首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >副业突击营|用智能体搭一条会自己跑的价值流水线

副业突击营|用智能体搭一条会自己跑的价值流水线

原创
作者头像
用户12339161
发布于 2026-11-16 16:44:42
发布于 2026-11-16 16:44:42
60
举报

一、副业失败的真实原因

多数人做副业的第一步就错了:把 AI 当成"提效工具",结果产出速度从 1 篇/天变成 20 篇/天,人反而成了整条链路的瓶颈——选题靠人、发布靠人、回复靠人、复盘靠人。副业能不能持续,取决的不是产能,而是"无人值守时长"。突击营的核心命题因此不是"怎么用 AI 写东西",而是"怎么把一条价值流做成可调度、可核算、可熔断的自动化系统"。

二、三条选品铁律

铁律

判据

反面案例

自动化率

单条价值流 ≥ 80% 环节可无人执行

需要真人出镜的口播号

边际成本

每新增一条交付,增量成本趋近于 token 费

定制化咨询

合规余量

平台规则、资质、版权三层无灰区

搬运剪辑、医疗建议

选品先过这三关,再谈技术。技术能放大流水线,但放大不了一条本身不成立的生意。

三、架构:四段式自动化流水线

代码语言:javascript
复制
需求捕获(趋势/关键词) → 生产(多Agent协作) → 质检(规则+LLM评审) → 分发(限流/合规) → 数据回流
                              ↑___________________ 反馈调优 ___________________|

工程上三条硬约束:状态落盘(进程挂了能续跑)、幂等键(重跑不重复发布)、成本埋点(每条交付物的 token 与耗时都要记,否则算不清 ROI)。

四、核心代码

1. 流水线状态机(可续跑 + 幂等)

代码语言:javascript
复制
# pipeline.py
import sqlite3, json, hashlib, time
from contextlib import contextmanager

DB = "side_hustle.db"

def init():
    with sqlite3.connect(DB) as c:
        c.execute("""CREATE TABLE IF NOT EXISTS jobs(
            job_id TEXT PRIMARY KEY, stage TEXT, payload TEXT,
            cost REAL DEFAULT 0, created REAL, updated REAL)""")
        c.execute("""CREATE TABLE IF NOT EXISTS published(
            idem_key TEXT PRIMARY KEY, job_id TEXT, ts REAL)""")

@contextmanager
def db():
    conn = sqlite3.connect(DB); conn.row_factory = sqlite3.Row
    try: yield conn; conn.commit()
    finally: conn.close()

STAGES = ["topic", "draft", "review", "publish", "done"]

def idem_key(job_id, stage, content):
    return hashlib.sha256(f"{job_id}:{stage}:{content}".encode()).hexdigest()[:24]

def load_or_create(job_id):
    with db() as c:
        row = c.execute("SELECT * FROM jobs WHERE job_id=?", (job_id,)).fetchone()
        if row: return dict(row)
        rec = dict(job_id=job_id, stage="topic", payload="{}",
                   cost=0.0, created=time.time(), updated=time.time())
        c.execute("INSERT INTO jobs VALUES(:job_id,:stage,:payload,:cost,:created,:updated)", rec)
        return rec

def advance(job_id, stage, payload, cost=0.0):
    with db() as c:
        c.execute("UPDATE jobs SET stage=?,payload=?,cost=cost+?,updated=? WHERE job_id=?",
                  (stage, json.dumps(payload, ensure_ascii=False), cost, time.time(), job_id))

2. 生产 Agent:选题 → 撰写 → 配图方案

代码语言:javascript
复制
# agents.py
import os, json
from openai import OpenAI

llm = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"),
             base_url="https://api.deepseek.com")

def call(system, user, model="deepseek-chat", temp=0.7):
    r = llm.chat.completions.create(
        model=model, temperature=temp,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": user}])
    return r.choices[0].message.content, r.usage.total_tokens

def agent_topic(niche: str, history: list[str]) -> dict:
    sys = "你是内容选题分析师。输出 JSON:{title, angle, keywords[3], est_demand(1-10)}。只输出 JSON。"
    usr = f"赛道:{niche}\n近期已发选题(避免重复):{history[-20:]}"
    raw, tok = call(sys, usr, temp=0.8)
    return {"data": json.loads(raw.strip("```json \n")), "tokens": tok}

def agent_draft(topic: dict, style_ref: str) -> dict:
    sys = ("你是资深内容作者。按给定风格写正文,结构:钩子→3个信息增量点→可执行清单。"
           "禁止编造数据与政策,不确定处标注[待核实]。")
    usr = f"选题:{topic['title']}\n角度:{topic['angle']}\n风格样例:{style_ref}"
    text, tok = call(sys, usr)
    return {"text": text, "tokens": tok}

3. 质检:规则闸门 + LLM 评审双保险

代码语言:javascript
复制
# qa.py
import re, json

BANNED = [r"保证(收益|回本)", r"(医疗|投资)建议", r"百分百", r"最(低|高)价"]
REQUIRED = {"min_len": 600, "max_len": 3000}

def rule_gate(text: str) -> list[str]:
    errs = []
    for p in BANNED:
        if re.search(p, text): errs.append(f"违禁表述:{p}")
    if not REQUIRED["min_len"] <= len(text) <= REQUIRED["max_len"]:
        errs.append("长度越界")
    if text.count("[待核实]") > 2: errs.append("待核实项过多")
    return errs

def llm_review(text: str) -> dict:
    sys = ("你是内容质检员。对文本按 信息密度/可执行性/合规风险 三项各打1-10分,"
           "输出 JSON:{density, actionable, risk, reason}。只输出 JSON。")
    raw, tok = call(sys, text, temp=0.1)
    s = json.loads(raw.strip("```json \n"))
    s["pass"] = s["density"] >= 7 and s["actionable"] >= 7 and s["risk"] >= 8
    return {"score": s, "tokens": tok}

4. 成本核算与熔断(副业的生死线)

代码语言:javascript
复制
# roi.py
PRICE_PER_1K = 0.001          # 按实际模型单价配置,单位:元
DAILY_BUDGET = 5.0            # 日预算上限,超支即熔断

def job_cost(tokens: int) -> float:
    return tokens / 1000 * PRICE_PER_1K

class Budget:
    def __init__(self, limit=DAILY_BUDGET):
        self.spent, self.limit, self.day = 0.0, limit, time.strftime("%Y-%m-%d")
    def charge(self, tokens: int) -> float:
        today = time.strftime("%Y-%m-%d")
        if today != self.day: self.spent, self.day = 0.0, today
        c = job_cost(tokens); self.spent += c
        if self.spent > self.limit:
            raise RuntimeError(f"日预算熔断:已花 {self.spent:.2f} 元")
        return c

def unit_economics(job: dict, revenue: float) -> dict:
    return {"成本": round(job["cost"], 4), "收入": revenue,
            "毛利": round(revenue - job["cost"], 4),
            "ROI": round(revenue / max(job["cost"], 1e-6), 2)}

5. 分发:幂等 + 限流 + 人工抽检钩子

代码语言:javascript
复制
# publish.py
import hashlib

def should_human_review(score: dict) -> bool:
    return score["risk"] < 9 or score["density"] < 8   # 边缘样本走人工

def publish(job_id: str, text: str, channel: str) -> str:
    key = idem_key(job_id, "publish", text + channel)
    with db() as c:
        if c.execute("SELECT 1 FROM published WHERE idem_key=?", (key,)).fetchone():
            return "skipped_duplicate"
        # 此处接各平台 API / 半自动导出
        _dispatch(channel, text)
        c.execute("INSERT INTO published VALUES(?,?,?)", (key, job_id, time.time()))
    return "published"

6. 主循环:串起来

代码语言:javascript
复制
def run_one(niche: str, budget: Budget):
    job_id = hashlib.md5(f"{niche}{time.time()}".encode()).hexdigest()[:12]
    job = load_or_create(job_id)
    if job["stage"] == "topic":
        t = agent_topic(niche, history=[]); budget.charge(t["tokens"])
        advance(job_id, "draft", t["data"], job_cost(t["tokens"]))
    job = load_or_create(job_id)
    if job["stage"] == "draft":
        d = agent_draft(json.loads(job["payload"]), style_ref="…")
        budget.charge(d["tokens"])
        advance(job_id, "review", {"text": d["text"]}, job_cost(d["tokens"]))
    job = load_or_create(job_id)
    if job["stage"] == "review":
        text = json.loads(job["payload"])["text"]
        errs, rv = rule_gate(text), llm_review(text); budget.charge(rv["tokens"])
        if errs or not rv["score"]["pass"]:
            advance(job_id, "done", {"rejected": errs or rv["score"]})
        elif should_human_review(rv["score"]):
            advance(job_id, "done", {"pending_human": rv["score"]})
        else:
            advance(job_id, "publish", {"text": text}, job_cost(rv["tokens"]))
    job = load_or_create(job_id)
    if job["stage"] == "publish":
        publish(job_id, json.loads(job["payload"])["text"], "wechat")
        advance(job_id, "done", {})
    return load_or_create(job_id)

五、AI 全生态技术栈映射

环节

技术选型

副业视角的关键点

选题

趋势 API + 向量检索去重

去重比生成更值钱

生产

DeepSeek / 多模态模型

长文用 chat,配图用图像模型

质检

规则正则 + LLM-as-judge

规则挡硬伤,模型挡软伤

分发

平台 API / RSS / 半自动

先做半自动,别碰风控灰区

回流

SQLite + 简易看板

记录"哪类选题 ROI 高"

运维

定时任务 + 预算熔断

没有熔断的自动化是负债

六、冷启动 30 天路径

第 1 周:跑通全链路,人工全检,目标是发现规则的漏洞而非追求产量。 第 2 周:积累 30 条样本,校准 LLM 评审阈值(阈值靠样本定,不靠感觉)。 第 3 周:接入预算熔断与幂等发布,把"无人值守"从 2 小时拉到 24 小时。 第 4 周:按 ROI 排序选题类型,砍掉毛利为负的品类。

七、必须写进 SOP 的边界

自动化不等于免责。三条红线:平台规则优先于技术可行性(批量发布触发风控的账号价值归零);合规审查不能全托给模型(医疗、金融、法律类内容必须人工终审);成本熔断必须硬编码(一个死循环能在一夜之间烧掉一个月利润)。

副业做成的标志不是"AI 帮我写了很多",而是你关掉电脑一周,流水线仍在产出、成本仍在预算内、质量仍在阈值上。突击营练的,就是把这个状态调出来。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 一、副业失败的真实原因
    • 二、三条选品铁律
    • 三、架构:四段式自动化流水线
    • 四、核心代码
      • 1. 流水线状态机(可续跑 + 幂等)
      • 2. 生产 Agent:选题 → 撰写 → 配图方案
      • 3. 质检:规则闸门 + LLM 评审双保险
      • 4. 成本核算与熔断(副业的生死线)
      • 5. 分发:幂等 + 限流 + 人工抽检钩子
      • 6. 主循环:串起来
    • 五、AI 全生态技术栈映射
    • 六、冷启动 30 天路径
    • 七、必须写进 SOP 的边界
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档