2026 副業藍圖：5 個 AI 驅動嘅收入來源，由 ¥0 到 ¥10,000 嘅完整路線圖
💰 「AI 可以幫你賺錢」呢句話，2024 年聽過，2025 年聽過，2026 年仲係聽到。但你身邊真正靠 AI 副業穩定出糧嘅人，有幾個？
問題唔係 AI 唔得，係大多數人嘅 approach 錯晒。佢哋嘅思路係「搵個最強嘅 AI → 叫佢做嘢 → 等收錢」。呢個 pipeline 缺咗三樣關鍵嘢：平台選擇、stack 設計、同cash flow 結構。
呢篇拆解五條實戰路線。每條都有真實數字、完整 tool stack、同失敗嘅 post-mortem。唔係教你「AI 好勁」，係教你「點樣 operationalize 佢」。
路線一：AI 網文寫作 — 番茄全勤模式
點解係佢先
網文寫作係所有 AI 副業入面，cold start cost 最低、cash flow 最穩定嘅一條。你唔需要觀眾、唔需要品牌、唔需要投資。你需要嘅係每日 4000 字同一個睇得過嘅故事。
Stack 拆解
單一 AI 由零寫到尾，出嚟嘅質素會 cap 喺中位數。真正 sustainable 嘅做法係 multi-model pipeline：
| 環節 | 工具 | 點解 |
|---|---|---|
| 風格提煉 | Claude CLI + Cursor | 讀 reference 小說，抽取語氣同套路 |
| 大綱 + 邏輯 | Claude + Cursor 交叉 review | 一個寫一個 grill，揪邏輯漏洞 |
| 擴充字數 | Google AI Studio | Long context 擅長將 3000→6000 字 |
| 資料背景 | Google Deep Research | 年代、行業、黑道背景一次搜齊 |
| 切書取材 | Calibre Portable | reference EPUB → 切章節 → 餵 LLM |
每個 model 食佢最強嘅 portion。Claude 擅長 reasoning，Gemini 擅長 long context，Deep Research 處理密集資料。
平台策略
番茄小說（Tomato Novel）係最適合新手嘅平台。原因：
- 日更全勤制：每日穩定 4000 字就有 baseline 收入（¥600-800/月），加千日讀獎勵
- 即日有回報：唔係投稿等月尾結算，係寫完當日就有數字
- 失敗 cost 低：一章寫壞只損失 2-3 小時，唔係成本小說
對比知乎鹽選嘅一次性投稿模式（投唔中 = 零回報），番茄嘅 cash flow 結構心理上 sustainable 好多。
關鍵 prompt 工程
AI 寫網文最大嘅 tell 係三樣：環境描寫過多、華麗詞藻、比喻修辭充字數。你嘅 prompt 一定要加 hard constraint：
禁止大量環境描寫、華麗詞藻、大量比喻修辭充字數
不強制無腦、不強行降智
聯網搜索進行核對，要有理有據Negative prompt 比正面 instruction 更有效。你唔講白，model 一定會出 AI slop。
真實數字
一個實戰佬友：3 個月、多本累計 ¥10,000+、每日 2-3 小時。呢個唔係 unicorn 數字，係 disciplined execution 嘅 baseline。
失敗 post-mortem
點解大多數人第三個月放棄？
- AI fingerprint 累積：冇用 negative prompt，讀者開始覺得「成篇都係一個味」
- 選題盲寫：唔睇平台熱榜就落手，寫完發現冇讀者
- 一次性心態：追一次性大額收入而唔係 daily cash flow，第三日就冇動力
路線二：抖音中老年圖文帶貨
點解係藍海
呢條賽道有三個同時存在嘅 supply / demand mismatch：
人群 mismatch：中老年用戶有時間（退休刷抖音係主要娛樂）、有錢（養老金穩定）、缺陪伴（情感需求強）。三件事疊埋，conversion rate 比年輕族群高。
平台 mismatch：抖音短視頻流量池同圖文流量池係完全分開嘅算法系統。短視頻血流成河，圖文嚴重供應不足，平台主動扶持。實測 3 日破萬播放。
Status mismatch：年輕創作者覺得中老年內容太土而唔做。呢個 status bias 直接製造 structural supply gap。「唔型」就係天然護城河。
自動化 Stack
手動做一個帳號都辛苦，做 30 個帳號矩陣要自動化：
- Cloud phone（Airtap）：虛擬設備跑推薦算法
- 自動刷推薦流：揀爆款選題，每日 3-5 小時壓縮到 30 分鐘
- 多帳號矩陣：同一 stack 同時跑 30+ 帳號
真實數字
4 個月測試 37 個帳號，月均佣金 ¥6,000+。唔係爆款數字，但係穩定嘅 structural income。
失敗 post-mortem
- 帳號矩陣 decay：算法 30-60 日會重新評估帳號權重，需要持續優化
- 選題疲勞：同一類情感內容用多幾個月，engagement 會自然下降
- 平台政策風險：圖文帶貨嘅 commission 結構可能改變
路線三：DIY AI 投資 Toolchain
問題定義
市場上嘅投資 SaaS 工具收 $200-500 美金一個月。拆開嚟睇，佢哋賣嘅唔係新 capability，係打包好嘅 workflow + dashboard。如果你已經有 AI agent stack，呢個 markup 對你唔成立。
DIY Stack（$10-25/月）
| 層 | 工具 | Cost |
|---|---|---|
| 美股 data | yfinance | $0 |
| SEC filing | Financial Datasets MCP | $5-10/mo |
| Crypto | CCXT + DefiLlama | $0 |
| 影片渲染 | Remotion | $0 |
| 分析 | Claude Code subagent | sunk cost |
yfinance 唔係玩具——日線、基本面、earnings、analyst recommendations，personal portfolio 規模全部免費夠用。
邊度值得付費
只有兩個位：
- SEC filing 結構化數據（Financial Datasets MCP，$5-10/mo）：EDGAR 直拉慢、亂、format 多變
- Real-time WebSocket（Polygon，$29/mo）：只有日內交易先需要
其他全部係 packaging markup。
失敗 post-mortem
- Dashboard 太醜所以棄用：DIY 嘅 dashboard 冇 SaaS 嗰種 polish，用幾次就放喺度
- 冇 accountability loop：自己睇自己嘅 dashboard 冇紀律，需要加 daily digest notification
- Over-engineering：搞太多 feature 反而唔用，MVP 先跑起再迭代
路線四：Vertical Skill 產品化
ClipsPal 範式
ClipsPal 示範咗一件事：Claude Code skill 嘅真正威力係將 vertical workflow 壓成單一命令。
一條命令：make tiktok hooks for my protein tracker app
自動跑：5×6 角色矩陣 → AI 渲染靜態圖 → 動畫化 → 從 820 條 hook 模板揀 30 條 → ffmpeg 合成。$2.70 跑一次，$0.09 一條。
Unit Economics 嘅 Phase Transition
$20/條（freelance）→ 你精挑細選 5-10 條 $0.09/條（AI skill）→ 你做 30 條丟出去，由算法揀邊條爆
呢個 200-500x 嘅成本下降，唔係量變，係質變——使用方式完全唔同。
複製公式
ClipsPal 嘅 architecture 可以套去任何 vertical：
- 識別一個有 3+ external API calls 嘅 workflow
- 搵到 cost cliff（80% 成本集中喺邊步）
- 喺 cost cliff 前加 approval gate
- 包裝成 natural language SKILL.md
Candidate verticals：App Store 截圖生成、YouTube 字幕 + 縮圖、Podcast clip + social post。
失敗 post-mortem
- 冇 state recovery：API call 中斷後要重新由頭跑，成本翻倍
- 冇 approval gate：喺最貴嗰步之前冇 human checkpoint，burn rate 高
- API 穩定性：依賴外部 API（fal.ai, Vidu）嘅 uptime，服務中斷就停擺
路線五：AI 內容流水線（Blog + Video + Social）
架構
呢個唔係單一收入來源，係所有其他路線嘅 amplifier。用 AI agent 跑內容流水線，為你嘅其他副業建立 distribution channel。
我哋實際跑嘅 stack：
Knowledge ingest（每日 10-20 URLs）
↓
AI 選題推薦（每朝 5-10 條 candidate）
↓
人工選 2-3 條 → AI 協作寫 blog
↓
VoxCPM2 粵語 TTS → ComfyUI 配圖 → Remotion 渲染
↓
Blog + Video + SRT 字幕一次過出Hybrid 原則
呢個 stack 嘅靈魂係：AI 做八成重複勞動，人保留最後兩成判斷。
全自動發文嘅 channel 頭兩個月量大，但第三個月 AI fingerprint 累積、第五個月信任透支。Hybrid 模式頭兩個月慢少少，但第十二個月你已經有讀者群同品牌。
真實 cost
Blog 寫作：Claude Code subscription（sunk cost） TTS：VoxCPM2 on RTX 3080（一次性 hardware） 配圖：ComfyUI HiDream O1（免費開源） 渲染：Remotion（免費開源） 唯一 marginal cost：你嘅 20% 判斷時間
失敗 post-mortem
- 選題全 outsource 畀 AI：所有 AI 讀同一堆 RSS，出嚟嘅選題趨同
- 冇 quality gate：直出唔 review，AI slop 累積損害 brand
- Cadence 太密：強迫週更比 signal-driven 出文差
決策框架：你應該由邊條開始？
按你嘅現有條件揀
| 你嘅背景 | 推薦路線 | 原因 |
|---|---|---|
| 識寫故事 | 路線一（網文） | Cold start 最快 |
| 識中文社交平台 | 路線二（抖音） | 市場感覺係 unfair advantage |
| 識 Python | 路線三（DIY 投資） | 4-5 日 MVP |
| 識 Claude Code | 路線四（Skill） | 直接 productize 你嘅 workflow |
| 以上皆非 | 路線五（內容） | 學習成本最低，且 amplify 所有其他路線 |
Cash flow 結構排序
- 番茄全勤（日結）→ 心理 sustainability 最高
- 抖音帶貨（週結）→ 回款快
- 內容流水線（月結）→ 建立 long-term asset
- Vertical skill（project-based）→ 單次高但不穩定
- DIY 投資（portfolio-dependent）→ 回報最唔可預測
可以 stack 嗎？
可以，但有順序。路線五（內容）應該最先跑起來，因為佢 amplify 所有其他路線。之後按你嘅 unfair advantage 揀一條 primary income stream，再用內容流水線做 distribution。
唔好同時開三條。每條都有 2-4 週嘅 cold start，同時開只會全部半生熟。
Stance
AI 副業嘅 alpha 唔係「用咗咩 AI」，係「搭咗咩 stack、揀咗咩平台、設計咗咩 cash flow 結構」。Tool 只係 commodity。識得 operationalize 佢嘅人，先係真正嘅 alpha。
五條路線，揀一條，跑 90 日。唔係 90 日之後一定有 ¥10,000，但你會知道自己嘅 unit economics 長咩樣。而呢個理解，比任何一次性收入都值錢。