低門檻開發流程與自動化代理應用
該使用者自述幾乎沒有編程知識，透過「Vibe Coding」（憑感覺編程）的方式完成專案。他將本地端的 Qwen 模型連接至 OpenCode v2.0，並主要透過提供螢幕截圖和口語化需求來指導開發方向。
OpenCode v2.0 的內建編程代理負責處理程式碼撰寫、錯誤修復以及網路搜尋等技術細節。使用者強調，若沒有此版本的自動化功能，過去需要手動下載大量外掛與工具才能達成類似效果。
應用程式不僅具備基礎開票功能，還自動生成了匯入工具，成功將使用者超過五年的舊有文件與資訊整合進新系統中。
本地端硬體配置與模型效能數據
開發環境建立在 AMD Ryzen 9 9950X3D 處理器、RTX 5090 顯示卡（32GB VRAM）以及 96GB DDR5 記憶體的高階個人電腦上。主要使用的模型為 Qwen 3.8 27B 的 Q4_K_M GGUF 格式，並透過 LM Studio 進行管理與執行。
在整個開發過程中，顯存使用量約為 31GB，Qwen 3.8 27B 模型及其設定的 120K 上下文視窗完全載入於顯示記憶體中。平均生成速度維持在每秒 80 至 90 個代幣（tokens/sec）。
為了測試不同模型的表現，使用者在最後一個功能開發階段短暫切換至 Qwen 3.6 35B A3B (Q5_K_M) 模型，該配置下的生成速度提升至每秒 220 個代幣，且同樣能正常運作。
上下文管理與專案資源消耗
為了避免上下文視窗溢出，開發過程依賴 OpenCode 的自動壓縮（Auto Compaction）機制。這使得實際使用的上下文長度始終穩定控制在 57K 至 90K 之間，遠低於模型設定的 120K 上限。
根據統計，整個專案累計消耗了 2.94 億個輸入代幣與 126 萬個輸出代幣。這些數據反映了 AI 代理在理解需求、生成程式碼以及處理歷史文件時所產生的龐大計算量。
