花300元烧20亿Token，他用DeepSeek造了款开源快递App

一次极限的AI编程实验

当DeepSeek开启灰度测试后，一位开发者做了一件颇具实验性质的事情：花费约300元、消耗近20亿Token，借助AI辅助编程完成了一款名为「云雀·快递助手」的全平台快递聚合应用。

这里需要理解几个关键数字。Token是大语言模型处理文本的基本单位，一个汉字通常被拆分为1-2个Token，一个英文单词约为1-4个Token。20亿Token的消耗量相当于处理了约10亿个汉字的等量文本，其中包括开发者输入的需求描述、模型返回的代码、多轮对话的上下文累积，以及大量的调试迭代。而300元的成本之所以能支撑如此庞大的Token消耗，得益于DeepSeek在2025年初推出的V3和R1模型极低的API定价——其输入Token价格低至每百万Token约1元人民币级别，远低于OpenAI GPT-4o等同级模型。这一价格水平意味着大模型API已经下探到个人开发者完全能够承受的区间。

所谓灰度测试（Gray Release），是一种将新版本先向一小部分用户开放、观察稳定性后再逐步扩大范围的软件发布策略。DeepSeek的灰度测试意味着该开发者能够在较早阶段以较低成本进行大规模模型调用。

这不仅是一次产品开发，更像是一场关于「AI能否独立完成一款完整App」的压力测试。从最终呈现的成果来看，云雀并非玩具级Demo，而是一款功能相对完整、设计克制的实用工具。

云雀解决了什么痛点

多平台快递的碎片化困境

对大多数网购用户来说，快递信息分散在京东、淘宝、闲鱼、阿里巴巴等多个App中，查一个包裹往往要在几个应用间反复切换。这背后有深层的行业原因：中国快递行业2024年全年业务量突破1700亿件，人均年收快递超过120件。主流电商平台各自维护独立的物流追踪系统——京东使用京东物流和第三方物流的混合体系，淘宝/天猫通过菜鸟网络聚合各快递公司数据，闲鱼则依托淘宝的物流基础设施。用户若同时使用多个平台购物，快递信息天然处于碎片化状态。此前市面上虽有快递100、菜鸟等聚合工具，但大多需要用户手动输入单号或授权手机号，且数据上传至云端服务器，隐私风险始终是用户的核心顾虑之一。

云雀的核心思路很简单：把全平台快递统一接入同一个App，打开即可快速查看，并且自动合并去重。

值得关注的是隐私设计——所有数据只保存在用户本地手机中，而非上传云端。这在当下快递信息频繁泄露的背景下，是一个相当讨喜的取舍。

AI深度融入产品体验

云雀最大的特色在于AI并非贴在表面的「聊天框」，而是深度整合进了产品的核心功能。首页中每件快递都配有真实商品图、AI生成的短名称、自动聚合的取件码，以及AI预测的到达时间与运输进度。

用户可以直接「问问云雀」，让它完成改名、移动分区、开关跟踪等操作。换句话说，AI在这里既是信息处理引擎，也是交互层的一部分。

细节里的产品力

详情页与自动化推送

点开任意快递的详情页，单号、快递公司、商品信息都清晰地陈列在商品条上，同时支持一键跳转回京东、淘宝的原订单页面。这种「聚合但不割裂」的设计，避免了聚合类工具常见的信息孤岛问题。

自动化方面，云雀支持定时日报——到点自动生成并推送当日快递概览，减少用户主动查询的负担。

智能桌面小组件

桌面小组件的设计尤其见功力。组件会随快递件数自动重排：从1件到24件，格子布局自动调整，字号随件数缩放，点开任意一格可直达对应详情。即便件数再多，界面也不会挤成一团。这种随内容动态适配的布局逻辑，往往是最考验设计与工程配合的部分。

视觉与开发者友好

两套主题与莫奈取色

在视觉层面，云雀提供了两种主题：一种是安卓原生风格，采用莫奈取色（Material You），系统壁纸变化时App配色会自动跟随；另一种是暖色衬线风格，观感更温暖直感。用户还能自定义配色、字体、质感强度，并支持昼夜分开设置。

莫奈取色是Google在Android 12中引入的动态配色系统，其正式名称为Material You，是Material Design 3设计语言的核心特性。该系统通过算法从用户壁纸中提取主色调、辅助色和中性色，自动生成包含数十个色阶的完整调色板，并将其应用到系统界面和支持该特性的App中。对开发者来说，实现Material You支持需要使用Android的DynamicColors API，将App中的硬编码颜色替换为动态色彩Token，工程实现上有一定复杂度。这套设计语言在个人开发的独立应用中算得上相当讲究。

CLI与MCP：面向极客的开放能力

云雀还提供了两项进阶能力。

其一是CLI（Command Line Interface）命令行工具，一条命令即可拿到全部快递信息，方便脚本化处理。一款面向普通用户的快递App同时提供CLI工具是相当罕见的设计选择——这意味着开发者或技术爱好者可以通过终端命令批量获取快递数据，并将其集成到自动化脚本中。例如，结合cron定时任务自动生成快递报告，或通过Shell脚本将快递状态同步到Notion、飞书等工具中。这种面向极客群体的开放姿态，体现了独立开发者产品与大厂产品的差异化路径。

其二是MCP（Model Context Protocol，模型上下文协议）支持。MCP是由Anthropic于2024年底提出的一项开放标准协议，旨在为AI模型与外部数据源、工具之间建立统一的通信接口。类比来说，MCP之于AI应用，类似于USB接口之于硬件设备——它定义了一套标准化的连接方式，使得不同的AI模型可以通过同一协议访问各种外部工具和数据。在云雀的场景中，支持MCP意味着用户可以在Claude、GPT等其他AI助手中直接调用云雀的快递查询、状态追踪等能力，而无需单独打开云雀App。这种可组合性（Composability）代表了AI应用从孤立工具向互联生态演进的趋势。

这意味着云雀不只是一个封闭的App，而是可以成为个人自动化体系里的一环。

目前，云雀已在GitHub开源，欢迎下载使用并提交issue。

一点观察与思考

云雀这个案例最值得玩味的，不在于它是一款多么颠覆性的产品，而在于它展示了一种新的开发范式：一名开发者借助DeepSeek这样的大模型，在可控的成本下（约300元）完成从UI设计、功能逻辑到自动化推送的完整闭环。

当然，20亿Token的消耗也说明当前AI编程仍需大量的迭代与试错，并非「一句话生成App」那般轻松。当前AI辅助编程主要有两种模式：一是以GitHub Copilot为代表的行级/块级代码补全，开发者在IDE中编写代码时获得实时建议；二是以ChatGPT、Claude、DeepSeek等对话式模型为代表的需求驱动式代码生成，开发者用自然语言描述需求，模型返回完整代码片段甚至文件。云雀的开发显然大量使用了后者。20亿Token的消耗量暗示了一个关键事实：当前AI编程远非「一次生成」，而是需要反复的描述-生成-测试-修正循环。模型可能会产生逻辑错误、API调用不当、UI布局偏差等问题，每一轮修正都意味着新的Token消耗。这也是为什么业界更倾向于使用「AI辅助编程」而非「AI自动编程」这一表述。

但它清晰地勾勒出一个趋势——个人开发者的生产力边界正在被大幅拓宽，那些过去需要小团队数周才能完成的实用工具，如今一个人加一个模型或许就能搞定。这才是这场「300元实验」背后真正的信号。

核心要点