211毕业生求助：利用AI辅助币圈交易副业

背景

作者是一名即将毕业的普通 211 本科学生，目前已获得一份父母满意但工作压力较大的工作。面对初期的资金焦虑，作者希望寻找副业收入以缓解经济压力。鉴于母亲虽有多年炒股经验但缺乏体系，且作者本人难以静心学习传统金融知识，同时考虑到未来工作压力，作者认为主观炒股并不靠谱。

作者自认为对 AI 有较深理解，希望利用 AI 辅助甚至自动化交易过程，但自认对币圈（加密货币市场）了解不足，担心盲目投入会导致与 AI 共同沦为“赌徒”。因此，作者分享了自己之前的两次尝试经历，并寻求社区关于是否适合进入币圈、如何进入以及推荐开源项目或产品的指点。

核心内容

作者详细阐述了自身的财务状况、技术背景以及在币圈交易上的初步探索，主要包含以下三个部分：

1. 自身情况与动机 作者希望利用 AI 技术弥补自身在金融知识体系上的不足，通过自动化手段实现副业收入。其核心动机是抵消每月的固定开销，如 Stable Team（62 元/月）、扣子（Coze）进阶版（34 元/月）以及手机话费等。作者强调自己非“玻璃心”，愿意接受批评，但同时也表现出对风险的谨慎态度，明确表示不会进行大额投入。

2. 之前的尝试与教训 作者分享了两次具体的实践经历，均未能实现稳定盈利：

• Vibe 自动交易项目：年初，作者参考 nof1.ai 的思路，融合个人见解，通过 Vibe Coding（自然语言编程）开发了一个接入币安（Binance）API 的 AI 自动炒币项目。初始投入约 1000 美元，初期盈利 40 多美元。然而，由于使用的 DeepSeek V2 API 出现性能波动（“降智”），导致策略失效，最终亏损 40 多美元后退出。作者反思认为，单纯依赖 DeepSeek 可能不够可靠，且该工作流过于稚嫩，可能存在未知 Bug，警告读者切勿直接部署以免资金流失。
• ByBit TradingBot：为了支付 Stable Team 的费用，作者开通了 ByBit 虚拟卡并尝试了其内置的 TradingBot 功能。作者评价该功能“完全不靠谱”、“拉完了”，认为其表现仅比盲目操作稍好，属于低质量产品。

3. 寻求建议与目标 作者设定了阶段性小目标：通过副业抵消每月的额外月费开销。作者向社区提问：

• 自己是否适合进入币圈，以及最佳的进入方式是什么？
• 是否有值得推荐的开源项目或成熟产品？
• 希望有经验的用户提供指导，并表示愿意“交学费”，尽管目前资金有限。

关键要点

• 用户画像：211 本科毕业生，具备 AI 技术背景，缺乏金融交易体系知识，面临初期资金压力，寻求自动化副业。
• 技术路径：倾向于利用 AI（如 LLM 辅助编程、API 集成）实现交易自动化，而非传统手动交易。
• 失败案例复盘：
  • 模型稳定性风险：基于 DeepSeek V2 API 的自动交易项目因模型性能波动导致策略失效，从盈利转为亏损，凸显了 LLM 在实时金融决策中的不稳定性。
  • 平台工具局限性：ByBit 内置 TradingBot 被评价为低效工具，无法提供超越随机操作的优势。
• 风险意识：作者明确拒绝盲目跟风（如提及“龙虾炒股”案例），强调小资金试错，并警告其自研项目存在 Bug 风险。
• 核心诉求：寻求从“AI 辅助”到“币圈实战”的可行路径，以及可靠的开源工具或产品推荐，以覆盖每月约 100 元人民币左右的固定技术/生活开销。

意义与影响

该案例反映了当前 AI 开发者群体中一种新兴的“AI + 金融”探索趋势。随着 Vibe Coding 和低代码平台的普及，技术门槛的降低使得非金融专业人士能够尝试构建自动化交易系统。然而，作者的经历也揭示了这一领域的核心痛点：

1. LLM 的确定性缺失：金融交易对逻辑的严密性和实时响应的稳定性要求极高，而当前大语言模型（如 DeepSeek）存在幻觉和性能波动，直接用于自动化交易存在巨大风险。
2. 工具成熟度不足：主流交易所提供的内置交易机器人往往功能简陋，难以满足复杂策略需求，迫使开发者转向自研，但自研又面临算法和工程稳定性的双重挑战。
3. 理性试错的价值：作者的小资金试错态度和公开分享失败经验的行为，为社区提供了宝贵的反面教材。它提醒后来者，在缺乏成熟量化策略和稳定模型支持前，AI 自动交易仍处於“实验阶段”，需谨慎对待，避免将 AI 视为稳赚不赔的“印钞机”。

这一讨论有助于社区更理性地看待 AI 在金融领域的应用边界，推动开发者从单纯的“模型调用”转向更严谨的“策略工程”和“风险控制”研究。