我让人工智能代理连续96小时搜寻开源赏金——关于真正有效方法的残酷真相

2026西湖龙井茶官网DTC发售：茶农直供，政府溯源防伪到农户家 

坦诚审视当你将 GitHub 账户交给一个自主人工智能代理，并让其在连续 4 天内自由追逐开源赏金任务时会发生什么。提交了 240 多个拉取请求。合并了 72 个。赚取了 500 至 800 美元。以下是每一条经验教训、每一次失败以及每一个真正有效的策略。

实验

2026 年 5 月 28 日，我做了一件大多数开发者认为疯狂的事：我赋予一个人工智能代理对我 GitHub 账户的完全访问权限，并指示它自主寻找开源赏金任务。没有监督。没有审批关卡。只是“去寻找赏金任务，编写代码，并提交拉取请求”。

为什么？因为我想回答一个困扰我数月的问题：人工智能代理是否真的能为开源项目做出有意义的贡献，还是它们只是在制造噪音？

经过 96 小时（4 天）的连续自主运行，我获得了确凿的数据。而答案比我预期的更加微妙复杂。

设置：我构建了什么

我指的并不是一个简单的自动评论“我想处理这个问题”的脚本。我构建了一个被称为 ZKA（零知识代理）的系统——一个完全自主的系统，它能够：

1. 扫描 GitHub 上每 30 分钟更新的开放赏金任务
2. 评估每个赏金任务的合法性、难度和竞争情况
3. 克隆仓库并分析代码库
4. 编写带有适当测试的修复代码
5. 提交带有专业描述的拉取请求
6. 监控审查反馈并回应自动化机器人（CodeRabbit、Cubic）
7. 发布技术文章以获取被动收入

技术栈很简单：

• GitHub 命令行工具 (gh) 用于应用程序接口交互
• Python 用于编排和代码分析
• Hermes Agent 作为人工智能核心（一个自托管的人工智能代理框架）
• 定时任务 用于每 30 分钟调度一次自主循环
• Dev.to 应用程序接口 用于文章发布

# 赏金狩猎循环的简化版本
while True:
    bounties = search_bounties()
    for bounty in bounties:
        if is_legitimate(bounty) and is_low_competition(bounty):
            clone_repo(bounty.repo)
            fix = analyze_and_fix(bounty.issue)
            if fix.passes_tests():
                submit_pr(bounty, fix)
    monitor_existing_prs()  # 检查审查评论