最近有一个案例在中文互联网上流传得很广：一位美国网约车司机在接单间隙写诗，4 个小时赚了 130 美元，折合人民币约 1000 元。很多人看到这个数字的第一反应，是把它当成“副业神话”或者“文化差异”来讨论。
但技术从业者应该看到一个更本质的信号：内容生产的单位成本，已经低到可以让一个没有文字功底的人，在碎片时间里完成创作并拿到回报。这种变化不是某个写作平台的功劳，也不是“写诗”这个品类突然变得值钱，而是 AI 文本生成工具把“从零到一”的初稿成本降到了接近于零。真正决定收入上限的，已经变成选题判断、审美筛选和分发能力。
这篇文章会把“网约车司机写诗赚 130 美元”这个案例拆开，落到一套可执行的方法上。内容包括：AI 写作工具怎么选、提示词怎么写、批量生产时如何控制质量、发布和变现要注意哪些合规问题，以及从开发者视角看，这类需求背后有哪些值得做的工程机会。
1. 这类收入案例的本质是什么
先回到那个数据本身。130 美元、4 小时、约 1000 元人民币，这三个数字组合在一起很容易让人产生“我也行”的冲动。但这里真正值得分析的，不是单位时间收益，而是这笔收入背后的内容生产机制。
写诗本身是一个低频需求。它不像外卖、打车、保洁那样每天都有稳定的市场。一台网约车一天能接几十单，但一个普通人在一天里几乎不会产生“需要一首诗”的需求。那为什么有人能靠这个赚到钱？答案在于：写诗只是一种具体形态，它背后代表的“定制化文字服务”是高频需求。
朋友圈文案、纪念日表白、广告语、短视频脚本、品牌故事、歌词填词、产品介绍……所有这些本质上都是“用文字完成一次表达”。过去完成这类任务需要两样东西：写作能力，以及足够多的时间。没有写作能力的人，写一首 20 行的诗可能需要一整天；有写作能力但没时间的人，同样无法把这项技能变成稳定的收入。
AI 文本生成模型改变了这个过程。当模型可以在几十秒内产出第一版初稿时，创作者的唯一任务变成了“判断”：哪一个版本的情绪更准确、语言更精炼、更适合当前平台。判断的成本远低于创作的成本，而判断能力可以通过一次次反馈快速提升。
所以这个案例的本质，是“人机协作的内容生产”正在替代“纯人工内容生产”。它不是普通人突然变得更有才华，而是工具把创作门槛拉低之后，原本被隐藏的需求被释放了出来。
当然，这里也要泼一盆冷水：不是每个人复制这套做法都能拿到同样的收入。平台流量、需求匹配、个人审美、运气成分，都是重要变量。能看到的“月入过万”案例，往往是从大量尝试者里筛选出来的幸存者。AI 工具降低的是创作成本，不是市场竞争难度。
2. AIGC 内容生产的核心概念与适用场景
要把这套方法讲清楚，先要理解几个基础概念。
AIGC，全称是 Artificial Intelligence Generated Content，即“人工智能生成内容”。它不是一个单一的 AI 技术，而是一类应用的统称：用 AI 自动或辅助生成文字、图片、音频、视频等内容。我们这里讨论的文字生成，主要依赖大语言模型（LLM）。
大语言模型的原理不复杂：它根据已有的上下文，逐个预测下一个最可能出现的文本单元。这个单元称为 Token，一个 Token 可以是一个字、一个词或一个标点。模型训练时读了海量文本，学到的是语言中的统计规律和知识沉淀。用户输入一段文字，模型输出另一段文字，这个过程在技术上叫“推理”。
使用大模型时，有几个参数需要理解：
| 参数 | 作用 | 通俗解释 |
|---|---|---|
| System Prompt（系统提示词） | 设定模型回答的整体身份和规则 | 相当于给临时员工发一份岗位说明书 |
| Temperature | 控制输出的随机性，取值范围一般为 0 到 2 | 值越低越保守稳定，值越高越有创意但也更容易跑偏 |
| Top P | 控制候选词范围 | 相当于只从前几个概率最高的词里选，值越小越保守 |
| Max Tokens | 限制回答最大长度 | 相当于限定交稿字数 |
提示词工程（Prompt Engineering）是这一套技术里的关键技能。它不是“魔法词拼接”，而是把任务目标拆解成模型能理解的指令：角色、任务、约束、输入、输出格式。提示词写得好不好，直接影响生成质量。
那么这类内容生产到底适合做什么？基于当前主流模型的水平，可以做一个简单判断：
| 任务类型 | 是否适合 AI 辅助 | 主要原因 |
|---|---|---|
| 短诗、文案、广告语 | 适合 | 表达自由度高，审美判断交给人类 |
| 短视频脚本、口播稿 | 适合 | 有明确结构框架，模型容易生成 |
| 公众号长文初稿 | 适合 | 可以帮搭骨架，但事实和观点需要人工补充 |
| 新闻报道、财经分析 | 高风险 | 涉及事实核查，AI 可能编造 |
| 医疗、法律建议 | 高风险 | 涉及人身权益，必须由专业人员把关 |
| 正式合同、授权文件 | 不推荐 | 法律效力与规范性要求极高，不能用 AI 生成 |
这一步的判断决定了后续整套工作流的设计边界。做内容生产工具时，与其做一个“全能的写手”，不如先聚焦一个垂直场景。
3. 工具选型与环境准备
要跑通 AI 写作工作流，首先需要把环境搭好。这里以一个常见的最小技术方案为例：Python 调用大模型 API，批量生成文案并输出结果。
语言环境建议使用 Python 3.9 及以上版本，具体版本以本机环境为准。依赖管理推荐使用 venv 或 conda，避免污染系统环境。模型选择方面，中文场景可以优先考虑国内可正常访问的大模型服务，例如通义千问、文心一言、DeepSeek、智谱 GLM 等；如果想要完全本地化运行，也可以考虑 Ollama 部署开源模型。
不同服务的接入方式略有差异，但整体流程一致：注册账号、获取 API Key、调用接口。下面以一个兼容 OpenAI 接口格式的服务为例，演示环境搭建过程。
3.1 创建项目目录与虚拟环境
mkdir ai-content-studio cd ai-content-studio python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate3.2 安装依赖
创建一个requirements.txt文件，内容如下：
openai>=1.0.0 python-dotenv>=1.0.0 pandas>=2.0.0然后执行安装：
pip install -r requirements.txt3.3 配置 API Key
不建议把密钥直接写在代码里。推荐使用环境变量，或创建.env文件来保存：
# .env API_BASE=https://api.example.com/v1 API_KEY=your_api_key_here MODEL_NAME=your_model_name_here这里要特别提醒：API Key 等同于账号密码，不要提交到 Git 仓库，不要随手发到技术群里。如果使用 GitHub，务必把.env加进.gitignore。一旦发现泄露，应立即在控制台吊销并重新生成。
3.4 验证连接
写一个最简单的测试脚本，确认 API 连通：
# test_connection.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client = OpenAI( api_key=os.getenv("API_KEY"), base_url=os.getenv("API_BASE"), ) response = client.chat.completions.create( model=os.getenv("MODEL_NAME"), messages=[ {"role": "system", "content": "你是一个文案助手。"}, {"role": "user", "content": "请用一句话介绍你自己。"}, ], temperature=0.7, ) print(response.choices[0].message.content)运行命令：
python test_connection.py如果正常输出一段文本，说明环境已经就绪。
4. 用提示词工程完成 AI 写作的最小工作流
环境搭好之后，接下来是整个流程中最重要的环节：提示词设计。很多第一次接触 AI 写作的人，会直接输入一句“帮我写首诗”然后抱怨效果差。这不是模型不行，而是任务描述不够具体。
以“写一首现代短诗”为例，一个可用的系统提示词可以这样设计：
# 角色 你是一位擅长现代诗歌创作的编辑，作品风格克制、语言干净、意象清晰。 # 任务 根据用户输入的主题，创作一首中文短诗。 # 规则 1. 字数控制在 80 到 120 字之间。 2. 不要使用陈词滥调，避免“月亮像银盘”这类比喻。 3. 不要直接解释主题，使用意象让读者自行感受。 4. 输出格式：先给出诗名，再给出正文。 5. 如果用户对风格有额外要求，优先满足用户要求。用户输入对应的示例：
主题：网约车司机在深夜收车 额外要求：希望有一种疲惫但温暖的感觉模型可能会生成类似下面的输出：
诗名：收车 路灯把影子拉成一截一截 手机屏幕暗下去 乘客的名字像退潮的贝壳 后视镜里 城市慢慢变轻 钥匙转动的声音 是今天最后一首没有唱完的歌这里要强调：AI 生成的第一版通常只能达到“及格线”。真正让作品变得可用的，是后续的人工筛选和修改。不要指望模型一次生成就能直接发布，正确的姿势是先快速拿到多个候选，再由人做判断。
在调用参数上，temperature对诗歌类创作的影响比较明显。追求稳定输出时设低一点，比如 0.6；希望模型大胆联想时设高一点，比如 0.9。但注意，temperature过高会导致语句碎片化，甚至出现语无伦次。实际项目中，可以先固定一个默认值，再根据人工反馈调整。
5. 批量生成与基础质量筛选的 Python 实现
单人创作不需要批量生成，但一旦想测试多个主题、多个风格，或者打算把这件事做成一个稳定的小工具，批量生成就是必须的。下面给出一个可扩展的 Python 脚本，它做的事情是：
- 读取一个主题列表。
- 对每个主题调用模型生成 3 个候选版本。
- 做基础过滤：长度是否合理、是否出现重复内容。
- 把结果保存为 JSON 文件，方便后续人工审核。
# batch_generate.py import json import os import time from openai import OpenAI from dotenv import load_dotenv load_dotenv() client = OpenAI( api_key=os.getenv("API_KEY"), base_url=os.getenv("API_BASE"), ) SYSTEM_PROMPT = """你是一位擅长现代诗歌创作的编辑，作品风格克制、语言干净、意象清晰。 根据用户输入的主题，创作一首中文短诗。 字数控制在 80 到 120 字之间。 不要使用陈词滥调。 输出格式：先给出诗名，再给出正文。""" TOPICS = [ "深夜便利店", "雨天的通勤地铁", "第一次做菜的厨房", "老城区的早餐摊", ] def generate_one(topic: str, candidate_index: int) -> dict: response = client.chat.completions.create( model=os.getenv("MODEL_NAME"), messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": f"主题：{topic}\n这是第 {candidate_index + 1} 个候选版本，请换一个完全不同的切入角度。"}, ], temperature=0.8, max_tokens=300, ) return { "topic": topic, "candidate_index": candidate_index + 1, "content": response.choices[0].message.content, } def is_valid(item: dict) -> bool: content = item["content"] # 长度过滤 if len(content) < 30 or len(content) > 500: return False # 简单去重：连续两次生成完全相同内容说明模型陷入了重复 return True def main(): results = [] seen = set() for topic in TOPICS: for i in range(3): try: item = generate_one(topic, i) if is_valid(item) and item["content"] not in seen: seen.add(item["content"]) results.append(item) time.sleep(0.5) # 避免请求过快 except Exception as e: print(f"主题 {topic} 第 {i+1} 个候选生成失败: {e}") with open("output.json", "w", encoding="utf-8") as f: json.dump(results, f, ensure_ascii=False, indent=2) print(f"生成完成，共 {len(results)} 个有效候选，已保存到 output.json") if __name__ == "__main__": main()运行命令：
python batch_generate.py预期输出：
生成完成，共 12 个有效候选，已保存到 output.json这个脚本只是一个最小实现。实际工程中，可以继续扩展以下能力：
- 增加人工评分字段，在 JSON 中记录“是否采用”。
- 增加并发请求，用
ThreadPoolExecutor缩短整体耗时。 - 增加缓存层，同一主题和提示词在一段时间内不重复请求。
- 增加敏感词过滤，内容发布前自动检查和打标。
- 用数据库取代 JSON 文件，方便多人协作审核。
需要警惕的是，批量生成意味着批量出错的风险。模型偶尔会生成包含事实错误、偏见表述或敏感内容的结果，所以人工审核环节绝不能省略。这也是为什么“AI 完全自动生成并发布”不是一个负责任的方案。
6. 内容发布、变现与合规问题
先回到那个让人心动的数字：4 小时 130 美元。如果把它简化成“AI 写诗赚钱”，等于忽略了这个链条里的其他环节。真实收入取决于三个变量：需求从哪来、内容如何触达用户、交易如何完成。
可能的路径包括：在内容平台接单、销售定制化文案服务、经营一个垂直主题的内容账号、为特定行业提供批量文案工具。每一种路径对“AI 生成”的处理方式都不一样，平台规则也在变化。
这里重点讲合规风险，因为它比变现路径更值得先搞清楚。
6.1 版权归属
AI 生成内容的版权归属在全球范围内仍是一个争议话题。不同平台、不同司法辖区可能有不同规定。发布前需要确认目标平台是否允许 AI 生成内容，以及是否要求标注“AI 生成”。从职业操守角度，建议在对外发布时明确标注内容由 AI 辅助完成，避免给读者造成误导。
6.2 平台规则
很多内容平台对“批量发布”“同质化内容”“搬运内容”有严格限制。用 AI 生成大量相似内容，再配上夸张标题获取流量，属于平台明令禁止的违规行为。轻则限流，重则封号。更严重的是，如果内容涉及虚假信息或诱导消费，还可能违反广告法。
6.3 隐私与数据安全
在提示词中输入用户信息时，不要把家庭住址、联系方式、身份证号、银行卡号等隐私数据发给模型。大模型服务商会记录 API 请求数据，这是一个必须正视的事实。处理第三方需求时，应遵守最小化原则：只提供完成任务所需的信息。
6.4 对开发者的工程机会
这个案例也给开发者提供了一个观察窗口：大量非技术背景的人开始尝试用 AI 做内容，但他们缺的不是账号和教程，而是一套顺手的工具。例如：
- 面向垂直场景的提示词模板管理工具。
- 内容生成后的批量审核与编辑工作台。
- 多平台发布与数据反馈追踪系统。
- 针对某一内容品类的本地模型微调方案。
这些工具的共同点，是把“提示词 + 模型调用 + 质量控制 + 合规检查”沉淀成标准流程。做成一款 SaaS 可能比较复杂，但先在团队内部或者一个小社群内实现闭环，是可行的起点。
7. 常见问题与排查思路
在实践 AI 写作工作流时，会遇到一些高频问题。下面整理成表格，方便按图索骥排查。
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| API 返回 401 或 403 | API Key 错误、已过期、无相应模型权限 | 检查.env配置，确认账户余额和模型权限 | 重新生成 API Key，确认模型名正确 |
| 请求超时或频繁失败 | 网络不稳定，或触发了服务商限流 | 查看服务商文档中的限流策略，检查错误日志中的具体状态码 | 增加重试与退避机制，控制请求并发数 |
| 生成内容空洞、缺少细节 | 提示词没有给足约束和示例 | 检查系统提示词是否包含角色、任务、规则、输出格式 | 增加风格示例，补充负面约束，降低 temperature |
| 多个候选内容重复 | 模型陷入固定模式，temperature 过低 | 提高 temperature，增加候选之间的差异化要求 | 在用户输入中强调“换一个角度”，或对同一主题分多次生成 |
| JSON 输出解析失败 | 模型返回了多余文本，或格式不规范 | 打印原始响应，观察是否包含代码块或额外说明 | 在提示词中明确要求“只输出 JSON，不要解释”，使用 JSON Mode |
| 成本增长超出预期 | 没有缓存，请求次数过多，模型参数过大 | 统计单条内容平均 token 消耗 | 增加缓存，批量复用 prompt，选择成本更低的模型 |
| 内容包含敏感词或事实错误 | 模型幻觉，或提示词缺少安全约束 | 建立敏感词表，人工抽查生成结果 | 设置系统安全规则，增加人工审核步骤，必要时接入内容安全 API |
补充一点：不要忽视日志。每次请求的模型名、prompt 版本、temperature、token 消耗、响应耗时、人工是否采纳，都应该记录下来。这些数据是后续优化提示词和成本控制的基础。没有日志的 AI 应用，出了问题只能靠猜。
8. 最佳实践与工程建议
从“能跑”到“跑得稳”，中间隔着一套工程纪律。以下几点是实际项目中比较容易被忽略、但价值很高的实践。
8.1 把提示词当成代码来管理
提示词会频繁迭代。建议为每个版本的提示词标注版本号，并在 Git 里保存历史记录。记录内容不仅包括提示词本身，还包括它在哪些主题上表现好、哪些主题上表现差。这样当模型更新导致行为变化时，可以快速回退到历史版本。
8.2 建立内容生产流水线
一次完整的 AI 内容生产，可以拆解为：选题池 → 生成候选 → 自动过滤 → 人工审核 → 发布 → 数据回收。每一环节的输出都是下一个环节的输入。不要跳过自动过滤，也不要让人工审核流于形式。数据回收尤其重要：哪条内容被读者接受了，哪条没有，这些信息要回流到选题池和提示词迭代中。
8.3 控制成本的三个手段
- 缓存：相同的主题和提示词不要重复请求。
- 模型选择：简单任务用轻量模型，复杂任务用强模型。
- 长度控制：通过
max_tokens限制输出长度，避免模型“话痨”。
8.4 遵守内容安全底线
无论做什么品类，都应该在生成和发布之间设置安全闸门。至少包括：敏感词过滤、个人隐私信息检测、明显事实错误抽查。对涉及金融、医疗、法律等专业领域的内容，必须由具备资质的人员审核，不要依赖模型输出直接发布。
8.5 人机协作的正确姿势
AI 的角色是“初稿生成器”和“思路发散器”，不是“最终署名作者”。最终内容需要有人来把握风格、核实事实、承担责任。在实际协作中，更推荐“AI 生成 3 个版本，人类挑 1 个并修改 20%”的流程，而不是“AI 生成 1 版直接用”。前者产出质量稳定，后者短期内看起来快，长期会积累大量同质化内容，损害账号和品牌价值。
9. 总结：下一个机会在“垂直工作流”
回到开头那个案例。美国网约车司机靠写诗赚钱，这件事真正值得关注的价值不是“写诗”这个品类，而是它展示了一套新的内容生产公式：
工具链 + 方法流程 + 平台分发 + 个人审美 = 收入
其中工具链已经非常成熟，平台分发也在不断演进。大部分普通创作者缺的不是 AI 工具，而是把“灵感 → 生成 → 筛选 → 发布 → 迭代”跑通的能力。这恰好是开发者可以介入的地方。
如果你也想尝试，建议不要从“我要做一个写诗平台”这个宏大想法开始。更务实的路径是：先选一个自己最熟悉的垂直内容场景，比如周报、产品文案、短视频脚本、电商商品描述，然后跑通一条包含 30 条以上内容的批量生产流程，记录质量和成本，再判断要不要工具化。这个过程中积累的提示词、质量标准和审核经验，才是比任何单一工具都值钱的东西。
收藏这篇文章，把你手头最重复、最消耗时间的写作任务列出来，挑一个试试看。用 AI 不是为了省掉思考，而是为了把有限的思考留给真正重要的判断。
