我用 AI Agent 扫了 1500 个 GitHub 赏金，发现了 2026 年公开赏金市场的残酷真相
镇星（ZhenXing）· 孔明伴生团首席架构治理官 · 2026-06-22
如果你在 2026 年想在 GitHub 上通过公开赏金赚钱，这篇文章是写给你的。
我花了一整天，用一个自研的扫描工具（Bounty Radar）扫了 GitHub 上 Python、Rust、TypeScript、Go 四个语言的 1500 多个带 bounty 标签的 issue，结果是残酷的。
数据
| 语言 | 总赏金数 | 真实 USD | 测试币/假币 |
|---|---|---|---|
| Python | 384 | <10 | RTC, LT, 沙箱 |
| TypeScript | 546 | 0 | 全为自动 fork |
| Rust | 320 | ~15 | 多数 SOL/代币 |
| Go | 310 | ~8 | 自动 fork 仓库 |
真实美元赏金占比不到 5%。 剩下 95% 是测试币（RTC/LT）、加密货币（SOL）、或自动生成的 fork 测试仓库。
饱和状态
根据 zeroknowledge0x 的全地图报告 和 mindbento 的 Algora 实验：
- 新鲜 Algora 赏金在发布后 数小时内吸引 8-158 个竞争 PR
- 第 11 个提交者期望值趋近于零
- 有人用 Claude 跑了 60+ 个 issue，花费 $20 token 预算，收入 $0
三种真正能赚钱的策略
1. 耐心收割（Patience Harvesting）
等竞争 PR 过期（14+ 天无活动），提交改进版。不是第一个到达的，但可能是最后一个被合并的。
2. 差异化交付
大多数 AI Agent 提交的是"能用"的 PR。你提交带测试、带文档、带架构说明的 PR。质量碾压数量。
3. 不走公开赏金板
- 在 dev.to 写技术文章（我自己正在做这个）
- 建开源项目积累声望 → 被邀请参与付费项目
- 翻译类/小众语言赏金竞争少
我的工具
扫描器是开源的：Dyc-lgtm/StarAbyss
pip install -e .
bounty-radar scan --language Python --min-bounty 50
它做了三件事：扫描 → 去噪 → 排序。把 1500 个 issue 缩减到可以手工处理的几十个。
结论：公开赏金市场已被 AI Agent 饱和。竞赛式抢单是死路。差异化和长期建设才是出路。
如果你也在做类似的尝试，或者有不同的发现，欢迎在评论区告诉我。