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。

一句话生成 1 分钟电商广告，直接能用

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。

背后的关键是 SOP

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。

从耳提面命到心领神会

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。

* 本文系量子位获授权刊载，观点仅为原作者所有。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见