跳转至

不用学AI了！圈内公开的秘密：顶级玩家已开始让AI用AI

Ch01.458 不用学AI了！圈内公开的秘密：顶级玩家已开始让AI用AI

📊 Level ⭐⭐ | 7.7KB | entities/不用学ai了圈内公开的秘密顶级玩家已开始让ai用ai.md

不用学AI了！圈内公开的秘密：顶级玩家已开始让AI用AI

新智元评测文章，通过实测「胖鹅AI」产品，探讨 AI 工具从「需要用户精通 Prompt」到「低提示词直接交付结果」的产品范式转变。核心论点：AI 工具的下半场不是比谁更强，是比谁的产出更直接。

→ 原文存档

摘要

文章通过实测「胖鹅AI」这款产品，提出了一个核心观察：同一个模型，有人用出花来，有人连第一步都迈不出去——差距不在模型，在用 AI 这件事上。胖鹅AI 打出「低提示词」旗号，试图让不会写 Prompt 的用户也能获得与精通 AI 的人同等质量的产出。其实测覆盖了 AI 视频生成、PPT 制作、网站搭建等场景，核心机制是SOP 驱动的隐形工程——将复杂流程预封装为标准作业流程（SOP），用户触发的是开关而非设计稿。

核心要点

实测场景

1. Logo 宣传视频：一句话输入（「为我的Logo生成酷炫宣传片，动态效果要很多」），胖鹅AI 生成了完整的公司 Logo 宣传视频。对比 Perplexity 的输出，在文字、效果、运镜、转场方面差距显著。关键难点在于这是一组有空间关系的连续运镜指令，需要理解 Logo 的意义并在时间轴上正确呈现每个元素。

2. 10 页商业 PPT：模拟投行分析师需求（小红书投放策略复盘报告），要求包含投放概况、爆文分析、竞品对比、优化建议四个板块。胖鹅AI 的处理路径：识别意图 → 匹配复盘报告 SOP → 自动搜集公开行业数据 → 计算关键指标（互动率、CPE、爆文率） → 组装成风格统一的 .pptx 文件。成品约 10 页，结构完整、图表配色统一为低饱和商务色。

3. 网站搭建：一句话「做网站，各省5A景区对比地图」即可完成。

SOP 驱动的隐形工程

胖鹅AI 的核心机制不是更强的模型，而是更聪明的流程封装：

智能匹配：系统根据用户画像和任务语义，从 SOP 库自动挑选最合适的执行方案。用户无需知道背后用的是哪个模型、配了什么参数。

持续生产：当某任务没有现成 SOP 时，系统自动启动优化循环： 1. 跑一遍市面上主流模型和竞品，确定行业基线水平 2. 在基线之上不断尝试不同模型组合和工具链配置 3. 找到显著优于基线的方案 4. 测算方案覆盖的同类任务范围，打标入库

结果：行业越用越懂，SOP 越跑越专，用户越来越省事。

产品理念

胖鹅AI 团队的判断：「你看现在网上 AI 教程有多少。教程越多，说明产品的易用性越差。未来人用 AI 的能力，大概率不如 AI 用 AI。」

核心问题：一个不会用 AI 的人，能不能拿到一个精通 AI、擅长 Vibe Coding 的人同等质量的产出？ 从实测来看，在高频、相对标准化的垂直任务上，差距在明显缩小。

深度分析

「低提示词」的本质：SOP 即 Prompt 的预计算

胖鹅AI 的「低提示词」并非真的不需要 Prompt，而是将 Prompt 的设计成本从用户侧转移到了产品侧。这是一种Prompt 预计算（Prompt pre-computation）的模式：

  • 用户输入的简单指令是触发器
  • 系统匹配的 SOP 是展开后的完整 Prompt
  • SOP 中包含的领域知识、流程步骤、质量标准是预注入的上下文

这与 Harness Engineering 的理念高度一致：好的 harness 让用户无需理解底层复杂性。用户只需要表达意图，harness 负责将意图转化为可执行的精确指令。

SOP 持续生产循环的技术含量

SOP 的持续生产是胖鹅AI 最有价值的能力。这个循环本质上是一个自动化的 Skill 优化过程，与 SkillOpt 的思路有异曲同工之妙：

维度 SkillOpt 胖鹅AI SOP 生产
优化对象 Skill 文档 SOP 模板
评估方式 Benchmark 评分 行业基线对比
搜索空间 文本编辑操作 模型+工具链组合
迭代约束 每轮最多 4 条规则 显著优于基线的阈值
入库标准 验证集分数提升 覆盖任务范围评估

两者的核心洞察相同：Agent 系统的性能瓶颈不在模型能力，而在指令质量和流程设计。

与 Vibe Coding 的关系

文章标题中的「顶级玩家已开始让 AI 用 AI」暗示了一个更深层的趋势：AI 工具链的自举（bootstrapping）。当 AI 能够： - 自动评估不同工具组合的效果 - 自动优化执行流程 - 自动封装为可复用的 SOP

人类的角色就从「AI 操作员」转变为「AI 管理者」——定义目标、设置约束、审查结果，而非亲自编写 Prompt 或配置工具。

这与 Karpathy 关于 Vibe Coding 到 Agentic Engineering 的演进形成呼应：从「人写代码」到「人写 Prompt」到「人定义目标，AI 编排全流程」。

产品定位的局限性

文章也坦诚指出了适用边界：在高频、相对标准化的垂直任务上差距在缩小。这意味着： - 创意性、探索性任务仍需要人的深度参与 - 领域特化的 SOP 需要持续投入来维护和更新 - 「一句话换一个文件」的承诺在复杂场景下可能过于乐观

实践启示

  1. SOP 设计是新的核心竞争力：在 AI 工具趋向同质化的背景下，高质量的领域 SOP 成为差异化来源。投资于 SOP 的设计、测试和持续优化
  2. Prompt 工程的未来是 Prompt 预计算：与其教用户写更好的 Prompt，不如将好的 Prompt 封装为 SOP，让用户通过简单交互触发
  3. 建立自动化的 Skill/SOP 评估管线：参考胖鹅AI 的持续生产循环和 SkillOpt 的方法论，用数据驱动 SOP 的迭代优化
  4. 关注「AI 用 AI」的编排层：当单个 AI 能力趋于饱和，价值转向如何编排多个 AI 协作完成复杂任务——这是 Harness Engineering 的核心领域

相关实体