< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
2026-05-07 15:14:28 来源：量子位
低提示词，挑战主流模型的交互逻辑
允中 发自 凹非寺
量子位 | 公众号 QbitAI
AI圈有个怪现象：
模型越来越强，确实是好事；但随着AI用法越发多样，用起来的门槛却越来越高。
ChatGPT、Gemini、Claude……即便这些模型的能力已经够强了，但真到上手干活的时候，就会发现一个尴尬的事情——
能不能用好AI，不光取决于AI有多聪明，还取决于你会不会跟它说话。
像Prompt工程、思维链、Few-shot、MCP配置、Skill调用……这些词堆在一起，就已经构成了使用上的隐形的“壁垒”，让会用AI的人和不会用AI 的人，在生成结果上拉开差距。
除此之外，像在多轮对话的过程中，还得专门花时间来审视结果；不同工作内容也需要悉心调教、引导AI来生成正确结果……实属是浪费时间。
但最近，一个由00后技术团队打造的产品，开始在科技圈引起关注。它的核心卖点简单到有些反直觉：低提示词。
说白了就是，你不用学怎么用AI，不用配什么工具链——
说句话的功夫，AI就能把活干了。直接拉近了会AI和不会AI的人之间的距离。
例如有这样一个参考视频：
现在只需要简单说一句“参考这个视频，制作胖鹅开赛车竞速的视频”，就可以模仿生成类似的视频：
这款产品叫胖鹅AI，我们拿它跟市面上一些主流AI工具做了几轮实测对比，发现结果确实有点意思。
先看一个最直观的场景：AI生成视频。
我们设计了一个电商卖家的真实需求：给一款蒸汽眼罩产品做一个1分钟的宣传视频，要有分镜、有旁白、有对比画面，能直接发小红书的那种。
Prompt是这样的：
制作1分钟视频，画面从蒸汽眼罩从冰箱取出开始，特写水珠凝结；旁白是产品卖点；中间分镜展示使用场景；结尾放使用前后对比图。
在选择了Auto模式后，等了几分钟，直接出来一个1分钟的完整视频。
特写有了，旁白卡点对了，分镜节奏完整，结尾的使用对比画面也安排上了。
效果不能说完美，但作为一个直接能发小红书或者朋友圈的素材，已经跨过了“能用”那道门槛。
相比来看，Gemini的效果是这样的：
整体时长显示只有8秒钟，旁白说话有误，字幕还乱码，完全不能做到直接拿来用。
这不是个例。
我们又测了另一个场景：一句话生成可交互的数据看板网页。
提示词是：
对比苹果、微软、谷歌、腾讯、阿里巴巴最近三年的营收增长率、净利润率和研发投入占比，生成可交互对比看板。
等了大概一分钟，胖鹅AI直接给出了一个完整的深色主题网页。
顶部三个Tab切换指标，右上角选年份，五家公司各一张数据卡片，往下是分组柱状图、趋势折线图、排名横条图。
鼠标悬停能看数值，一切可交互。
同样的任务，用传统方式做，打开数据终端、拉数据、建表、调格式、画图，熟练工少说也得一小时。
现在，只要一句话。
这个体验跟通用问答类基础AI工具确实拉开了差距。
大部分问答类AI给你的是文字回答，分析给你，建议给你，但要变成能用的文件，对不起，得你自己整理。
而胖鹅AI交出来的，是直接可用的视频、带公式的Excel、可交互的网页看板。
做金融的朋友都懂这里面的区别：一个是Bloomberg终端的导出文件，而一个是截屏。
这种低提示词的体验是怎么实现的？
我们深扒了一下它的技术逻辑，发现核心不是模型本身，而是一套工程化的SOP体系。
SOP（Standard Operating Procedure），标准作业流程，这词大家不陌生。
任何成熟公司都有SOP，因为让员工自由发挥，平均结果大概率比不过一个经过验证的标准流程。
胖鹅AI团队的逻辑是：AI也一样。
即便是AGI级别的通用模型，丢给它一个验证过的SOP，效果还是会更好。
所以他们做的事情，不是造一个什么都能聊的通用AI实习生，而是造一个AI职业技术学院——
针对不同垂直任务，提前训练好一堆专科毕业的AI Agent。
用户来了不是面对一个空白对话框，而是系统自动匹配一个已经训练好的专业技工。
举个例子，当你输入“帮我做1分钟的产品视频”，系统不会把这个任务直接丢给一个通用Agent从头开始跑。
它会先识别你的需求属于“1分钟视频制作”这个垂直任务，然后把这个任务分配给专门为此优化过的SOP来执行。
这个SOP是提前训练好的，它知道1分钟视频需要规划分镜结构、匹配旁白节奏、设计转场逻辑，而不是像通用模型那样默认生成10秒片段。
这套系统背后有两个核心技术模块：
第一个是个性化智能推荐引擎。
它基于用户标签、历史数据、任务类型等维度，从SOP库里自动匹配最合适的那一个。一般是推三个，按置信度从高到低排序。用户不用纠结选什么模型、配什么参数，点一下就行。
第二个是SOP生成引擎。
当系统里没有现成SOP能很好地解决某个任务时，用户可以发起优化请求。
这个引擎就像一个AI程序员，会自动建立一个评价标准，然后把市面上的竞品都跑一遍，看看同样的问题别家能做到什么程度，再在这个基准之上反复迭代，直到找到最优解。
有意思的是，它还会测试SOP的泛化边界。
比如一个专门针对钙片保健品视频优化的SOP，它能不能也用来做维生素的视频？如果能，范围就扩展到保健品。如果还能做运动鞋的，就继续扩展到消费品。
它会自动测出边界，然后标定这个SOP的适用范围。
这样一来，随着使用场景和数据积累越来越多，SOP库就会越来越丰富，能覆盖的垂直任务也越来越广。
用团队自己的话说就是：领域越窄的SOP，能力越强；但无数个窄SOP拼在一起，就能覆盖足够广的需求。
如果用一个比喻来理解胖鹅AI的定位——
Manus、OpenClaw这类Agent，像个名校毕业的实习生。
聪明是聪明，但让它干什么全靠教。格式、口吻、字数、边界条件，你得从头开始调教，教完一件下一件还得重新来。
本质上，你在培训AI。
胖鹅AI的思路恰恰相反：它不用你教，而是直接给你配好一个职业化服务提供者。
系统已经根据你的行业和需求，把最合适的垂直SOP匹配好了。你丢任务进来，它按流程交付结果。你不用告诉它怎么做，只需要告诉它做什么。
这其实回答了一个更深层的问题：AI工具的最佳交互方式是什么？
不是让所有用户都学会写出完美的Prompt，是让AI去适应人的习惯。
不会写Prompt的人，显然比会写的多得多。
聊到产品理念时，胖鹅AI团队提了一个有点扎心的观点：学AI是一种无用功。
这话听着极端，但仔细想想逻辑是自洽的。过去两年，AI培训班赚得盆满钵满，教Prompt工程、教Agent搭建、教各种工具配置。
但问题是，你花三个月学完的东西，AI自己可能已经学会了。
今天你研究怎么调Skill、怎么配MCP，明天AI自己就能搞定这些。
胖鹅AI团队创始人是这样说的：
AI可以轻松掌握1000个模型的优劣和成本，人学习这些东西本质上是浪费时间。未来人用AI的能力，大概率不如AI用AI。
那什么是AI搞不定的？答案是——搞定客户。
从LLM套壳，到Vibe Coding套壳，真正的机会不再是让会用AI的人更会用AI，更重要的是让具备行业理解和客户沟通能力的人，直接把需求封装成AI解决方案。
换句话说，未来要绕开的是“必须先学会用AI，才能使用AI”这道门槛；甚至能让完全不懂AI的人，和精通Vibe Coding的人的生产力相近。
所以终局可能是：AI负责干活交付结果，人负责搞定沟通和信任。
这其实就是胖鹅AI正在构建的体系——用AI根据客户需求生成专用SOP，个性化引擎把任务精准派给垂直SOP，AI按流程交付。
整个过程，用户不需要学会任何技术。
回到文章开头那个判断：AI越来越强，但用起来的门槛越来越高，这个困境不会自动消失，除非有产品刻意去解决它。
胖鹅AI是目前市场上为数不多在认真做这件事的产品之一。
当同行都在卷参数、卷多模态能力的时候，这个00后技术团队选择了一个更朴素的方向：
让AI从“需要你教”变成“直接用就好”。
这条路能不能走通，还需要时间和市场验证。
但至少方向是对的。
AI工具的下半场，不是比谁更强，而是比谁更容易用。
版权所有，未经授权不得以任何形式转载及使用，违者必究。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。