从手动搬砖到 AI 自动赚钱，我如何用开源工具搭建了一套被动收入系统
引言：从“人肉”到“AI”的赚钱之路
去年这个时候，我还在手动操作三个副业项目：商品价格监控、社交媒体内容同步、竞品数据追踪。每天下班后还要花 2-3 小时重复这些机械劳动，月收入却只有 1000 多元。直到我发现了 OpenClaw——一个开源的 AI Agent 框架。
三个月前，我用 OpenClaw 搭建了第一个自动化 Agent，现在这个系统每月为我带来 3000+ 的被动收入，而我的时间投入几乎为零。更重要的是，整个系统的搭建成本极低，核心代码完全开源。
今天我就把这套方法完整分享出来，包括核心代码、变现路径和避坑指南。
一、OpenClaw 是什么？为什么它能帮你赚钱？
1.1 不只是另一个 AI 框架
OpenClaw 与其他 AI 框架最大的不同在于它的 “抓取-决策-执行”闭环设计。简单来说，它不仅能理解你的指令，还能主动获取信息、分析决策、执行操作，最后反馈结果。
核心架构包含三个模块：
- 感知层：通过浏览器自动化、API 调用等方式获取实时数据
- 决策层：基于 LLM（大语言模型）分析数据并制定行动计划
- 执行层：自动执行网页操作、API 调用、文件处理等任务
1.2 低成本高回报的技术栈
技术栈组成：
- 核心框架：OpenClaw (Python)
- AI 模型：GPT-3.5/4、Claude、本地模型（按需选择）
- 自动化：Playwright/Selenium
- 部署：Docker + 云服务器（最低配置即可）
- 监控：Prometheus + Grafana（可选）
月成本估算：
- 云服务器：50元（基础配置）
- AI API 调用：20-100元（取决于使用频率）
- 总计：最低 70元/月
二、实战案例：搭建商品差价监控 Agent
下面我以“跨境电商价差监控”为例，展示如何从零搭建一个赚钱的 AI Agent。
2.1 项目需求分析
痛点：同一商品在不同平台（淘宝、拼多多、京东、亚马逊）存在价格差，但人工比价效率极低。
解决方案：OpenClaw Agent 自动监控指定商品，发现价差超过阈值时自动下单低价商品，在高价平台转卖。
2.2 核心代码实现
# 商品监控 Agent 核心代码
import asyncio
from openclaw import Agent, Tool
from openclaw.tools import BrowserTool, APITool, CalculatorTool
from datetime import datetime
import json
class PriceMonitorAgent(Agent):
def __init__(self):
super().__init__(
name="商品价差监控Agent",
description="自动监控多平台商品价格，发现套利机会",
model="gpt-3.5-turbo" # 可替换为更低成本的模型
)
# 注册工具
self.register_tool(BrowserTool())
self.register_tool(APITool())
self.register_tool(CalculatorTool())
# 监控配置
self.target_products = [
{"name": "Apple AirPods Pro", "sku": "B09JQMJHXY"},
{"name": "Kindle Paperwhite", "sku": "B08N38XPQG"}
]
self.platforms = ["taobao", "pinduoduo", "jd", "amazon"]
self.profit_threshold = 50 # 最低利润阈值（元）
async def monitor_prices(self):
"""核心监控逻辑"""
price_data = {}
for product in self.target_products:
product_name = product["name"]
price_data[product_name] = {}
for platform in self.platforms:
# 使用浏览器工具获取价格
price = await self.get_price_from_platform(
platform,
product["sku"]
)
if price:
price_data[product_name][platform] = {
"price": price,
"timestamp": datetime.now().isoformat(),
"url": await self.get_product_url(platform, product["sku"])
}
# 分析价差
arbitrage_opportunities = await self.analyze_arbitrage(
price_data[product_name]
)
if arbitrage_opportunities:
await self.execute_arbitrage(arbitrage_opportunities)
async def get_price_from_platform(self, platform, sku):
"""从不同平台获取价格"""
browser_tool = self.get_tool("browser")
# 这里简化了实际代码，真实项目需要处理登录、反爬等
if platform == "taobao":
url = f"https://item.taobao.com/item.htm?id={sku}"
price_xpath = "//*[@id='J_StrPrice']//em[@class='tb-rmb-num']"
elif platform == "amazon":
url = f"https://www.amazon.cn/dp/{sku}"
price_xpath = "//span[@class='a-price-whole']"
# 使用浏览器自动化获取价格
price_text = await browser_tool.extract_text(url, price_xpath)
return self.parse_price(price_text)
async def analyze_arbitrage(self, price_data):
"""使用 LLM 分析套利机会"""
prompt = f"""
分析以下商品在不同平台的价格数据，找出套利机会：
{json.dumps(price_data, indent=2, ensure_ascii=False)}
要求：
1. 计算各平台价差
2. 考虑平台手续费（淘宝2%、拼多多1%、京东3%、亚马逊15%）
3. 利润需超过{self.profit_threshold}元才值得操作
4. 返回JSON格式：{{"buy_platform": "", "sell_platform": "", "estimated_profit": 0}}
"""
response = await self.llm_call(prompt)
return json.loads(response)
async def execute_arbitrage(self, opportunity):
"""执行套利操作"""
# 1. 在低价平台下单
buy_result = await self.place_order(
opportunity["buy_platform"],
opportunity["product_info"]
)
if buy_result["success"]:
# 2. 在高价平台创建销售列表
sell_result = await self.create_listing(
opportunity["sell_platform"],
buy_result["order_id"]
)
# 3. 记录交易
await self.log_transaction({
"buy": buy_result,
"sell": sell_result,
"estimated_profit": opportunity["estimated_profit"],
"timestamp": datetime.now().isoformat()
})
# 4. 发送通知
await self.send_notification(
f"✅ 套利交易完成！预计利润：{opportunity['estimated_profit']}元"
)
# 启动 Agent
async def main():
agent = PriceMonitorAgent()
# 设置定时任务：每6小时运行一次
while True:
await agent.monitor_prices()
await asyncio.sleep(6 * 3600) # 6小时
if __name__ == "__main__":
asyncio.run(main())
2.3 部署与优化
# Dockerfile 示例
FROM python:3.9-slim
# 安装 Chrome 和必要依赖
RUN apt-get update && apt-get install -y \
wget \
gnupg \
unzip \
&& wget -q -O - https://dl.google.com/linux/linux_signing_key.pub | apt-key add - \
&& echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google.list \
&& apt-get update && apt-get install -y google-chrome-stable
# 复制代码
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
# 启动脚本
CMD ["python", "main.py"]
优化技巧：
- 使用无头浏览器减少资源占用
- 设置合理的请求间隔避免被封
- 实现失败重试机制
- 添加监控告警（价格异常、API 限额等）
三、更多变现路径：不止于商品监控
3.1 内容创作与分发 Agent
# 简化的内容创作 Agent
class ContentAgent(Agent):
async def generate_and_publish(self, topic):
# 1. 爬取热点话题
trends = await self.scrape_trends()
# 2. 生成多平台内容
articles = await self.generate_content(trends)
# 3. 自动发布到多个平台
platforms = ["zhihu", "juejin", "csdn", "weixin"]
for platform in platforms:
await self.publish_to_platform(platform, articles)
# 4. 统计阅读数据
stats = await self.collect_stats()
# 平台收益：
# - 知乎致知计划：千次阅读 3-10元
# - 掘金：流量分成 + 征文奖金
# - 微信公众号：流量主 + 广告
收益模型：
- 平台分成：每月 500-2000 元
- 接软文：每篇 200-1000 元
- 引流私域：长期价值
3.2 社交媒体管理 Agent
帮助小型企业管理多个社交媒体账号：
- 自动回复评论和私信
- 定时发布内容
- 分析互动数据
- 生成运营报告
收费模式：每个账号 100-300 元/月
3.3 数据服务 Agent
# 数据服务示例：竞品监控
class CompetitorMonitor(Agent):
async def monitor_competitors(self):
# 监控竞品价格变化
# 跟踪新品上架情况
# 分析营销活动效果
# 生成竞品分析报告
# 输出格式化的报告
report = await self.generate_report()
# 自动发送给客户
await self.send_to_customers(report)
目标客户：电商卖家、品牌方、市场分析师 收费标准：每月 300-1000 元/客户
四、避坑指南：我踩过的那些坑
4.1 技术坑
反爬虫应对：
# 最佳实践
async def safe_scrape(self, url):
strategies = [
self.use_rotating_proxies, # 代理池
self.random_delay, # 随机延迟
self.mimic_human_behavior, # 模拟人类行为
self.use_headless_browser, # 无头浏览器
self.handle_captcha # 验证码处理
]
for strategy in strategies:
try:
return await strategy(url)
except Exception as e:
continue
4.2 商业坑
- 平台规则风险：所有自动化操作必须遵守平台 ToS
- 资金安全：使用第三方支付接口，不要存储用户支付信息
- 法律合规：特别是涉及数据爬取和跨境业务时
- 客户沟通：明确告知服务是 AI 驱动的，管理预期
4.3 运营坑
- 不要过度承诺：AI 会有失误率
- 设置熔断机制：错误率达到阈值时自动停止
- 保留人工介入接口：关键决策需要人工确认
- 定期更新模型：平台变化时需要调整策略
五、进阶玩法：从 Agent 到 Agent 网络
单个 Agent 的能力有限，但多个 Agent 协同工作就能产生质变：
# Agent 网络架构
class AgentNetwork:
def __init__(self):
self.agents = {
"scraper": DataScraperAgent(), # 数据采集
"analyzer": DataAnalyzerAgent(), # 数据分析
"trader": TradingAgent(), # 交易执行
"reporter": ReportAgent(), # 报告生成
"monitor": SystemMonitorAgent() # 系统监控
}
async def orchestrate(self, task):
# Agent 间协同工作流
raw_data = await self.agents["scraper"].collect(task)
insights = await self.agents["analyzer"].process(raw_data)
actions = await self.agents["trader"].decide(insights)
report = await self.agents["reporter"].summarize(actions)
# 监控整个流程
await self.agents["monitor"].track_performance()
return report
这种架构的扩展性极强，可以轻松增加新的 Agent 来处理更复杂的任务。
六、开始你的 AI 被动收入之旅
6.1 起步建议
- 从简单开始：先实现一个单一功能的 Agent
- 选择熟悉的领域：电商、内容、
