FlareMo 上手体验：不买服务器，一个免费 Cloudflare 账号就把笔记系统跑起来了

Thu, 03 Sep 2026 00:00:00 +0000

写上一篇《自部署一个 Memos：FlareMo 上 Cloudflare Workers 全记录》时，重点全在踩坑和补丁上。这篇换个角度：FlareMo 到底是个什么东西、免费额度够不够用、日常用起来是什么体验、适合谁不适合谁。

FlareMo 是什么

一句话：一个免费 Cloudflare 账号就能 24 小时跑在云端的个人笔记系统，Memos 兼容，应用层 Better Auth 登录，数据存 D1（5GB 数据库）+ R2（10GB 对象存储），代码和前端跑在一个 Worker 上。

传统自部署长这样：一台 VPS、一个 Postgres、一堆 Docker 容器、每周要维护的备份脚本，还有硬盘坏了数据全没的风险。FlareMo 想回答的问题是：能不能只用一个免费 Cloudflare 账号，不买服务器、不装数据库、不写备份脚本，就拥有一个 24 小时在线、数据不会丢、能绑自定义域名、还能被各种工具调用的笔记系统？

答案是能。整套东西跑在一个 Worker 上，你没有一个"服务器"要照看，只有一份代码和一个免费账号。

免费额度到底够不够用

很多人一听"免费"就觉得是玩具。实际上对个人笔记这种纯文本为主的场景，免费额度是溢出的：

D1 5GB：一条笔记含标签时间戳索引开销算 2KB，能存约 250 万条，每天写 100 条能写 68 年
R2 10GB：约 5000-10000 张压缩图片，或者 80 小时语音备忘录；R2 出口流量不收费，分享图给别人不产生流量账单

我的实际体感：写了大半年，数据库用量连零头都没到。免费额度不是"很快就会撞到的天花板"，而是"你大概率永远用不完"。

为什么放 Cloudflare 比放 NAS 稳

自部署还有一个常被低估的成本：数据的物理安全。NAS 数据在自家硬盘上，硬盘会坏、电源会跳、家里可能漏水被盗。FlareMo 的数据在 Cloudflare 企业级基础设施上持久化，自带冗余，你不用买第二块硬盘、不用写定时备份、不用关心 SMART 报警。

另外它天然附带了一堆自部署很难凑齐的东西：全球边缘节点、免费 HTTPS + 自定义域名（我绑了 memo.uuunit.com，证书自动续）、不用 frp / Tailscale / 公网 IP 打洞、零运维——没有系统补丁、没有数据库升级、没有进程看门狗。

自部署一个 Memos：FlareMo 上 Cloudflare Workers 全记录

Thu, 03 Sep 2026 00:00:00 +0000

一直在用 Memos 记碎片想法，但官方 Server 要自建 VPS，维护成本不低。直到发现 FlareMo——一个把 Memos 完整跑在 Cloudflare Workers 上的开源项目，D1 存数据、R2 存附件、Vectorize 做语义搜索、Workers AI 做嵌入，全部免费额度内。部署地址 memo.uuunit.com，iOS 用 MoeMemos 客户端无缝接入。这趟从部署到客户端跑通踩了六个坑，值得记录。

坑一：孤立仓库不能 pull，只能 reset

仓库是从 GitHub 上拿到的快照，本地只有一个根提交，和上游没有共同祖先。这意味着 git pull / git merge 必然冲突，升级的正确姿势是：

git branch backup-v0.6-snapshot   # 旧版快照分支
git fetch origin --tags
git reset --hard v0.14.0          # 目标 release tag

但 reset 会把 wrangler.jsonc 一并覆盖——本地真实 D1 ID（da6ec409-...）和 FLAREMO_PUBLIC_URL 全丢。所以升级前先备份本地敏感文件，reset 后重新应用数据库 ID 和公网地址，再 commit 一次防止下次更新再丢。

坑二：Vectorize 索引不会自动创建

新版引入了语义搜索，上游 wrangler.jsonc 里声明了 Vectorize binding，但不会自动建索引——不手动创建，部署直接失败：

unset CLOUDFLARE_API_TOKEN CF_API_TOKEN  # 必须 unset，否则走 API token 模式不是 OAuth
npx wrangler vectorize create flaremo-memos --dimensions=1024 --metric=cosine
npx wrangler vectorize create flaremo-memories --dimensions=1024 --metric=cosine

维度必须和嵌入模型匹配（默认 qwen3-embedding-0.6b = 1024 维 cosine）。还有一个隐藏雷：Vectorize V2 的 returnMetadata 参数要求字符串枚举 "all" | "indexed" | "none"，上游代码传的是 V1 的布尔 false，语义搜索直接 500 Internal server error，要手动改成 "none"。