一句话看懂：一位开发者用 WorkBuddy 编排、DeepSeek 执行，把技术公众号交给 AI 自动选题、写作、配图与分发，30 天多平台涨粉 4000+、净利润 2100 元，真正难点不是模型能力，而是 AI 长线任务中的上下文污染。
事件核心：发生了什么
据掘金博主 Ferries 于 2026 年 10 月 30 日发布的复盘，他在长假期间搭了一套面向技术公众号的全自动内容系统：每天凌晨抓取 GitHub Trending 与 Hacker News 热门项目，由 AI 阅读源码、生成技术分析文章和架构图，再分发到多个平台。系统部署在一台 16GB 内存的旧电脑上，30 天累计涨粉 4000+，接了两个广告，净利润 2100 元。
技术栈方面，WorkBuddy 负责流程编排和定时触发，DeepSeek Harness 桌面端负责挂载本地目录、读写 Markdown 与执行 Python 脚本，配图则调用一个基于 Flux 微调的本地生图 Skill。
为什么重要
这类案例的价值不在“AI 自动赚钱”，而在于暴露了 Agent 长线任务的关键瓶颈。作者称系统运行不到一周就开始崩溃：前一天抓取 Vue 项目、次日抓取 React 项目时，模型把 Vue 响应式原理写进 React 解析；连续多篇文章开头雷同。这与其说是 Prompt 问题，不如说是上下文污染：模型分不清局部输入与历史记忆，与近期“AI 写长篇小说 30 章必崩”的观察一致。
他的解法是工程化而非玄学：按日期生成独立工作目录，用物理隔离切断历史数据；同时在 WorkBuddy 节点里接入基于 SQLite 的轻量级本地 RAG，用长期积累的技术名词校准词典检索，把背景说明强制注入 System Prompt，约束模型不要跨框架发挥。
对用户/开发者/创作者的影响
对做自动化内容矩阵的创作者，这条经验说明真正可复用的能力是数据工程与容错设计：固定输入边界、隔离工作区、给模型补可核查的知识源，比堆砌提示词更有效。对开发者，作者称系统 80% 的基础代码由 Cursor 生成，剩下的是在各工具链之间“连线”与排雷，工作重心从写实现转向定义问题与验证输出。不过目前公开信息显示，其数据来自个人单方复盘，涨粉与广告收入缺乏第三方核验，生图 Skill 与知识库的实际效果也未见测试数据。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是作者称已在 GitHub 打包公开 WorkBuddy 编排配置与知识库脚本，可观察实际可用性和社区复现结果；二是这套本地 RAG 纠偏方法是否被更多 Agent 工具内置；三是平台对 AI 批量生成内容的审核与分发规则，可能直接影响这类矩阵的收益模型。
来源：juejin
