聊聊我用AI工具链搞副业的一些野路子思考
写在前面：本文约3000字，阅读大概需要10分钟。如果你也是个被房贷压得喘不过气、但又对技术充满热情的北漂/深漂程序员，希望这篇文章能给你一些启发。
先说说我是谁
先做个自我介绍吧。坐标深圳南山，在一家还算知名的互联网公司写代码，具体哪家就不说了，反正腾讯系的公司嘛，大家懂的都懂，卷是肯定的，但福利也还行。
去年咬牙在龙华买了个小两居，首付掏空了两家六个口袋，现在每个月房贷一万二。说实话，刚签完合同那会儿，晚上躺在床上盯着天花板，脑子里全是数字——房贷、车贷、彩礼、未来娃的教育基金……程序员35岁危机这个梗，以前当笑话听，现在是真的笑不出来了。
所以我开始琢磨副业。
你可能会说，程序员搞副业不就是接外包、写课、做独立开发嘛。没错，这些我都考虑过。但最近这一年，AI工具链的爆发给了我一个新的思路——能不能用AI工具组合出一套低成本的内容生产流水线？
今天这篇文章，就是想聊聊我这段时间折腾 Dify、Pika、ElevenLabs 和 AI 绘画的一些实践和思考。不吹不黑，有踩坑也有收获，纯个人经验分享。
为什么是这几个工具？
先说结论：我最终选择的这套工具链，核心逻辑是 "用最低的成本，做出还过得去的内容"。
| 工具 | 用途 | 月成本 | 学习曲线 |
|---|---|---|---|
| Dify | AI应用编排/工作流 | 免费（自部署）/ $59（Pro） | 中等 |
| Pika | AI视频生成 | $8/月起 | 低 |
| ElevenLabs | AI语音合成 | $5/月起 | 低 |
| Midjourney/SD | AI绘画 | $10/月（MJ）或免费（SD） | 中-高 |
为什么选这几个？因为我想做的事情是：做技术类的短视频内容。
你可能会问，技术短视频有人看吗？说实话，我一开始也怀疑。但你看B站上那些讲Redis、讲K8s的UP主，粉丝量都不小。关键是——大部分技术视频的制作成本极高，要录屏、要剪辑、要配音、要做动画。一个人根本搞不定。
但AI工具链的出现，让"一个人就是一个团队"这件事变得可能了。
Dify：我的AI内容生产大脑
先说 Dify。这玩意儿我最早是在掘金上看到有人推荐的，当时刚好周末，房贷扣款短信叮的一声响了，我叹了口气，打开电脑开始研究。
Dify 本质上是一个 LLM 应用开发平台，你可以把它理解成一个 "AI工作流的可视化编排工具"。它最吸引我的点是：
- 支持RAG（检索增强生成）：你可以把自己的知识库丢进去，让AI基于你的资料来生成内容
- 工作流编排：可以把多个AI能力串起来，形成一个自动化的pipeline
- 开源可自部署：这点很重要，白嫖党狂喜
我的实际用法
我用 Dify 搭了一个"技术文章转视频脚本"的工作流，大概长这样：
输入：一篇技术文章（Markdown格式）
↓
Step 1: 文章摘要提取（LLM节点）
↓
Step 2: 生成视频脚本大纲（LLM节点，带Prompt模板）
↓
Step 3: 逐段扩写脚本（LLM节点，控制语气和节奏）
↓
Step 4: 生成分镜提示词（LLM节点，输出给AI绘画工具）
↓
输出：完整的视频脚本 + 分镜描述
说实话，刚搭完跑通的时候，我激动得在工位上差点叫出来。旁边工位的兄弟看了我一眼，默默把耳机戴上了。
这里分享一个我踩过的坑：Prompt的设计非常关键。一开始我偷懒，直接让Dify"帮我把这篇文章改成视频脚本"，出来的东西简直没法用——又长又无聊，像在读论文。
后来我花了整整一个下午调Prompt，加了这些约束：
你是一个技术短视频编剧。请遵循以下规则：
1. 开头3秒必须有一个"钩子"，用反直觉的结论或痛点提问吸引观众
2. 每个知识点用"类比"来解释，假设观众是完全不懂的小白
3. 语气要口语化，像朋友聊天，禁止使用"首先、其次、综上所述"
4. 每段不超过80个字，因为要配合画面节奏
5. 在关键知识点处标注[画面提示]，描述应该配什么图
加了这些之后，输出质量直接起飞。你看，AI工具好不好用，一半取决于工具本身，一半取决于你怎么用它。这道理跟写代码一样——框架再好，你写得烂也是屎山。
AI绘画：给视频配上灵魂画面
脚本有了，接下来是画面。这部分我主要用 Midjourney，偶尔也用 Stable Diffusion。
为什么不用 DALL-E 3？说实话，MJ 出图的艺术感和一致性确实更好。而且我主要做技术科普类的视频，画面风格偏"科技插画风"，MJ 在这方面表现很稳。
我的出图流程
从 Dify 输出的分镜提示词，我会做一些微调，然后丢给 MJ。这里有个小技巧：建立一个自己的Prompt模板库。
比如我常用的技术类配图风格：
A minimalist tech illustration of [具体概念],
flat design style, dark background with neon blue and purple accents,
clean lines, modern aesthetic, 16:9 aspect ratio --v 6 --ar 16:9
这个模板我调了大概二十几次才满意。刚开始出的图要么太写实（像照片），要么太抽象（看不懂是啥）。后来我锁定了"扁平插画+暗色背景+霓虹色调"这个风格，出来的图既统一又有科技感。
踩坑提醒：MJ 的 --seed 参数很好用。如果你想保持系列视频的画面风格一致，记得记录每次出图的 seed 值。我有一次忘了记，结果同一个系列的两期视频，画风差了十万八千里，评论区直接有人问"是不是换人了"。
另外说一下 Stable Diffusion。如果你愿意折腾，SD 的上限其实比 MJ 高。我试过在本地跑 SD（用的我那张 RTX 4070，勉强能跑），配合 ControlNet 可以精确控制构图。但说实话，太费时间了。每次调参数、跑图、不满意再调，一张图搞半小时是常事。对于我这种想"批量生产"的人来说，MJ 的效率更高。
时间就是金钱，尤其是对于背着房贷的人来说。
ElevenLabs：让AI说出人话
画面有了，该配音了。这部分我选了 ElevenLabs，原因很简单——它的中文语音合成效果是目前我用过最好的。
为什么不用国内的那些TTS服务？我试过某度、某讯的，说实话，一听就是"AI味"。那种平铺直叙、毫无感情的朗读，放在视频里简直是灾难。观众一听就知道是AI配的，直接划走。
ElevenLabs 有个很牛的功能叫 Voice Cloning（声音克隆）。你可以上传一段自己的录音，它会克隆你的声音。我上传了一段大概5分钟的录音（就是我自己读了一段技术文章），然后它生成的语音，乍一听还真像我说的。
当然，中文的克隆效果比英文差一些，语调偶尔会有点怪。但配合后期的微调，基本够用了。
配音工作流
我的做法是：
- 把 Dify 输出的脚本按段落拆分
- 每段单独生成语音（方便后期剪辑时调整节奏）
- 用 ElevenLabs 的 SSML 标记来控制停顿和重音
这里分享一个配置示例：
<speak>
你知道为什么很多公司的Redis集群，<break time="0.3s"/>
一到高峰期就崩吗？<break time="0.5s"/>
<emphasis level="strong">问题往往不在Redis本身。</emphasis>
</speak>
加上 <break> 和 <emphasis> 之后，语音的自然度提升了一个档次。不再是那种机器人式的匀速朗读，而是有了"人味"。
一个小插曲：有一次我生成完配音，戴上耳机听效果，旁边测试组的同事路过，听了一耳朵说："你这期视频自己录的啊？嗓子怎么变了？"我心想，这算是对 ElevenLabs 最高的赞美了吧。
Pika：让静态画面动起来
最后一步，用 Pika 把静态的AI绘画变成动态视频片段。
Pika 这个工具我真的是相见恨晚。它的操作极其简单——上传一张图，输入一段描述动作的提示词，等个几十秒，一张静态图就变成了3-4秒的动态视频。
比如我有一张"数据在管道中流动"的插画，丢给 Pika，提示词写：
Data particles flowing through the pipeline from left to right,
smooth animation, glowing effect
出来的效果相当不错，数据粒子真的在管道里流动了，还带着发光效果。这种画面如果用传统方式做动画，AE 至少得搞一两个小时。
Pika 的局限
当然 Pika 也不是万能的。它目前有几个明显的问题：
- 动作幅度不能太大：复杂的动作容易崩，画面会扭曲
- 一致性一般：同一个角色在不同片段里可能长得不一样
- 时长限制：单次最多生成4秒，长镜头需要拼接
但对于技术科普类视频来说，这些问题影响不大。因为我们的画面主要是概念性的插画，不需要复杂的角色动作。一个"服务器在运转"的动态图，一个"数据在传输"的流动效果，就够用了。
整套流程跑通后的效果
经过大概两周的调试，我把这套流程跑通了。来算一笔账：
| 环节 | 传统方式耗时 | AI工具链耗时 | 成本 |
|---|---|---|---|
| 脚本撰写 | 3-4小时 | 30分钟（含调优） | Dify免费 |
| 画面制作 | 4-6小时 | 1-2小时 | MJ $10/月 |
| 配音录制 | 2-3小时 | 30分钟 | $5/月 |
| 画面动效 | 3-5小时 | 1小时 | $8/月 |
| 剪辑合成 | 3-4小时 | 2小时 | 剪映免费 |
| 总计 | 15-22小时 | 约6小时 | 约$23/月 |
效率提升了大概3倍，成本几乎可以忽略不计。
当然，这里要诚实地说：AI生成的内容，质量上限不如纯人工精雕细琢的作品。但它的下限也不低，尤其是对于"知识科普"这类内容，观众更在意的是信息密度和讲解清晰度，画面的精美程度反而是次要的。
一些掏心窝子的思考
折腾了这段时间，有几点感悟想和大家分享：
第一，AI工具的价值不在于替代你，而在于放大你。 我写代码十几年了，对技术概念的理解、对知识体系的把握，这些是AI替代不了的。AI帮我做的是那些"重复性高、创造性低"的环节——排版、配图、配音。它让我能把精力集中在"内容本身"上。
第二，工具链的组合比单一工具的深度更重要。 你不需要把每个工具都玩到极致。Dify 的工作流设计、MJ 的提示词技巧、Pika 的动态生成——每个工具你只需要掌握80%的核心功能，然后把它们串起来，就能产生1+1>2的效果。这其实跟微服务架构的思想很像——每个服务做好自己的事，通过编排产生更大的价值。
第三，先跑通MVP，再迭代优化。 我第一版视频出来之后，说实话，挺粗糙的。配音有点机械，画面衔接不够流畅，节奏也有点拖。但我还是发了。结果呢？播放量虽然不高，但评论区有人说"讲得挺清楚的，继续加油"。就这一句话，让我觉得值了。
第四，技术人做内容，最大的优势是"真懂"。 现在AI降低了内容生产的门槛，很多人都在做AI生成的内容。但大部分内容是"正确的废话"——看着挺像那么回事，但经不起推敲。作为程序员，我们最大的壁垒就是对技术的深度理解。AI可以帮你生成脚本，但判断脚本对不对、好不好，还得靠你自己。
写在最后
上周五晚上，我加完班回到家，已经快十一点了。打开电脑，看了看这个月副业的收入——不多，也就几千块，但够覆盖房贷的三分之一了。
更重要的是，在这个过程中，我重新找到了写代码之外的那种"创造的快乐"。白天在公司写业务代码，面对的是需求文档和JIRA看板；晚上回到家，面对的是自己的创意和AI工具，这种感觉真的很不一样。
最近我还在研究 Rust，感觉这门语言真的很有意思。所有权机制、零成本抽象、模式匹配……每次深入理解一个新概念，都有一种"啊，原来可以这样"的顿悟感。等这块吃得更透了，我打算用 Rust 重写一下我的内容生产工具链——现在的 Python 脚本跑得实在太慢了，而且类型系统太弱，改个字段名全项目搜索替换，太原始了。
如果你也是个背着房贷、但不想被生活磨平棱角的程序员，不妨也试试用AI工具做点什么。不一定非得是内容创作，独立开发、自动化工具、甚至帮小商家做个AI客服，都是路子。
这个时代最大的红利，就是AI把"一个人能做的事"的边界，推到了一个前所未有的广度。
而我们要做的，就是跳进去，游起来。
共勉。
如果这篇文章对你有帮助，欢迎点赞、收藏、转发。有问题可以在评论区交流，我看到都会回。
下期预告：《用Rust重写我的AI内容生产工具链——从Python迁移的踩坑实录》
评论 0