Codex实战：普通人用AI编程做副业变现的完整路径

从对话模型到AI助理：一条清晰的演进脉络

过去两三年，AI工具的更迭速度快到令人目不暇接。回顾这条时间线：2022年底ChatGPT横空出世，随后国内DeepSeek引爆关注，接着Coze、Dify、n8n等工作流与智能体平台相继兴起。再到Manus（俗称"小龙虾"）、Genspark等AI助理产品接连刷屏，让人们第一次意识到——给个任务，AI自己就能完成。

ChatGPT基于OpenAI的GPT-3.5/GPT-4大语言模型，采用Transformer架构和RLHF（基于人类反馈的强化学习）技术进行对齐训练，使模型能够以对话形式响应用户指令。Transformer是Google在2017年论文《Attention Is All You Need》中提出的深度学习架构，其核心创新是自注意力机制（Self-Attention），使模型能够并行处理序列中任意位置之间的依赖关系，突破了此前RNN/LSTM只能顺序处理的瓶颈。而RLHF则是InstructGPT论文（2022）中系统化的三阶段训练方法：先用人类标注数据做监督微调（SFT），再训练一个奖励模型（Reward Model）学习人类偏好，最后用PPO算法进行强化学习优化。这套流程让模型不仅能生成流畅文本，还能遵循指令、拒绝有害请求，是ChatGPT从"技术demo"变成"可用产品"的关键。

DeepSeek则是中国深度求索公司推出的开源大模型，其DeepSeek-V2采用了创新的MoE（混合专家）架构，大幅降低了推理成本，在性能接近GPT-4的同时将API价格压低至行业平均水平的十分之一，这种"性价比路线"引发了国内AI应用开发的热潮。MoE架构的核心思想是：模型虽然拥有巨大的总参数量，但每次推理时只激活其中一小部分"专家"网络。DeepSeek-V2将每个Transformer层的FFN拆分为多个小型专家模块，通过门控网络（Gating Network）动态路由，每个token只激活约10%的参数。这意味着模型可以拥有数千亿总参数以保证知识容量，同时实际计算量只相当于一个小得多的稠密模型——这就是DeepSeek能在保持高性能的同时将推理成本压低一个数量级的技术根源。

Coze、Dify、n8n这三个平台代表了AI应用开发的"低代码"层。Coze是字节跳动推出的智能体搭建平台，用户可以通过拖拽式界面组合插件、知识库和工作流来创建AI Bot。Dify是开源的LLM应用开发框架，支持RAG（检索增强生成）引擎和Agent智能体编排。RAG是解决大语言模型"幻觉"和知识时效性问题的关键技术：首先将用户查询通过向量化（Embedding）转换为语义向量，在预先构建的向量数据库中检索最相关的文档片段；然后将检索到的上下文与用户问题一起送入大模型生成回答。这样模型的回答就有了可追溯的事实依据，而非纯粹依赖训练时记忆的知识。n8n则是开源的工作流自动化工具，通过连接数百个第三方服务节点实现业务流程自动化。这些平台的共同特点是降低了AI应用的开发门槛，但用户仍需要理解业务逻辑和流程设计。

Manus是由中国团队Monica.im开发的通用AI Agent（智能体），它的核心特点是"给定目标后自主规划并执行多步骤任务"——比如研究某个市场、制作对比报告、甚至帮你填写表单。与传统对话式AI不同，Agent具备任务分解、工具调用、记忆管理和自我纠错的能力。从技术架构来看，AI Agent与普通对话式AI的根本区别在于其具备"行动循环"（Action Loop）：规划器（Planner）负责将复杂目标分解为可执行的子任务序列；记忆系统分为短期记忆（当前任务上下文）和长期记忆（跨会话的经验积累）；工具调用层（Tool Use）使Agent能够操作浏览器、执行代码、调用API、读写文件等；反思模块（Reflection）则在执行过程中评估结果、检测错误并调整策略。这种"感知-思考-行动-反思"的循环使AI能够处理需要多步骤、多工具协作的复杂任务。Genspark则定位为AI搜索引擎+助理，能在搜索结果基础上进行深度分析和内容生成。这类产品标志着AI从"被动应答"向"主动执行"的范式转变。

而真正出圈的，是Codex、Claude Code、Cursor这一批AI编程工具。Codex在这里特指OpenAI推出的云端AI编程代理（2025年发布），它运行在云端沙箱环境中，能独立阅读代码库、编写代码、运行测试并提交PR。所谓"云端沙箱"是一种隔离的计算环境，本质上是轻量级虚拟机或容器——每个编程任务在独立的沙箱中执行，与用户的本地环境和其他任务完全隔离。沙箱内预装了常见的编程语言运行时和包管理器，Agent可以自由安装依赖、运行测试、读写文件，但无法访问外部网络或影响宿主系统。这种设计既保证了AI执行代码的自由度，又确保了安全性。Claude Code是Anthropic推出的命令行AI编程工具，直接在终端中运行，擅长处理大规模代码库的理解和重构。Cursor则是一款AI-native的代码编辑器（基于VS Code分支），集成了代码补全、对话式编辑和多文件修改能力。三者的共同趋势是：AI不再只是"代码补全助手"，而是能独立完成完整编程任务的"AI程序员"。

有意思的是，Codex能火并不只因为它能写代码。越来越多人开始用它处理身边的大小事务，它已经悄然从一个编程工具演变成了通用的AI助理。

作者坦言自己在探索过程中走了不少弯路：玩小龙虾第一个月花了800美金，一半时间在修bug，另一半在应对"AI突然失忆"。第二个月摸清门道后降到200美金。这段经历带出一个核心观点：不要执着于某个具体工具或模型，真正要关心的是它能创造什么商业价值。

想清楚三个问题再动手学AI

在动手之前，有三个问题值得每个人认真思考。

你想用AI解决什么问题

可以归纳为四个方向：

• 岗位提效：AI+岗位场景让效率翻倍
• 副业接单：下班后多一份收入来源
• 转行就业：借AI完成职业转型
• 创业变现：做自己的产品，成为超级个体

方向清晰，学习才有效率。

你处于AI应用的哪个阶段

这是全篇最有洞察力的框架。AI使用者可以分为五个阶段：

• 第一阶段 尝鲜者：把AI当聊天工具，搜索问题、写文案
• 第二阶段 提效者：用AI干活，写提示词、做表格、批量出图
• 第三阶段 造物主：用工具造工具，做出能跑的网页、小程序、脚本
• 第四阶段 交付者：产品能上线，解决登录、支付、改bug等问题
• 第五阶段 变现者：产品能赚钱，做成一人公司

中国95%以上的人卡在第二阶段——会用AI做PPT、做表格、做选品分析，但仅此而已。第三阶段是转折点，第四阶段是分界线。因为"能跑不等于能交付"，真正值钱的价值集中在第三到第五阶段。你学AI能不能赚钱，本质上取决于你走到了哪个阶段。

实战一：五分钟做出一个选品助手

为了证明普通人也能从第二阶段跨越到第三阶段，下面展示两个用Codex开发的真实工具案例。

第一个是电商场景下的选品助手。需求很明确：设定好判断产品价值的权重指标（区分蓝海产品和普通产品），然后对50条商品数据做处理，最终导出一张选品表格。

操作流程相当直接：在Codex中创建一个名为"选品助手"的项目文件夹，输入需求描述，点击运行。整个过程AI在后台自动写代码，无需人工敲一行，大约五分钟就能完成。

成品效果相当完整：导入50条数据后自动分类，展示价格、月销量、评分、评论数、潜力评分等维度，还能一键筛选蓝海数据、导出Excel表格。如果让人手写这近千行代码，得花多长时间？而AI只用几分钟。

Codex版本与模型选择建议

关于工具版本，Codex常用三个套餐：

• Plus：约20美金/月，入门足够
• 5X：约100美金/月，适合中度使用
• 20X：约200美金/月，适合重度开发

对于搞不定环境配置的人，直接接API或中转站就能开干，连月租都省了。API（Application Programming Interface）是软件之间通信的标准协议，在AI语境下意味着直接向大模型服务商发送请求并按实际使用的token数量计费，无需订阅月费。Token是大语言模型处理文本的基本单位，对英文而言1个token大约对应4个字符或0.75个单词，对中文而言1个汉字通常消耗1.5-2个token。API按token计费分为输入token和输出token，输出通常比输入贵2-4倍。以GPT-4o为例，100万输入token约5美元、100万输出token约15美元，一次普通对话消耗几百到几千token，而让AI编写完整项目可能消耗数十万token。"中转站"是国内特有的概念，指第三方服务商批量购买海外API额度后转售给国内用户，解决了支付渠道和网络访问的问题。

不要有"模型纠结症"，模型是为你要做的事服务的，只要事情有价值，用什么模型都值。 但要注意：涉及高保密性的内容（如国企、大型企业的机密合同），不要用中转站API，因为你的请求数据会经过第三方服务器，存在数据泄露的可能性。

实战二：一天半做出错题复习小程序

第二个案例更具体，也更有说服力——为读初一的孩子做了一个错题复习助手小程序。

需求从真实痛点出发

孩子的错题分散在各科试卷里，收集难、分类难、还需要举一反三（只做原题等于背答案）。先让AI调研市面上有没有现成产品，得到的结论是：没有一个专门独立的产品能满足需求。于是直接上手开发。

成品包含五大模块：

1. 拍照录入：手机拍照即可收录错题
2. 举一反三：AI生成同类变式题，避免死记硬背
3. 遗忘曲线复习：按"一天、三天、五天、七天、一个月"的节奏复习五遍
4. 到期提醒：自动推送复习通知
5. 错题打印：方便线下练习

其中"遗忘曲线复习"模块的设计依据来自德国心理学家赫尔曼·艾宾浩斯于1885年提出的遗忘曲线理论：人类记忆随时间快速衰减，学习后1天即遗忘约74%。基于此发展出的"间隔重复"（Spaced Repetition）学习法，通过在记忆即将消退时安排复习，可以用最少的复习次数实现长期记忆。这与Anki等记忆卡片软件的底层算法逻辑一致——Anki使用SM-2算法的变体，根据用户对每张卡片的回忆难度动态调整下次复习的间隔时间。大量认知科学研究已证实，间隔重复的记忆效率是集中复习的3-5倍，特别适合需要长期保持的知识（如错题中暴露的薄弱知识点）。

孩子可以看答案、用AI解答（支持文字和拍照）、标记"会了"跳到下一题；家长模式则能看到所有高频错题的知识点分布，实现学习监督。

从工具到副业的想象空间

这个小程序已经实际使用了一个月。关键问题来了：这东西能不能卖钱？ 如果每人每月收10块钱，100个人就是1000块，而且是每月复购。

还有一个真实案例：一位宝妈做了个"儿童身高体重计算器"小程序发到妈妈群，积累了300个用户，每人收5块钱，副业机会就这么诞生了。这说明解决真实痛点的小工具，天然具备变现潜力。

AI编程的本质：氛围式编程与产品思维

应该把"编程"这个词去掉，因为它误导了太多人，让人觉得那是遥不可及的技术活。更准确的描述是**"Vibe Coding"（氛围式编程）**。

这个概念由OpenAI联合创始人Andrej Karpathy在2025年2月首次提出。他描述了一种全新的编程方式："你完全沉浸在氛围中，拥抱指数级增长，忘记代码的存在。"核心含义是：开发者不再逐行编写和审查代码，而是用自然语言描述意图，让AI生成代码，遇到报错就把错误信息扔回给AI修复。这种方式从根本上模糊了"程序员"和"非程序员"的边界。Karpathy本人是斯坦福大学计算机视觉博士、Tesla前AI总监，他提出这个概念的背景是：即使作为顶级程序员，他发现自己越来越多地采用这种"不看代码"的开发方式，因为AI生成代码的速度和质量已经达到了"审查每一行代码"变得低效的程度。

传统开发与AI编程的根本差异

对比维度	传统开发	AI编程
学习门槛	学语言、学框架，几个月起步	描述需求即可
编码方式	一行行手敲代码	AI几分钟写完几百行
报错处理	查资料、查文档	直接发给AI修复
核心能力	编程工程能力	需求拆解与产品思维

钉钉负责人曾提出一个观点：未来没有"软件工程师"这个岗位，只有"智能体工程师"。在AI时代，你不再是一块块砖地砌的工人，而是指挥AI干活的"包工头"——你只管要什么。这对文科生尤其是好消息，关键不在于会不会写代码，而在于能否建立产品思维、会不会指挥AI。

四条变现路径：AI时代的办公软件

一个核心判断：AI编程（Vibe Coding）就是AI时代的办公软件。 就像当年不会用Office就找不到工作一样，未来不会用AI做产品，你的岗位竞争力就会下降。

两个内部实践案例印证了这个判断：

• 用两天开发出"绩效助手"上架企业微信，替代了每年5万元续费的第三方绩效考核系统
• 用AI脚本替代10个实习生（每月3万元）手写学生评语的工作

基于同一套能力，可以总结出四条变现路径：

路径一：岗位提效

让你的岗位更值钱、不被淘汰。会开发工具的HR、电商运营，在求职市场上拥有明显加分项甚至硬通货。

路径二：转行就业

做出网页、小程序、APP等全栈作品集上传GitHub，对标初级开发岗位拿offer。GitHub是全球最大的代码托管平台，也是开发者的"简历"——招聘方通过查看候选人的GitHub仓库来评估其实际编码能力和项目经验。全栈（Full-Stack）指同时掌握前端（用户界面）和后端（服务器逻辑、数据库）开发能力。在AI编程时代，"全栈"的定义正在发生变化：你不需要精通React和Node.js的每个API，但需要理解产品从界面设计、业务逻辑、数据存储到部署上线的完整链路，然后用自然语言指导AI完成每个环节。这使得"全栈工程师"从一个需要5年以上经验的高级岗位，变成了AI辅助下3-6个月可达到的能力水平。

路径三：副业接单

在闲鱼、淘宝接单，企业展示小程序约2000-8000元一个，脚本自动化约几百到几千元，门槛不高但收益实在。

路径四：创业变现

成为超级个体或一人公司，从引流、产品到推广全流程用AI完成。超级个体（Super Individual）指借助技术杠杆，一个人能完成传统上需要整个团队才能完成的工作。在AI时代，这种模式变得前所未有地可行：一个人可以用AI处理产品设计、前后端开发、内容创作、客户服务、数据分析等全流程。典型的一人公司商业模式包括SaaS微产品（月费订阅制）、付费工具（一次性买断）、自动化服务（按次收费）等。SaaS（Software as a Service）即软件即服务，"微SaaS"特指由个人或极小团队运营的、聚焦某个垂直细分需求的产品，其典型特征是开发成本低（几天到几周）、目标用户精准、运营成本极低（云服务器月费几十到几百元）、收入可预测（订阅制带来稳定现金流）。一个月收费10-50元、拥有几百到几千付费用户的微SaaS，就能产生每月数万元的被动收入。全球已有大量案例证明，一个人借助AI工具链可以运营年收入数十万甚至百万美元的产品。

每个时代都会重新定义"谁更值钱"：农业时代的地主匠人、工业时代的工程师技师、互联网时代的程序员产品经理，而AI时代的关键词是AI Native、提示词工程师、上下文工程师、Builder、超级个体。而且节奏越来越快——农业时代数千年、工业时代两百年、互联网时代三十年，AI时代的变化要按周来算。

结语：能跑不等于能交付

这份分享最有价值的地方，不在于教你怎么点击Codex的按钮，而在于它清晰地指出：学AI最大的误区是执着于工具本身，真正的分水岭是你能否用AI做出有商业价值的结果。

现场演示的demo距离真正能上线赚钱的产品还有距离——第四、第五阶段还需要掌握部署上线、安全防护、登录支付、获客变现等能力。

但无论如何，从"会用AI聊天"到"用AI造出真产品"，这一步的跨越比想象中容易得多。对于中国95%还卡在第二阶段的人来说，这或许正是最值得迈出的一步。