事故調查 · 續篇 · 2026-10 接回 一次加分的代價
帳單響了之後，
你手上有沒有
一張地圖
四個人、四張雲端帳單、同一個錯。差別不在專不專業，也不在有沒有用 AI——在帳單到程式碼之間那張圖從哪裡來。
案例：Happy Toy Scout（半路工程師在矽谷）、FunClass 翻課星球（方方老師）、兩則社群貼文 · 依據：作者公開文章、媒體報導、網站實測標頭、前一份報告 · 未登入、未碰任何人的雲端帳號
TL;DR
三句話
- 每個人都會犯同一個錯：沒算「使用者數 × 每次資料量」。事前沒有人知道流量會不會來，所以這個錯不分專業與否，矽谷的資深工程師也照犯。
- 帳單是唯一的警報，但它只說多少錢，不說為什麼。從金額回推到那一行程式碼，中間要一張地圖：計費單位是什麼、一個動作幾台裝置各下載多少、使用者十倍帳單幾倍。有地圖的人兩天修對層，沒地圖的人幾個月修錯層。
- AI 讓閉環變便宜，不讓人變強。便宜的閉環放大你原本的方向：有地圖的人更快修好，沒地圖的人更快加功能。而且它的答案是抽樣不是查表，所以地圖得是確定性的數字，不能是「問它行不行」。
- AI 有這張地圖，但三個條件缺一不可：問題得被放進流程裡（不能靠人想到）、AI 給的圖可能是錯的（帳單才是對的）、帳單來的時候丟給它最準（事後比事前準）。
01 · 暗礁
同一個錯，每個人都會撞到
雲端帳單爆掉的故事，九成是同一道算式沒算：
每月帳單 ≈ 使用者數 × 每個使用者觸發的次數 × 每次送出的資料量 × 單價
前三項相乘叫扇出（fan-out）。做 MVP 的那個晚上，使用者數是未知數——不知道會不會有人用，就沒有理由花時間算「十萬人進來會讀幾次」。所以這個錯不是粗心，是結構性的：事前沒有任何回饋能告訴你算錯了。第一個回饋永遠是帳單，而帳單來的時候，乘法已經跑了一陣子。
撞礁不分專業。差別是撞了之後，手上有沒有一張圖告訴你礁在哪裡。
02 · 測深
四張帳單
四個案例壓成同一個形狀：錯 → 警報 → 修哪一層 → 地圖從哪來。四個人裡沒有一組是「專家對新手」；他們是四種「地圖在哪」的狀態。
2 天
Happy Toy Scout 免費額度打滿；十天內修完
NT$2,854
FunClass 一個月帳單；修了幾個月還在錯的層
NT$8,000+
Places API 一個晚上；地圖是 AI 給的，而且給錯
US$5,000
Vercel 一個月；從帳單回推，搬走
同一聲警報之後的四條航跡。實心是切在乘法上的一步，空心是沒切到的一步。A 四步全實心，十天；B 警報之後三步全空心，幾個月；C 的第一步就是一張錯的圖；D 兩步到位。
A地圖在腦子裡：Happy Toy Scout
8 月 18 日麥當勞在全美推出 Hello Kitty × Godzilla 聯名兒童餐，每家店供應的款式不同，家長只能在社團裡到處打聽。21 日週五深夜，Fremont 的工程師 Brian 開始寫，週六早上做完第一版：全美 13,000 多家門市上地圖、定位、依玩具編號篩選、一鍵回報。他說雖然只想給灣區朋友用，但「一開始就直接以全美規模來設計架構」。
太太分享到家長群後病毒式擴散。上線不到兩天，免費雲端額度「徹底打滿，並遠遠超過了」。他列出的修法有三件：快取門市靜態資料與歷史回報、依地圖視角動態載入、大幅減少不必要的 API 呼叫與資料庫讀取。十天內部署 122 次，他形容是「邊開飛機邊換引擎」。十天後 12.7 萬使用者、4 萬筆回報；三週後 19.7 萬使用者、151 萬次瀏覽、同時在線峰值 2,400 人。
注意他「以全美規模設計」的意思：資料放得下，不是成本放得下。13,000 家店放得進地圖，跟十萬人各讀一次 13,000 家店，是兩件事。這就是扇出沒算——跟下一位老師犯的是同一個錯。差別在帳單響了之後：他列的三件事，每一件都切在「使用者 × 次數 × 大小」的乘法上，沒有一件是在修別的地方。
今天網站實測（2026-10-22）：App 跑在 Cloudflare Workers 上（回應標頭有 x-vinext-cache，vinext 是 Cloudflare 把 Next.js 跑在 Workers 上的 runtime）、資料庫是 Supabase（CSP 只允許一個 supabase.co 網域）、瀏覽器零直連資料庫，全走同源 /api/*、首頁在 CDN 節點快取 5 分鐘，過期後先回舊的再背景更新（stale-while-revalidate）、收藏頁面是「發版時產生的快照」、地圖用 Leaflet 加 OpenStreetMap 公用 tiles。
第一天用的是哪家雲、帳單金額、有沒有換過平台、有沒有用 AI 寫，公開資料都沒有。Wayback 八月沒有頁面快照。「不到兩天打滿」若是 Supabase 免費版的 5 GB egress，一天 7 萬次瀏覽、每次 50 KB 就是 3.6 GB——一天半破，跟時間線對得上，但這是推算不是證據。
B地圖被自己關掉：FunClass 翻課星球
國小老師方方用 AI 做了班級加分工具，月活躍 5.4 萬人，9 月帳單 NT$2,854，幾乎全是 Firebase Realtime Database 的下載流量。扣分的那一步只有一個：把「整班壓成一塊」的備份格式直接拿來當即時廣播，老師加一分，全班 30 台裝置各自重新下載整塊；在按位元組計費的資料庫上，這樣做大約貴 400 倍。詳細拆解在上一篇〈一次加分的代價〉。
他不是沒修。夏天發現一天燒 300 多元，做了底層改造：分數加緩衝、寫入加冷卻、內容沒變不重發——修的全是「發布頻率」，沒有一項碰到「每次發布的大小」。到 9 月才自己摸到「拆開存」的方向，而且只對一個帳號試行，正式環境仍是整塊廣播。
為什麼修錯層？他寫給 Codex 的技能有一條：使用者是新手、沒提到成本時，選不用付費的路線，而且不要教定價。本意是不嚇跑新手，結果是 agent 選資料庫、設計同步格式時，沒有人回頭問過「每多一位學生要多付多少」。那張地圖 AI 本來有，被一條好意的規則關掉了。
C地圖是 AI 給的，而且給錯：Places API
一位開發者的專案大量用 Google Maps Places API，上線第一個月帳單逼近五萬台幣。他問 Gemini，Gemini 告訴他有一個月費 100 美元的 Starter Plan，還列出方案涵蓋的 API 項目。他訂了，一個晚上燒了八千多塊台幣，點進帳單一看用量是 8,000 多％——Starter Plan 根本不含 Places API。接下來兩週在 Maps 和 Cloud Billing 之間被踢皮球，期間還收到逾期付款通知，最後帳單上出現一筆服務調整項，錢拿回來了。
他自己寫的教訓有一條最值錢：預算「提醒」跟「上限」是兩回事。提醒只是通知你超標，API 費用可以在一個晚上從幾十塊衝到幾千塊，通知來的時候來不及反應；要設配額上限（quota cap），超過就硬擋。
這個案例是給第 06 節用的：他有去問 AI 要地圖，AI 給了一張，圖是錯的。最後校正那張圖的不是 AI，是帳單。
D地圖從帳單學回來：Vercel 搬家
一位獨立開發者把 AI 搜尋引擎部署在 Vercel，每月幾十萬訪問量，登入後台一看，一個月 5,000 多美元。他的判斷是：幾十萬月訪不算大，這個費用不合理。於是搬到 Cloudflare 託管加自建伺服器，省下來的錢夠他寫一篇文章。
這是最常見的一種路徑：事前沒算，帳單來了，從金額反推出「我被哪個計費單位收了錢」，然後換一個單位不同的地方。地圖是事後畫的，但畫對了。
03 · 潮流
閉環變便宜了，人沒有變強
先把這篇的主角說出來，不然四張帳單只是四個故事。主角是 AI 時代那個最常被說反的句子：AI 讓人變強。四條航跡說的是另一件事——AI 讓閉環變便宜，而便宜的閉環會放大你原本的方向，不會替你換方向。
方方老師用 agent 加功能的速度是真的快：遊戲艙、寵物、轉蛋、Boss 戰、18 個 Cloud Functions，每一個都在幾週內上線。Brian 十天 122 次部署也是真的快。同一個放大器，一個把速度全部花在「加」，一個把速度全部花在「修」。放大器不分辨這兩者；分辨它們的，是撞礁之後手上那張圖。
所以「中位數」和「離群值」要說清楚是哪一條軸。老師在教育產品那條軸上是離群值——5.4 萬月活、雜誌專訪；Brian 在基礎設施那條軸上是離群值。帳單量的是基礎設施那條軸，所以在這篇裡老師落在中位數。AI 放大的是你在那條軸上的位置：中位數加 AI，是更快地回到中位數——agent 給的是大家都會選的架構，你加功能的速度變快，而每一次加功能都是一次沒人扣分的選型；離群值加 AI，是更快地離群——同樣的工具，用在收斂上。
AI 讓有地圖的人更快修好，讓沒地圖的人更快加功能。
還有一個放大器自己帶來的新礁：它的答案是機率抽樣，不是查表。問它「這個方案含不含 Places API」，它給了一個流暢的錯答案；同一個問題換一天問，答案可能不同。這對寫程式沒關係——編譯器會抓；對架構決策有關係——沒有東西會抓，帳單來之前你不知道它錯了。所以地圖不能是「問 AI 這樣行不行」，那是把一個隨機變數當成確定答案。地圖得是確定性的東西：計費單位、扇出的位元組數、十倍時的月費——這些是查得到、算得出、跟定價頁對得上的數字，問十次答案一樣。第 05 節的圖例是按這個標準寫的。
04 · 反事實
如果 Brian 一開始就選 Cloudflare
這句話有兩個版本，只有一個站得住。
站不住的：「他就不會犯錯」。不對。扇出沒算這個錯，在 Cloudflare 上一樣會犯——13,000 家店全載、每個訪客讀一次，程式碼一模一樣。
站得住的：「他的錯就不會變成帳單」。Workers 不按流出位元組計費，同一個錯在 Supabase 上是 GB，在 Workers 上是請求次數，單價低到十倍流量也只是幾美元。選 Cloudflare 不是避免犯錯，是讓這類錯打不到你。而這件事本身就是地圖的第一條——「計費單位是什麼」——在第一天就用掉了。「做好玩的」正確定義不是「隨便做」，是「選一個錯了也不會痛的計費單位」。
便宜的失敗也是安靜的失敗。Brian 兩天就學到，是因為免費額度有硬上限、會停、會響。同一個錯在 Workers 上只會讓後台儀表板的請求數多幾個零，沒有警報；他可能一直不知道自己每個訪客多讀了幾十次。選對計費單位保護的是錢包，不是學習。所以這一節不是在說「大家都去用 Cloudflare」——是在說：計費單位決定你的警報多痛、多快、多響。FunClass 的 Blaze 隨用隨付沒有上限，警報慢而且無聲，要等月底；這是老師修了幾個月的另一半原因。
05 · 圖例
地圖是什麼
不是知道「正確的架構」——AI 也知道正確的架構，而且讀過的事故檢討報告比任何一個架構師都多——系統出事之後寫的那種文件，記錄哪裡壞、為什麼壞、怎麼修，每一家雲端廠商和大公司都公開過幾百份。地圖是從帳單回到程式碼的映射：看到金額，知道是哪個計費單位；知道計費單位，知道是哪個扇出；知道扇出，知道是哪一行。
LEGEND · 三個問題
- 單位
- 這個服務的計費單位是什麼？按次、按位元組、按人頭，還是按秒。同一個技巧換了單位，結果可能相反——整班壓成一塊在按次計費的 Firestore 是省錢，在按位元組的 Realtime Database 是燒錢。
- 扇出
- 使用者做一個動作，幾台裝置各下載多少？扇出數乘每次資料量，就是帳單成長的速度。
- 十倍
- 使用者變成十倍、一百倍，帳單變幾倍？線性成長的項目要先想誰付錢，再決定要不要做。
這三個問題是上一篇第 07 節寫給用 AI 做工具的人的關卡，這裡把它們升格成圖例：每個案例都能用這三格重新讀一遍。Brian 的三件修法對應的是扇出和十倍；老師的 skill 關掉的是單位；Places API 那位被 AI 騙的是單位；Vercel 那位換的是單位。
06 · 燈標
沒地圖的人，能從 AI 借到一張嗎
可以。但有三個條件，而且條件比答案重要。
一、地圖在書裡，問題不在
計費單位、扇出、十倍帳單——這些 AI 全都知道，問了就答。老師的 agent 之所以沒給，不是不會，是 skill 規定「不教定價」。所以第一個條件是：問題要被放進流程裡，不能靠人想到。地圖可以外部化成一道關卡：agent 每次加「即時同步」「多人連線」之前必須先答三個問題，答不出來不准動手。沒地圖的人裝這道門，等於借了一張。
二、AI 給的地圖可能是錯的
Places API 那位就是證據：Gemini 給了一張錯的定價圖，一晚燒掉八千。所以第二個條件是閉環——AI 畫草圖，帳單校正，人把兩者連起來。地圖不是從 AI 拿到的那一刻生效，是從第一次被帳單打到、回來改圖那一刻生效。你可以讓 AI 畫圖，不能讓它替你被打。
三、事後比事前準
事前問「我這個架構會不會爆」，AI 只能給中位數的答案，因為它不知道流量。事後把帳單截圖和程式碼一起丟進去問「為什麼」，答案準得多——上一篇報告就是證明：只憑公開 repo 和一張帳單截圖，AI 畫出了老師自己幾個月沒畫出來的那張圖。所以沒地圖的人最划算的做法不是事前問 AI，是在警報響的那一刻，把警報的內容原封不動交給 AI，然後自己讀懂它回的那張圖。
那麼，一個「架構 review」技能，是不是免費的地圖
2026 年最紅的一類技能是在動手前盤問你的——像 grill-me 這種：一次一個問題、附上它的建議答案、等你回答、直到每個決策分支都定案才准寫程式。還有各種「幫我 review 架構」的技能。它們拿得到那張地圖嗎？拿得到一半，而且要知道是哪一半。
- 它們是第一個條件的具體形狀。把問題放進流程、不靠人想到——這正是盤問型技能在做的事。老師的技能把定價問題關掉，grill-me 這類技能把問題打開。方向對了。
- 但技能裡的地圖，是寫技能的人的地圖。一個通用的盤問技能問的是通用的問題：資料模型、錯誤處理、邊界條件。它不會問「Realtime Database 按位元組計費，你的整班壓縮塊每次廣播幾 KB」——除非寫它的人被這張帳單打過。所以技能的價值等於作者的地圖；你裝一個別人寫的技能，借到的是別人撞過的礁。
- 只有輸出數字的問題才是門，輸出意見的問題只是對話。「這個架構有沒有問題」AI 會給你一段流暢的意見，而且每次不一樣——這是第 03 節說的隨機性。「這個服務的計費單位是什麼、單次扇出幾個位元組、十倍時月費多少」逼出來的是數字，數字可以拿去跟定價頁對——這等於在帳單來之前，先造了一個便宜的警報。好的技能把不可驗證的問題換成可驗證的數字；壞的技能只是讓你在動手前多聊了一輪。
- 盤問型技能最常見的失敗，它自己的說明就寫了：照單接受它附的建議答案，等於讓它自己盤問自己。那不是地圖，是回音。
- 它會替你補完地圖，但補上去的墨水跟查到的是同一個顏色。你沒想到的，它擅長補——邊界條件、漏掉的失敗模式、同類系統常在哪裡出事，這是它讀得多的本事。你想歪的，它不擅長抓——它順著你的前提往下推，前提錯了它會把錯的前提推得更完整。而兩種補法在它的輸出裡長得一模一樣：查到的、算出來的、猜的，都是同樣流暢的一段話。所以要它補地圖的時候，逼它在每個答案後面標出處——「定價頁查到的」「從你給的數字算的」「我猜的」——只信前兩種，第三種當成待驗證的假設。
所以不是免費午餐，是便宜午餐：問的那一半免費，驗的那一半不免費。而且午餐是誰做的很重要——一個從真帳單長出來的三題關卡，比一個三十題的通用清單值錢。
AI 有地圖，但只在你問的時候給、給的可能是錯的、帳單來的時候最準。
壓成一句：沒地圖的人要做的不是學會畫圖，是把三個問題做成門、把帳單當成老師、把 AI 當成翻譯。
07 · 第五個測深
第五個例子是你
四個人沒有一個是為了寫進報告才犯錯的。下一個收到帳單的人，大概率也不會是因為不專業。所以這一節不講道理，給工具。
下次讓 agent 加任何會隨人數成長的功能之前，把這段貼進去，要它先回答再動手：
在實作之前，先回答下面三題，答不出來就停下來問我：
1. 這個功能用到的每個雲端服務，計費單位是什麼？（按次／按位元組／按人頭／按秒）
2. 使用者做一個動作，會有幾台裝置各自下載多少資料？算出單次扇出的位元組數。
3. 使用者變成 10 倍和 100 倍時，這個功能的月費各是多少？哪一項是線性成長？
把三題的答案寫成一張表，讓我決定要不要做，再開始寫程式。
然後，帳單來的那一天——不管是免費額度打滿的通知，還是月底的一張數字——把它原封不動貼給 AI，連同那段程式碼，問「為什麼是這個數字」。它回的那張圖，自己讀一遍，確認每一格都對得上帳單；對不上的地方，是它錯，不是帳單錯。
地圖不是從 AI 拿到的那一刻生效，是從第一次被帳單打到、回來改圖那一刻生效。
附 · 證據與限制
哪些是看到的，哪些是推的
- 直接看到的：Brian 在換日線的全文與世界日報、Tri-City Voice 的報導；Happy Toy Scout 今天的回應標頭、CSP、靜態資源清單與頁面文字；FunClass 的帳單截圖、三代公開程式碼與 Codex 技能（詳見上一篇）；Threads 與知乎兩則貼文的原文。
- 推論：Brian 第一天用的雲、打滿的是哪個額度、帳單金額、有沒有換平台、有沒有用 AI 寫——全部沒有公開資料，文中凡涉及這些都標了「推論」。「Staff 工程師」是他粉專的自述，沒有第三方佐證。
- 沒做的：沒有登入任何人的帳號、沒有讀寫任何雲端資料、沒有測量真實流量；沒有聯絡任何一位當事人。四個案例是說書，不是統計；它們支撐的是「地圖從哪來」這個框架，不是分佈的證明。
- 跟上一篇的關係：〈一次加分的代價〉是單一案例的事故調查；這一篇把它放進四個案例裡，問的是另一個問題——同一個錯，為什麼路徑不同。
資料來源