鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
13
6
8

做了一个月了,聊聊「闲鱼虚拟」

花萍雨呀
花萍雨呀
2026-10-22 14:18
阅读 1322
花萍雨呀
2026-10-22 14:18
阅读 1322

1. 引子 & 收益

相信大家多多少少都有过做「副业」的想法,但副业很多是良莠不齐的,社媒上也有很多的副业打假视频,这期想要和大家来聊一聊 「闲鱼虚拟」 这个副业

这个副业在互联网上也是各种乱吹了,夸大的成分是极高的

为什么我这么说呢?因为我信了,我也真的去做了,距离我第一次出单,到现在差不多正好一个月的时间,我想有资格来聊一聊了

在社媒上是这样来宣传的

基本上就是轻松躺赚、日月几千甚至上万的...

看的我是不吐不快啊,直接把真实的闲鱼虚拟的收入放在开头吧,这是我这一个月自己实际做下来和一些行业内幕了解到的

这里我们讨论的是一个人一个店铺的情况,一个人有多家店铺的情况不在这里的讨论范围内

一个闲鱼虚拟的店铺如果做的还不错的话,一个月大概会在 700 - 1k,上限也就是这些了,至于下限的话,我只能说没有下限,闲鱼虚拟的稳定性是比较差的

image.png

image.png

下面是我做闲鱼虚拟这一个月的收益情况,可以完全透明的展示给大家,这就是我 9.23 第一次出单到今天的数据

看起来还不错是吧?有差不多 1.9k 呢,但这不是利润,利润的话,是需要减去退款金额和这些虚拟资料的成本的,以及这里面的收入还有一些我卖一些闲置的实体商品的收入,这个部分占比大概是 150 左右,最终的收入大概是在七八百左右的样子

其中这个退款比较多的原因是,我打算把我的电动滑板给出掉,确实已经有人买了,但发快递的时候,电动滑板属于管制商品,需要一些手续和执照啥的才能正常发,就没办法给人家退款了

image.png

2. 我为什么会做闲鱼虚拟

这里我也说一下我为什么会做闲鱼虚拟吧,非常直接的原因——没钱了...

进一步为什么没钱了,是因为我去秦皇岛海边玩的时候,手机掉水里了,检查之后,非常遗憾的废掉了...检查费还花了 100

这个手机我才买了两个月啊(是一个二手的 iPhone 15,新的买不起...)

但没办法,我需要用 iPhone 来做测试,因为我开发的 iOS 应用已经到收尾的阶段了,所以我又买了一个,花了大概 3400,相当于萍雨实习一个月的工资了🥹,iPhone 真的好贵啊

image.png

3. 什么是闲鱼虚拟 & 如何赚钱

闲鱼虚拟拆开来看,「闲鱼」自然是在闲鱼这个平台,「虚拟」指的是虚拟资料

平台是可以换的,比如拼多多和淘宝,但现在拼多多虚拟已经是红海了...

虚拟资料的话,比如 PPT 模板、视频剪辑的素材、提示词、skill 等等这些都算

那它靠什么赚钱呢?

做的时候,一般是先找到一个已经有销量的商品,在闲鱼这个平台就是去看想要数和浏览量

然后把这个商品放到自己的店铺上 降低一些价格 去卖,如果有人来买的话,就用自己的小号去 抄 的这个商家那里去买,拿到资料之后再发给在我们这里买的用户

你可能会想,进价比卖价还高,这不是亏钱吗?

没错,第一单基本上肯定是亏的

但你想想,同一个东西,一家销量很高,一家是零销量,价格还一样,你会买哪家?大部分人都会选销量高的那家,因为看着更靠谱。所以你刚开始只能把价格压低一点,先让人愿意买你的

而虚拟资料最大的好处是,买一次就能一直卖。第一单亏一点,从第二单开始,卖一单基本就赚一单

刚才大家应该也关注到一个词了——抄

是的,这个市场是这个样子的,抄的成本是最低的,且效果也是很不错的,我也尝试过去出自己的虚拟商品,但事实就是压根没有人去买,nothing

接受这点需要一些时间

4. 怎么做

整个流程分五步:养号,选品,上架,发货,售后

1. 养号

新号先别急着上虚拟商品。你可以去拼多多复制一些日用品,发到闲鱼上,实体的东西也完全没问题。再把闲鱼的日常任务做一做,比如每天擦亮,闲鱼币的活动。

这样养个三天左右,就可以开始上架虚拟商品了。

2. 选品

选品是整个流程里最关键的一步,有三个点

第一,单价别太低。 大家应该刷到过那种几分钱、几毛钱的,那种是纯靠走量的。我更推荐单价稍微高一点,比如几块钱到十几块钱。能找到几十块甚至上百块的当然最好。不过我自己还没卖过这么贵的,最贵的也就二十块钱左右。

第二,能复制。 像卡密这种东西就不行,一个人用了,别人就没法用了。

第三,没有版权问题。 这一点最重要。一旦碰上版权纠纷,你就算是摊上事了,要赔的钱比你做闲鱼虚拟能赚的多得多。

所以我不建议你随便在网上找份资料就开始做。我自己每次上架之前,都会先问一下带我的人,这个品能不能上,有没有问题,确认没问题了我才上。

那怎么判断带你的人靠不靠谱呢?说实话,这个我也判断不了,我算是运气比较好。这个市场真的是良莠不齐,割韭菜的很多。所以这期视频我不做任何推荐,只把这件事给大家讲清楚。

OK,这里我提到带我的人,那么这里带我的人,哪里来的呢?

很简单——买课,买服务,我是在手机落水之前买的课,价格是 1k

如果真的要闲鱼虚拟的话,单纯靠自己去摸索,我觉得风险还是比较大的,尤其是选品这块

如果你希望通过闲鱼虚拟去赚钱,正常情况大概需要两个月才能把你的学费给赚回来,当然这期间你会学到不少和虚拟行业的知识和相关的能力

3. 上架

上架其实没什么好讲的。照着你选的那个商品抄就行,价格比他低一点,其他的都不用改。

我自己也试过去优化一下标题、描述、配图,结果优化完连买的人都没了。很现实,照抄反而效果最好。

4. 发货

买家下单以后,你把文件发给他就行。也可以设置成自动发货,这个我就不展开了,我是不推荐一个闲鱼散户去做自动发货的,因为投入产出比确实是比较低的

5. 售后

虚拟商品基本上没什么售后,有人来问问题,你回答一下就好。要是你也不知道怎么答,就去找你买资料的那个商家,把买家的问题原样问一遍。记得换个小号去问。

5. 适合哪些群体

前面说过了,闲鱼虚拟的上限不高,但下限低啊

首先就需要有一个买课的成本,也可以不买,但自己摸索的成本是比较高的,成功概率也会低不少,当然这是基于买的课是靠谱的前提下,如果连卖课的人都不靠谱,那就是赔了夫人折了兵了,血亏

接着时间和精力肯定是要投入的,尤其是初期自己什么都不懂的时候,一天差不多两个小时吧,至少一周的时间

后续就算真的算是起号成功了,也会需要日常的为维护,日常的任务不能断,一些用户的询问肯定也是要回复的,当然这些基本可以在碎片时间做

所以,适合哪些群体呢?

**我是觉得适合大学生,或者宝妈这类时间比较多、又没有固定收入的人

所以如果你是上班族,我真的不建议你做。上限这么低,不如把时间花在别的地方

OK,那么这就是这期的全部内容了。大家如果有什么疑惑,也可以发在评论区,我会尽力给大家解答的。

我是萍雨,那我们下期再见~

交流
闲聊
副业
13
8
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片

目录

🔥 热门文章
1
手把手教你设计一个成熟的 Agent Harness
2490
2
我用 REA 逆向了付费颜色 APP,结果很意外!
570
3
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
420
4
DeepSeek 全新模型发布,性价比最高的一集!
380
5
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
370
6
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
7
又一个国产版 Codex 神器,也来卷办公了!
330
8
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
9
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
300
10
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
290
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题