超 100 张，完全覆盖食堂每日 10-20 道新菜的产能需求。模型文件（约 7GB）通过缓存预热消除重复下载延迟，.NET/Android SDK 等无用包清理后腾出足够磁盘空间，确保 15.3GB 内存占用不触发 OOM。
- 参数调优：推理步数从 20 降至 12，画质肉眼无损但 CPU 时间节省 40%，分辨率锁定 1344×768 以保细节。
- 质量兜底：生成后调用多模态模型进行 3 道是非题审核，答错则自动重画，避免低质图流入前端。
- 任务拆分：抓取菜单 → 计算新菜数 → 矩阵并发生图 → 聚合图片 → 触发部署，全程无人工干预。
零成本方案的实际约束与合规边界
延迟与并发是硬伤。单张图数小时出图，无法应对开学季百道新菜突增，需本地笔记本（1.5 分钟/张）作为应急补充。GitHub ToS 禁止将 Actions 用作独立后端或 CDN，但本项目所有生成图片均作为静态资源提交至仓库并随网站发布，属于构建流程的一部分，处于合规边缘但可接受。实测 10 月新增 409 道菜中 406 道在供应日前完成配图，延迟对用户体验无实质影响。
- 定时抖动：整点/半点任务排队严重，建议触发时间错开常规高峰。
- 死循环防护：Actions 内部 push 默认不触发后续工作流，需显式调用部署工作流并指定 ref: main 获取最新代码。
可复现的冷启动路径
复制该工作流需三步：一是构建基于 ComfyUI 的 CPU 版 SDXL 运行环境，锁定与本地一致的版本参数；二是编写清理脚本剔除默认虚机冗余包，将模型文件注入 Actions 缓存以缩短冷启动；三是利用矩阵动态生成分行任务，每台机器限定 4 小时工作窗与 2 道菜的负载上限。整个工作流从菜单抓取到图片上线无需人工介入，月成本为零，仅消耗 GitHub 免费额度内的并发资源。该方案适用于任何需批量生成静态 AI 资产且对实时性要求不高的 Web 项目。
怎么用它赚钱
此工具适合自用降本，项目化空间有限。虽然零成本构建工作流可包装为“AI 资产自动化咨询”服务，面向中小电商/内容站收费 $500-$2000/单，但客户需具备 GitHub 仓库与 CI/CD 基础能力，交付周期长且定制成本高；更现实的路径是开源该项目模板，通过 GitHub Sponsors 或付费插件市场（如将矩阵调度逻辑封装为 ComfyUI 插件）获取长尾收入，首步动作是整理工作流 YAML 与清理脚本为可 fork 仓库，附上详细踩坑文档以建立开发者信任。
原文 · 博客 on Neil的自留地：阅读原文 →
