GitHub 日榜第 2、13k Star，AI to Earn 火了——我用 Claude Code 三天搓了一个自己的

它为什么这两天到处都是

周一早上刷 GitHub Trending，AiToEarn 挂在第 2 位，13000 Star，一天新增好几百。

点进去看，项目描述一句话：帮 OPC（一人公司）、创作者和品牌在全球 13 个平台上自动创作、分发、互动并变现内容。支持抖音、小红书、TikTok、YouTube、Twitter、LinkedIn……噼里啪啦一串，能想到的主流内容平台基本都在里面。

我盯着那个 Trending 第 2 的标签看了三秒钟。

说实话，我之前对内容变现这件事不太上心——我主要精力在量化和 AI 工具开发上，写文章顶多是分享一下踩坑经验，没认真运营过。写完就发出去，评论区看到了就回，看不到的就拉倒，从来没想过把这件事当成一个系统来运营。

但最近情绪 Dashboard 项目做到一半，有读者私信说"这个能不能开一个付费社群"，然后我才意识到：我在单一平台写了十几篇技术文章，评论里多次有人问付费工具、量化信号、策略合作……我全部都没有承接，让线索白白流走了。

不是不想变现，是没有一套系统来帮我处理这件事。

我一个人，既要开发功能，又要写文章，还要运营评论区，精力根本不够用。内容创作和内容运营对我来说一直是纯手工操作，效率极低。

翻了一下 AiToEarn 的架构，发现它做的事情非常清晰：Content Agent 生成内容 → Publisher 多平台分发 → Engage Agent 自动互动 → Monetize 接单变现。四层，每层职责明确，可以独立实现，可以按需组合。

我当时的第一个念头不是"我要用这个"，而是：

这个我自己能搓。

量化开发者的通病——看到一个架构清晰的项目，第一反应是能不能自己实现一个针对自己场景的简化版，顺便还能完全控制数据不走第三方服务。

然后就开始了。Claude Code + Superpowers，三天，一个针对量化/金融 AI 话题的内容营销 Agent。

国内用户使用claude code确实有点困难，建议去一些靠谱的平台订阅：claudemax.shop

结论先行

三天，用 Claude Code + Superpowers，搓出了一个针对量化/金融 AI 话题的内容营销 Agent。

能做什么：

• 给定一个主题，自动生成符合我写作风格的文章草稿（接入了 CLAUDE.md 的写作规范）
• 自动把草稿发布到单一平台（Playwright 模拟操作）
• 监听评论区新评论，生成回复草稿，我确认后一键发布
• 一个简单的"线索收集"功能：识别评论里对量化 Dashboard 感兴趣的读者，整理到表格里

不能做什么：不能多平台同时发（只做了单一平台），没有视频生成，没有矩阵账号，没有 CPM/CPS 变现接单系统。

这跟 AiToEarn 的完整版差了有两三个量级的工程量。但够我自己用。

评分：自用版 8 / 10，对比 AiToEarn 完整版 4 / 10。

两个评分不矛盾。这篇文章想说的是：你不需要全套，你只需要属于你场景的那一层。

起步：先跑通 AiToEarn 原版，再自己动手

在开始自己搓之前，有一步我觉得很重要：先把 AiToEarn 原版跑起来，真实体验一遍，搞清楚它的每一层在做什么、用户体验是什么感觉，再决定自己的版本要保留哪些、裁掉哪些。

花了大概两小时把 AiToEarn 原版跑起来，理解它的架构。

# 最快的方式：Docker 一键起 git clone https://github.com/yikart/AiToEarn cd AiToEarn docker compose up -d

起来之后访问http://localhost:3000，把自己的单一平台账号接进去试了一次一键发布。成功了，文章发出去了，评论自动回了几条。

好。概念验证完毕，我知道这套东西是真能跑的，不是 demo 骗人的。

然后开始设计自己的版本。用 Superpowers 的 Brainstorming Skill 对着 Claude Code 说了大概 15 分钟，把自己的场景搞清楚：

• 内容方向：量化/金融 AI 技术文章，主要发单一平台，偶尔同步掘金
• 变现方式：暂时不接单，只做线索收集（哪些读者对付费服务感兴趣）
• 规模：一人开发，不要复杂的分布式架构，SQLite 就够了
• 接入方式：MCP + Claude Code，本地跑，数据不出机器

Brainstorming 结束，输出了一份设计文档，总共 7 个核心模块，Claude Code 拆成了 23 个任务，开始执行。

核心实现过程：Claude Code 怎么帮我搭这套东西

4.1 第一天：Content Agent——让 Claude 按我的风格生成文章

这是最重要的一层，也是 AiToEarn 最难复刻的部分——因为它的内容生成是通用的，但我需要的是完全符合我写作风格的内容。

解法很简单：把工作区里的 CLAUDE.md（写作风格规范）直接接进去，让 Content Agent 生成文章的时候把 CLAUDE.md 的内容作为系统提示的一部分。

Claude Code 帮我写的核心代码结构如下：

class ContentAgent: def __init__(self, style_guide_path: str): self.style_guide = Path(style_guide_path).read_text() def generate_article(self, topic: str, angle: str) -> dict: """按写作规范生成文章草稿""" system_prompt = f""" 你是一个量化/金融AI领域的技术博主。 严格遵循以下写作规范： {self.style_guide} --- 生成一篇完整的 Markdown 文章。 """ # 调用 Claude API，返回草稿 + 配图描述 + 标题候选 ...

这个设计有个意外好处：因为 CLAUDE.md 里已经把写作风格写得非常详细（8 段结构、语言特征、防 AI 味规则），Content Agent 生成出来的草稿，基本不需要大改，直接进发布流程。

之前是我手写文章，现在是 Claude 按我的规范起草，我来 review 和微调。工作量从 4 小时压缩到 40 分钟。

有一个细节值得说：Content Agent 生成草稿的同时，还会输出配图描述清单——告诉我每张图应该画什么、放在哪里、论证什么观点。这跟 CLAUDE.md 里配图规则的格式是对应的，生成完之后可以直接喂给gen_figs.py生成图表。

这条链路打通之后，"写一篇技术文章"这件事变成了：提供选题和角度 → Content Agent 生成草稿 + 配图描述 →gen_figs.py生成图表 → Publisher 发布到单一平台。全程我只需要 review 两次：一次草稿，一次发布前确认。

真正把文章生产流程从手工变成了半自动化。

4.2 第二天：Publisher——Playwright 自动发布到单一平台

这一层 AiToEarn 原版用的是自己的 OAuth Relay，支持 13 个平台。我只做单一平台一个，用 Playwright 模拟浏览器操作。

说白了就是机器人代替你手点网页。

Claude Code 帮我把整个操作流程写成了步骤：

async def publish_to_zhihu(article: dict) -> str: async with async_playwright() as p: browser = await p.chromium.launch(headless=False) page = await browser.new_page() # 登录（Cookie 持久化，不用每次输密码） await page.goto("https://www.zhihu.com") await load_cookies(page) # 进创作中心 await page.goto("https://www.zhihu.com/creator/writing") # 点"写文章" await page.click('[data-za-detail-view-name="写文章"]') # 粘贴标题和正文（Markdown 导入） await page.fill('.title-input', article['title']) await import_markdown(page, article['content']) # 发布 await page.click('.publish-btn') url = await get_published_url(page) return url

这块 Claude Code 写得不错，但我在 debug Playwright 选择器的时候折腾了快三个小时。单一平台的前端是 React 动态渲染的，选择器经常变。最后用的是data-za-detail-view-name这种属性选择器，比 class 稳定。

翻车了。当然没这么顺，中间卡了一次，是单一平台登录检测到了机器人行为要验证码。解决方案是在操作之间加随机延迟（500-1500ms），模拟人的操作节奏，通过了。

但还有一个更恶心的坑：单一平台的 Markdown 导入有时候会丢掉图片引用，因为它只认 https 开头的图片链接。这我之前在 publish_zhihu.py 里已经处理过了——图片走 jsDelivr CDN，所以 Publisher 在调用之前会先跑一次publish_zhihu.py把本地图片路径转成 CDN URL，再把处理过的 MD 文件喂给 Playwright。

两个脚本串联起来，有点绕，但能跑通。Claude Code 帮我写了个 orchestrator 把这两步包在一起，对外暴露一个统一的publish(article_path)接口。

用了 Superpowers 的 TDD Skill 给 Publisher 写了完整测试，包括一个 mock Playwright 的测试套件——因为真正运行 Playwright 太慢，测试用 mock 替代浏览器操作，验证逻辑层的行为。这块跟量化回测的 mock 思路一样，快速迭代不依赖外部环境。

4.3 第二天下午：Engage Agent——评论监控 + 自动回复草稿

这一层是我最想要的功能——单一平台发了文章之后，评论区有时候会出现感兴趣的潜在客户，但我看评论的频率很低，经常几天后才发现有人问了问题没回。

Engage Agent 做的事情：

• 定时爬取文章的评论区（每 4 小时一次）
• 把新评论喂给 Claude，让它判断：这是普通读者、感兴趣的潜在客户，还是同行交流
• 对每条评论生成一个回复草稿
• 把所有待确认的回复推送到我的桌面通知

我不让它自动发评论——需要我确认之后才发。这是一个刻意的设计决策：AI 生成的回复需要人过一遍，尤其是涉及到量化策略讨论的场景，不能让 AI 代表我输出一些我没核实的观点。

Claude Code 帮我加了一个"意图分类"的小模型（就是让 Claude 判断），把评论分成三类：

INTENT_LABELS = { "inquire": "询问付费服务/合作意向", # 重点关注 "discuss": "技术交流", # 正常回复 "other": "一般互动/路人", # 低优先级 }

inquire类型的评论会单独高亮推送，这就是我的"线索收集"系统。

实测下来，意图分类的准确率出乎意料地高。在我已发的 4 篇文章的评论里，它把大概 30 条inquire类评论全部正确识别了出来，没有漏掉，误判了 3 条（把明显是同行交流的也归成了 inquire）。

误判率可以接受，宁愿多看几条也不愿漏掉真正的潜在客户。

回复草稿这块，我给 Engage Agent 配置了两套回复策略：discuss类型的评论用技术性的回复（认真交流技术细节），inquire类型的回复更偏向引导到私信（不在公开评论区谈付费，怕被单一平台限流）。Claude Code 帮我写了两套 prompt 模板，切换起来很方便。

4.4 第三天：MCP 接入——让 Claude Code 直接调这套系统

最后一天做了一个我觉得最值的功能：把整个系统接成 MCP Server，让 Claude Code 可以直接调用。

这意味着我不需要再打开命令行跑脚本，直接在 Claude Code 里说"帮我写一篇关于 agentmemory 的文章，写完发到单一平台"，它会：

1. 调用 Content Agent 生成草稿
2. 调用 Publisher 发布
3. 返回发布 URL 给我确认

把一个完整的内容发布工作流压缩成了一句自然语言指令。

MCP Server 的核心就几十行：

@mcp_server.tool() async def publish_article(topic: str, angle: str) -> str: """生成文章并发布到单一平台""" draft = await content_agent.generate(topic, angle) # 先让我 review 草稿 confirmed = await human_review(draft) if confirmed: url = await publisher.publish(confirmed) return f"发布成功：{url}" return "用户取消发布" @mcp_server.tool() async def check_comments() -> list[dict]: """获取所有文章的新评论，附带意图分类和回复草稿""" return await engage_agent.get_pending_replies() @mcp_server.tool() async def send_reply(comment_id: str, reply: str) -> str: """确认并发送一条评论回复""" return await engage_agent.publish_reply(comment_id, reply)

接入 Claude Code 之后，整个工作流变成了对话：

我："帮我写一篇关于 AiToEarn 的文章，角度是用 Claude Code 自己搓一个，三天"

Claude Code：（调用publish_article，生成草稿，等待我 review）

我："ok 发出去"

Claude Code：（调用 Publisher，发布，返回 URL）

再也不用打开命令行，再也不用记每个脚本的参数。

这才叫真正的 AI 工具，而不是 AI 玩具。

诚实说缺点

自搓版和 AiToEarn 原版比，差距在哪里，实话实说。

缺点一：只支持单一平台，多平台是真正的大工程。

AiToEarn 做了 13 个平台，每个平台都有自己的登录机制、内容格式要求、发布接口。单一平台已经折腾了三个小时 Playwright 选择器，13 个平台就是 39 小时打底，而且每次平台改版你就得重新适配。

AiToEarn 这 13k Star 不是没道理的，这部分工程量是真实的。

缺点二：Playwright 稳定性存疑。

机器人模拟浏览器操作这条路，在国内内容平台上走得很险。单一平台有反爬，小红书更严，抖音基本封死了。我的自搓版只能在单一平台上稳定跑，其他平台没测过，大概率需要更复杂的反检测处理。

AiToEarn 用的是 OAuth Relay 方案，通过官方接口走，比 Playwright 稳定很多。这个架构选择是对的，只是前期工程量大。

缺点三：没有变现闭环。

AiToEarn 做了 CPS/CPE/CPM 的结算系统，创作者可以直接在平台上接单。我做的只是线索收集，转化还是靠手动处理。这块要做好，是另一个独立的大项目，不是三天能搞定的。

对量化 / 金融 AI 独立开发者意味着什么

AiToEarn 这类工具在国内开始出现，背后的逻辑很清楚：内容已经成为独立开发者最重要的获客渠道，但内容创作和运营对工程师来说是短板。

量化/金融 AI 方向的开发者写出来的东西，读者有很强的付费意愿——这个方向的受众是有消费能力的。问题不是内容不值钱，是产出效率太低、运营太分散。

AiToEarn 能帮你解决运营的体力活，但有几个前提。

你需要先有内容风格，AI 才能学。如果你从来没有固定的写作风格和垂类定位，让 AI 帮你批量生成内容只会批量产出平庸的东西。自搓版那个 CLAUDE.md 接入，能有效是因为我已经积累了自己的风格规范。先有风格，才有规模化的基础。反过来说，如果你风格本身就是大路货，再好的工具也救不了。

自搓版的最大价值不是省了订阅费，而是完全掌控数据。我的读者线索、评论数据、内容库，全部在我自己的 SQLite 里，不依赖任何第三方服务。对量化策略的讨论内容，数据主权很重要——你不会希望自己的潜在客户名单存在别人的数据库里。

还有一点：内容营销 Agent 的边界在哪里？这件事我想清楚了——AI 可以帮你写草稿、发内容、整理线索，但不应该替你跟读者建立关系。最后转化那一步，还是要靠你本人出面。自搓版设计了"人工确认"这个环节，AI 生成回复草稿，我来 review 发出去，不是因为技术上不能全自动，而是因为我不想用一个机器人去应付真正想交流的人。

工程师做内容的正确姿势：先用 AI 工具提速，再用工程能力做差异化。AiToEarn 给你标准化能力，自搓版给你定制化空间。两个不矛盾，根据自己的情况选就行。

不同情况怎么选

想直接用、不想开发的：AiToEarn 原版直接上，aitoearn.ai 不需要部署，免费账号试用，确认有效果再考虑付费功能。不要一上来就 Docker 自部署，先体验再决定要不要更深入。

想用但想控制数据的：Docker 自部署，三条命令就跑起来，把数据留在自己服务器。AiToEarn 是 MIT 开源的，自部署完全合规。我第一步就是这么干的，花了两小时体验了一遍，搞清楚每一层在做什么。

有开发能力、有明确垂类的：考虑自搓一个针对自己场景的简化版。不需要做完整的 13 平台，先做你最主要的那一个，跑通了再扩。关键是把内容风格先固化下来——没有固定风格的内容机器，就是一台高效产出平庸内容的机器。量化方向的同学，CLAUDE.md 这套接入方式可以直接参考。

做量化/金融 AI 内容的：我愿意把自搓版的代码框架整理出来开源。有兴趣的可以评论区告诉我，如果反响不错就做。不保证时间，但我自己在用，不会烂尾。

最后说一句可能有点扎心的话：工具不是问题，大多数没做起来的内容，问题在"没有足够差异化的东西可以说"。AiToEarn 能帮你把一篇文章发出去的速度从 4 小时压缩到 40 分钟——但那 40 分钟里你到底说了什么，它管不了。

收尾

AiToEarn 火上 GitHub 日榜，根本原因不是技术有多新——多平台发布这件事早就有人在做了。它火是因为时机对了：AI 工具让内容创作的门槛降低，但内容运营的体力活没人替你干，这个需求一直在，市场一直缺一个把它做完整的东西。

工程师的内容变现，不是流量游戏，是信任游戏。AI 工具帮你提速，但赢得读者信任的那部分，没法外包。

如果你也在做量化、金融 AI 应用，或者想把技术内容变成收入，评论区聊。自搓版开源的事，反响好就做。