00后下場整頓Agent：啥都不學就能用好AI，這才是正確打開方式

允中 發自 凹非寺
量子位 | 公眾號 QbitAI

AI圈有個怪現象：

模型越來越強，確實是好事；但隨著AI用法越發多樣，用起來的門檻卻越來越高。

ChatGPT、Gemini、Claude……即便這些模型的能力已經夠強了，但真到上手干活的時候，就會發現一個尷尬的事情——

能不能用好AI，不光取決于AI有多聰明，還取決于你會不會跟它說話。

像Prompt工程、思維鏈、Few-shot、MCP配置、Skill調用……這些詞堆在一起，就已經構成了使用上的隱形的“壁壘”，讓會用AI的人和不會用AI 的人，在生成結果上拉開差距。

除此之外，像在多輪對話的過程中，還得專門花時間來審視結果；不同工作內容也需要悉心調教、引導AI來生成正確結果……實屬是浪費時間。

但最近，一個由00后技術團隊打造的產品，開始在科技圈引起關注。它的核心賣點簡單到有些反直覺：低提示詞

說白了就是，你不用學怎么用AI，不用配什么工具鏈——

說句話的功夫，AI就能把活干了。直接拉近了會AI和不會AI的人之間的距離。

例如有這樣一個參考視頻：

現在只需要簡單說一句“參考這個視頻，制作胖鵝開賽車競速的視頻”，就可以模仿生成類似的視頻：

這款產品叫胖鵝AI，我們拿它跟市面上一些主流AI工具做了幾輪實測對比，發現結果確實有點意思。

一句話生成1分鐘電商廣告，直接能用

先看一個最直觀的場景：AI生成視頻

我們設計了一個電商賣家的真實需求：給一款蒸汽眼罩產品做一個1分鐘的宣傳視頻，要有分鏡、有旁白、有對比畫面，能直接發小紅書的那種。

Prompt是這樣的：

制作1分鐘視頻，畫面從蒸汽眼罩從冰箱取出開始，特寫水珠凝結；旁白是產品賣點；中間分鏡展示使用場景；結尾放使用前后對比圖。

在選擇了Auto模式后，等了幾分鐘，直接出來一個1分鐘的完整視頻。

特寫有了，旁白卡點對了，分鏡節奏完整，結尾的使用對比畫面也安排上了。

效果不能說完美，但作為一個直接能發小紅書或者朋友圈的素材，已經跨過了“能用”那道門檻。

相比來看，Gemini的效果是這樣的：

整體時長顯示只有8秒鐘，旁白說話有誤，字幕還亂碼，完全不能做到直接拿來用。

這不是個例。

我們又測了另一個場景：一句話生成可交互的數據看板網頁

提示詞是：

對比蘋果、微軟、谷歌、騰訊、阿里巴巴最近三年的營收增長率、凈利潤率和研發投入占比，生成可交互對比看板。

等了大概一分鐘，胖鵝AI直接給出了一個完整的深色主題網頁

頂部三個Tab切換指標，右上角選年份，五家公司各一張數據卡片，往下是分組柱狀圖、趨勢折線圖、排名橫條圖。

鼠標懸停能看數值，一切可交互。

同樣的任務，用傳統方式做，打開數據終端、拉數據、建表、調格式、畫圖，熟練工少說也得一小時

現在，只要一句話

這個體驗跟通用問答類基礎AI工具確實拉開了差距。

大部分問答類AI給你的是文字回答，分析給你，建議給你，但要變成能用的文件，對不起，得你自己整理。

而胖鵝AI交出來的，是直接可用的視頻、帶公式的Excel、可交互的網頁看板

做金融的朋友都懂這里面的區別：一個是Bloomberg終端的導出文件，而一個是截屏。

背后的關鍵是SOP

這種低提示詞的體驗是怎么實現的？

我們深扒了一下它的技術邏輯，發現核心不是模型本身，而是一套工程化的SOP體系。

SOP（Standard Operating Procedure），標準作業流程，這詞大家不陌生。

任何成熟公司都有SOP，因為讓員工自由發揮，平均結果大概率比不過一個經過驗證的標準流程。

胖鵝AI團隊的邏輯是：AI也一樣。

即便是AGI級別的通用模型，丟給它一個驗證過的SOP，效果還是會更好。

所以他們做的事情，不是造一個什么都能聊的通用AI實習生，而是造一個AI職業技術學院

針對不同垂直任務，提前訓練好一堆專科畢業的AI Agent。

用戶來了不是面對一個空白對話框，而是系統自動匹配一個已經訓練好的專業技工。

舉個例子，當你輸入“幫我做1分鐘的產品視頻”，系統不會把這個任務直接丟給一個通用Agent從頭開始跑。

它會先識別你的需求屬于“1分鐘視頻制作”這個垂直任務，然后把這個任務分配給專門為此優化過的SOP來執行。

這個SOP是提前訓練好的，它知道1分鐘視頻需要規劃分鏡結構、匹配旁白節奏、設計轉場邏輯，而不是像通用模型那樣默認生成10秒片段。

這套系統背后有兩個核心技術模塊：

第一個是個性化智能推薦引擎

它基于用戶標簽、歷史數據、任務類型等維度，從SOP庫里自動匹配最合適的那一個。一般是推三個，按置信度從高到低排序。用戶不用糾結選什么模型、配什么參數，點一下就行。

第二個是SOP生成引擎

當系統里沒有現成SOP能很好地解決某個任務時，用戶可以發起優化請求。

這個引擎就像一個AI程序員，會自動建立一個評價標準，然后把市面上的競品都跑一遍，看看同樣的問題別家能做到什么程度，再在這個基準之上反復迭代，直到找到最優解。

有意思的是，它還會測試SOP的泛化邊界

比如一個專門針對鈣片保健品視頻優化的SOP，它能不能也用來做維生素的視頻？如果能，范圍就擴展到保健品。如果還能做運動鞋的，就繼續擴展到消費品。

它會自動測出邊界，然后標定這個SOP的適用范圍。

這樣一來，隨著使用場景和數據積累越來越多，SOP庫就會越來越豐富，能覆蓋的垂直任務也越來越廣。

用團隊自己的話說就是：領域越窄的SOP，能力越強；但無數個窄SOP拼在一起，就能覆蓋足夠廣的需求。

從耳提面命到心領神會

如果用一個比喻來理解胖鵝AI的定位——

Manus、OpenClaw這類Agent，像個名校畢業的實習生。

聰明是聰明，但讓它干什么全靠教。格式、口吻、字數、邊界條件，你得從頭開始調教，教完一件下一件還得重新來。

本質上，你在培訓AI。

胖鵝AI的思路恰恰相反：它不用你教，而是直接給你配好一個職業化服務提供者。

系統已經根據你的行業和需求，把最合適的垂直SOP匹配好了。你丟任務進來，它按流程交付結果。你不用告訴它怎么做，只需要告訴它做什么。

這其實回答了一個更深層的問題：AI工具的最佳交互方式是什么？

不是讓所有用戶都學會寫出完美的Prompt，是讓AI去適應人的習慣

不會寫Prompt的人，顯然比會寫的多得多。

聊到產品理念時，胖鵝AI團隊提了一個有點扎心的觀點：學AI是一種無用功

這話聽著極端，但仔細想想邏輯是自洽的。過去兩年，AI培訓班賺得盆滿缽滿，教Prompt工程、教Agent搭建、教各種工具配置。

但問題是，你花三個月學完的東西，AI自己可能已經學會了。

今天你研究怎么調Skill、怎么配MCP，明天AI自己就能搞定這些。

胖鵝AI團隊創始人是這樣說的：

AI可以輕松掌握1000個模型的優劣和成本，人學習這些東西本質上是浪費時間。未來人用AI的能力，大概率不如AI用AI。

那什么是AI搞不定的？答案是——搞定客戶。

從LLM套殼，到Vibe Coding套殼，真正的機會不再是讓會用AI的人更會用AI，更重要的是讓具備行業理解和客戶溝通能力的人，直接把需求封裝成AI解決方案。

換句話說，未來要繞開的是“必須先學會用AI，才能使用AI”這道門檻；甚至能讓完全不懂AI的人，和精通Vibe Coding的人的生產力相近。

所以終局可能是：AI負責干活交付結果，人負責搞定溝通和信任。

這其實就是胖鵝AI正在構建的體系——用AI根據客戶需求生成專用SOP，個性化引擎把任務精準派給垂直SOP，AI按流程交付。

整個過程，用戶不需要學會任何技術。

回到文章開頭那個判斷：AI越來越強，但用起來的門檻越來越高，這個困境不會自動消失，除非有產品刻意去解決它。

胖鵝AI是目前市場上為數不多在認真做這件事的產品之一。

當同行都在卷參數、卷多模態能力的時候，這個00后技術團隊選擇了一個更樸素的方向：

讓AI從“需要你教”變成“直接用就好”

這條路能不能走通，還需要時間和市場驗證。

但至少方向是對的。

AI工具的下半場，不是比誰更強，而是比誰更容易用。