我用 AI Agent 自动接 GitHub 赏金 —— 全流程拆解

kefon
5 阅读2分钟

我用 AI Agent 自动接 GitHub 赏金 —— 全流程拆解

最近几个月 AI Agent 特别火，各种框架层出不穷。但说实话，大部分文章都在讲概念和 demo，真正让 Agent 干活赚钱的案例很少。

我花了点时间，让 AI Agent 跑通了「自动扫描 GitHub 赏金 → 分析需求 → 写代码 → 提 PR」的完整链路。这篇文章就把整个过程拆开讲讲，希望能给你一些启发。

先说结论

  • AI Agent 确实能接 GitHub 上的付费 issue（赏金），但不是全自动，关键节点需要人把关
  • 最适合 Agent 的活：文档、测试、小功能、bug fix——范围小、代码少、确定性高
  • 大型重构和从零搭建？别碰，性价比极低
  • 一次 $200 的赏金，足够覆盖 Agent 几个月的 API 费用

一、赏金从哪来？

GitHub 上有不少项目会给解决特定 issue 的人发钱，主流平台有：

  • Algora：目前最活跃，有 1300+ 个开放赏金，金额从 20到20 到 5000 不等
  • IssueHunt：老牌平台，项目多但活跃度一般
  • Gitcoin：偏 Web3，需要钱包，非币圈慎入

我写了个 Python 脚本，每 6 小时自动扫描 Algora 上的新赏金，筛选出性价比高的，通过微信推送给我。核心逻辑就是：金额 ÷ 预估工作量 = 性价比，优先接金额/工作量比划算的。

# 赏金扫描逻辑（简化版）
for repo in algora_repos:
    for issue in repo.open_issues:
        if issue.bounty >= 100:  # 最低 $100 才值得看
            estimate = estimate_workload(issue)  # LLM 粗估
            if issue.bounty / estimate > 50:  # 性价比阈值
                notify(issue)

二、实战案例：FinMind 多账户仪表盘

说个具体的。我扫到了 FinMind 项目的 #132 issue——多账户仪表盘功能，赏金 $200。

需求拆解：

  • 后端：新增 Account 模型，支持 CURRENT/SAVINGS/CREDIT/INVESTMENT 四种账户类型
  • 后端：3 个 API 端点（CRUD + 汇总统计）
  • 前端：账户管理页面，含总余额卡片、账户列表、资产分配图表、新增弹窗

这个活很典型——需求明确、范围可控、不涉及核心逻辑重构，非常适合 Agent 来做。

三、Agent 的实际工作流程

Step 1：代码库分析

Agent 先 fork 仓库，然后分析项目结构：

FinMind/
├── packages/backend/app/    # Flask 后端
│   ├── models/              # 数据模型
│   ├── routes/              # API 路由
│   └── tests/               # 测试
├── app/src/                 # React TypeScript 前端
│   ├── pages/               # 页面组件
│   └── components/          # 通用组件

项目用的是 Flask + React + TypeScript，技术栈不复杂，Agent 很快就能上手。

Step 2：并行开发

这里我让 Agent 把后端和前端分成两个子任务并行跑：

后端任务：

  • 定义 Account 模型（继承现有 BaseModel）
  • 实现 /api/accounts CRUD 端点
  • 实现 /api/accounts/summary 汇总统计
  • 写单元测试

前端任务：

  • Accounts 页面布局
  • 总余额卡片组件
  • 账户列表 + 删除操作
  • Recharts 资产分配饼图
  • 新增账户弹窗

两个任务同时进行，互不阻塞。后端大概 15 分钟出结果，前端 20 分钟。

Step 3：测试 & 修复

后端测试跑了一次就过了（13/13），这个比较顺利。

但也不是一帆风顺——项目用了 Redis 做 cache，测试环境没有 Redis 实例。Agent 自动装了 fakeredis，然后 patch 了 conftest.py，测试就全绿了。这种「遇到问题自己修」的能力，是 Agent 最大的价值。

TypeScript 编译也一次通过，0 error。

Step 4：提交 PR

最后一步是提交代码和 PR。这里有个细节——要像人类一样操作：

  1. 先在 issue 下面评论 /attempt #132，说明自己要做这个功能
  2. PR 描述要写人话，别搞模板化的格式
  3. 提交后可以主动问 reviewer 问题，显得有互动感
  4. 别一次交太多 PR，容易像 bot

四、踩过的坑

1. Agent 不是万能的

复杂需求 Agent 搞不定。我试过让它做一个需要深度理解业务逻辑的重构任务，结果代码写出来逻辑全错，改了 3 轮还是不行。最后还是得人来。

2. 性价比才是王道

20的issue如果要改10个文件，不如20 的 issue 如果要改 10 个文件，不如 200 的 issue 只改 3 个文件。金额/token 消耗比才是关键指标。

3. 测试环境要提前搞定

很多开源项目测试依赖外部服务（Redis、PostgreSQL 等），Agent 需要自动配置 mock 环境才能跑通测试。这个环节经常比写代码本身还耗时。

4. PR 竞争激烈

好的赏金 issue 会有很多人抢。我看到 FinMind #132 就有其他开发者也提交了 PR。所以速度很重要——先评论占坑，再快速出高质量代码。

五、成本核算

这是我实际运行的 API 费用（基于蓝耘 MaaS 平台）：

项目模型费用估算
赏金扫描（定时任务）GLM-5.1~¥2/月
代码分析 + 开发GLM-5.1~¥8/次
测试 + 修复GLM-5.1~¥3/次
月度总计~¥15-20/月

一次 $200 的赏金 ≈ ¥1440，够覆盖 Agent 运行 约 72 个月（6 年）的费用。

就算成功率只有 50%（一半的 PR 被拒），ROI 依然非常可观。

六、给想试的人的建议

  1. 从小做起：先找 50−100的小赏金练手，别一上来就冲50-100 的小赏金练手，别一上来就冲 1000+
  2. 选对项目：优先选活跃维护的项目，PR 容易被 review 和合并
  3. 质量优先：宁可少接几个，也要保证每个 PR 的质量。被拒的 PR 纯浪费 token
  4. 建立信誉：GitHub profile 要像正常人，commit 历史要自然，别一次交太多 PR
  5. 自动化扫描：手动刷 issue 效率太低，写个脚本定时扫才是正道

写在最后

AI Agent 接赏金不是躺赚，更像是「用 AI 放大个人生产力」。Agent 帮你处理 80% 的机械性工作（读代码、写模板代码、跑测试），你专注于 20% 需要判断力的部分（需求理解、方案设计、代码审查）。

这个模式才刚刚开始，随着 Agent 能力越来越强，能自动完成的任务比例还会提高。现在入局，正好踩上这波浪潮。

如果你也在用 AI Agent 做有趣的事，欢迎在评论区交流 👇

avatar
文章
阅读
粉丝