- 大洋

兄弟们，今天来晚了，昨晚回家了，早上陪娃玩了一上午。 Hermes的双Bot已经各自跑起来了 但是有一个让我烦心的事情出现了 它们是都跑起来了，但是在同一个群里一起抢答。 今天把 Hermes + Telegram 双 Bot 这件事跟大家一起讨论一下 1）双 Bot 可以同时跑 2）但必须做实例隔离 3）难点不是启动，而是同群不乱回 正确思路： 一个 bot = 一个 token = 一个 HERMES_HOME = 一个独立进程 别再用同一个 ~/.hermes 起两个gateway 那样最容易串的是 配置、token、memory、模型，最后连行为都一起串。 我最后用的结构是： ~/hermes ~/hermes-bot2 每个目录各自放： .env config.yaml .hermes.md 这一步不是整理文件，是在做真正的运行时隔离。 模型分工也建议直接拆开： bot1 → 强模型 负责复杂任务、代码、推理 bot2 → 轻模型 负责日常问答、群内高频回复 这样双 bot 才不是重复部署，而是有明确分工。 最稳的是两个终端，我的实例： HERMES_HOME=~/hermes hermes gateway HERMES_HOME=~/hermes-bot2 hermes gateway 如果想长期挂着，直接用 tmux。 简单、清晰，也不容易串环境。 但真正最大的麻烦，是群聊。 你发一句：“你好” 结果两个 bot 都回。 你以为只 @ 了 bot1，结果 bot2 也回。 这才是双 bot 最烦的地方。 为什么会这样？ 因为 Telegram 群消息会被两个 bot 同时收到。 要注意的的点是： • /setprivacy Enable 只是一层弱过滤 • .hermes.md 只是 prompt 软约束 • reply 链消息也可能触发 bot 所以只靠配置和提示词，不够稳。 最后我发现，真正靠谱的办法 在代码入口做硬拦截。 逻辑很简单： 先判断发消息的人是不是 allowlist 用户； 再判断消息里有没有明确 @ 当前 bot； 如果没有，就直接 return； 不要把消息交给模型。 这一步特别关键。 因为你要的不是尽量少乱回，而是规则不满足就根本不进入模型层。 做到这一步以后，效果才会变成： 你发：你好 → 两个 bot 都不回 你发：@bot1 你好 → 只有 bot1 回 你发：@bot2 你好 → 只有 bot2 回 别人发：@bot1 你好 → 不回 这时候，双 bot 才算真的稳定。 另外还有一层建议： 把 Telegram 数字 ID 加进 allowlist。 最简单的办法是在TG上搜 @userinfobot 拿到自己的数字 ID 后写进 .env： TELEGRAM_ALLOWED_USERS=123456789 最后我总结出来的 Hermes 双 Bot 最优组合是： bot1： 强模型 / 只回 @bot1 / 处理复杂任务 bot2： 轻模型 / 只回 @bot2 / 处理高频问答 配套原则是： • 不同 token • 不同 HERMES_HOME • 不同模型 • 不同 .hermes.md • 再加代码级 @ 规则拦截 Hermes双Bot的核心，不是怎么同时启动 而是： 怎么隔离 怎么分工 怎么保证同群不抢答。 如果你也在做 Hermes 多实例、Telegram 双 Bot 分工，这套方法可以直接复用。

Want to win $3,000?  Automate a trading strategy today and watch it run for 7 days without you.    That's Agent Trading Season 1.    Build an autonomous BTC/ETH perpetual trading agent on CREAO, connect it to a CEX demo account, freeze it at enrollment, and let it execute on its own strategy for a full week.    No manual trading. No touching it mid-run. Just your logic, running live.    $10,000 in prizes. Top spot takes $3,000.  Here's the full schedule: → Enrollment opens May 25 → Run starts May 28 → Audit Jun 4 → Results Jun 6 1,000 participant cap. So don't miss it.    → community.creao.ai/campaigns/agen…

D0 is now public. For the past year, we have been building toward one idea: the next trading agent is not passive. It watches, reasons, and acts. While you sleep, D0 is cross-referencing funding rates, whale movements, CEX depth, and on-chain flows before it ever pings you. Today, D0 is open to everyone. A proactive AI trading agent for spot, swaps, perps, Hyperliquid, and Polymarket. Commodities, & US equities, all in one account. Built for markets that never stop moving. Claim your free trial at getdonut.ai Enter D0.

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

Introducing xBubble xBubble is a low-prompt AI agent that unlocks cutting-edge AI productivity with far fewer prompts, much less trial-and-error, and a much lower learning curve. This advantage stems from the following innovations: Bubble Engine: An engine builds task-specific SOPs and probes the limits of AI capabilities for specified tasks. Bubble Pilot: An AI helps users operate AI by dispatching each request to the right SOP. Powerful AI won't require users to learn AI. Read the launch post ↓ medium.com/p/fa993a65a11b…

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

Introducing xBubble xBubble is a low-prompt AI agent that unlocks cutting-edge AI productivity with far fewer prompts, much less trial-and-error, and a much lower learning curve. This advantage stems from the following innovations: Bubble Engine: An engine builds task-specific SOPs and probes the limits of AI capabilities for specified tasks. Bubble Pilot: An AI helps users operate AI by dispatching each request to the right SOP. Powerful AI won't require users to learn AI. Read the launch post ↓ medium.com/p/fa993a65a11b…

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

Introducing xBubble xBubble is a low-prompt AI agent that unlocks cutting-edge AI productivity with far fewer prompts, much less trial-and-error, and a much lower learning curve. This advantage stems from the following innovations: Bubble Engine: An engine builds task-specific SOPs and probes the limits of AI capabilities for specified tasks. Bubble Pilot: An AI helps users operate AI by dispatching each request to the right SOP. Powerful AI won't require users to learn AI. Read the launch post ↓ medium.com/p/fa993a65a11b…

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble

《咏xBubble》 三时调句意难平，几换模型功未成。 鸿沟渐阔分三等，新刃频添隔九层。 岂必人来驯器械，何妨器自悟规程。 一言陈述云沙动，千步后堂已落声。 我们花在让AI学会干活上的时间，正在超过干活本身的时间。 刚好这周发现了个神器， @dappOS_com 的 @xBubble_ai 它解决了一个让我头疼很久的问题 上个月我想让AI帮我做一份工地周报。需求特别简单，就是把这周施工日志整理一下，哪天进了什么材料、哪个班组干了什么活、有没有安全检查记录，按日期排好，每段标个重点。 我折腾了整整一个下午。先用GPT，prompt写了改改了写，出来的东西要么把施工节点全搞混了，要么自己编了一堆根本没发生的事。 换成Claude code，格式对了，最主要的安全整改记录漏了一大半。中间还试了搜索Skill，star挺多的，但装上去发现根本不适配工地周报这种场景。 这个过程里最耗时的其实不是写提示词本身，而是判断该用哪个模型、哪个工具。光搞清楚GPT和Claude code在处理结构化文档上的差异，就花了我快四十分钟。 后来干脆想自己写一个Claude Code的Skill，写到一半就放弃了。就算我真把这Skill写出来了，下周换个项目、换个模型版本，它还能不能用，我心里也完全没底。 我花了大概三个小时的时间，最后交上去的周报也就跟施工日志一样。 这种感觉是一种无力感。你知道AI能干这件事，但你每次让它干好这件事，花的力气跟你自己干差不多。 其实道理也很简单，AI能力在涨，但真正把AI用起来的门槛还是挺高的，而且不断的在拉高。 兄弟们看一下现在的趋势，新模型一个接一个出，Claude、GPT、Gemini，每个都号称更强了。产品也越来越多，Codex、Claude Code、Cursor，工具很多。 但每次新模型上线，你都得重新摸索一遍它。每次新工具出来，你都得花时间去学。每多一个能力，就多一道门槛。 现在在大家面前的鸿沟也越来越宽 会写prompt的人和不会写prompt的人 会用Codex和Claude Code的和不会用的人 会写Skill的与不会写的 同一个工具交给两个人，效率、结果等各方面能差出一个量级。 我跟身边做公司的朋友聊了一下，才发现他们更现实。中小企业，雇一个专门搞AI的人吧，活不一定能排满。不雇吧，很多事确实需要AI提效率。那是老母猪钻栅栏，进退两难 我上周刚好发现了dappOS，它做了一件我觉得方向特别对的事。 他们搞了个xBubble，核心就让AI替用户使用AI。 xBubble里面有两个系统。 第一个叫Bubble Pilot，相当于一个AI调度员。 你只需要发一句简短的请求给它，剩下的全不用管。 Pilot会读你的请求，识别你要干什么类型的任务，然后去SOP库里找匹配的方案，找到就直接跑起来，把最优结果输出你。 没找到就会自动回退到通用Agent，不会让你的工作卡着。 而且同一个类型的请求如果反复回退，系统会把信号记录下来，后面Bubble Engine会专门为这个场景生成新SOP。 第二个叫Bubble Engine，它的工作是让AI学习AI。 Pilot能精准分发任务，是因为Engine在后面一直在做事。 它会针对特定任务，用AI编程Agent生成解决方案的各种变体，搭测试框架去跑，换不同模型和工具去对比，然后根据任务样例和质量标准去评估输出。 最后把表现最好的那条路径固化成一个可复用的SOP。 这里要特别说一下让我觉得特别有意思的SOP。不要把它理解成一个长prompt或者一个普通的Skill。 dappOS的SOP是把Skills、运行环境、API、MCP、模型选型全部打包在一起，针对特定场景充分测试过的完整方案。 这跟GitHub上开源Skill完全不一样。开源Skill为了冲star，往往写得特别通用，你拿过来还得自己测、自己改、自适应。 但dappOS的SOP只服务于经过验证的那一类问题，在它适用范围内经过了充分测试，有着出奇的稳定性。 模型选择、提示词结构、技能编写、工具选取、结果测试，这些全部交给xBubble。你只需要说你想要什么。 命中SOP的，你说帮我做个上周市场复盘PPT。Pilot识别到是PPT任务，匹配到现成的SOP，直接跑。你拿到的是真正按市场复盘逻辑组织的、格式规范的成品。 没命中SOP的，你说了一个比较偏门的需求，SOP库里没有。Pilot自动回退到通用模型，你还是能得到一个结果。不会报错，不会让你重新描述。 你和你的团队反复提同一类需求，比如你们公司有固定的品牌PPT模板、固定的文档格式。Engine检测到这个信号，开始构建专用SOP。下次再提类似需求，就能直接匹配，而且出来的东西会比之前的更顺眼。 这个SOP生成的过程也值得展开说一下。 你可以给Engine发参考案例，你以前手搓的文档、你们公司标准的广告视频、你喜欢的网页样式，你就觉得Manus做的某张图不错，把效果发过去也行。Engine会反向推出prompt，形成prompt加result的组合作为训练基础。 如果你没案例也不用担心，Engine会自己去网上搜材料或者参考其他AI产品跑出来的结果。 开发过程中有一个细节我觉得做得特别严谨。Engine在训练SOP的时候，不会把结果的具体信息直接混进去。这能防止过拟合，就是只在训练案例上表现好，到实景就崩了。就跟我自己最近在写量化策略一样，回测，模拟盘数据都不错，一到实盘，崩的不行，每天改策略和参数都抓耳挠腮的 然后Coding Agent开发新SOP、跑测试、AI评判结果是不是够好、根据评价再改、再跑、再评、再改，直到改不动了为止。 最后还会通过测试不同案例来界定这个SOP的适用范围，确保Pilot只在专用SOP效果明显优于通用方案的时候才推荐。 xBubble还提供了两种运行环境。 一个是Bubble Computer，云端沙箱。检测到多步骤任务时自动启动，按需加载技能，研究、写作、设计、核查、交付，全在一个云端里跑完，你不需要管中间步骤。 另一个是Bubble Personal，本地模式。可以操作你本机的文件、浏览器、应用和日程。涉及安装和下载的操作都在云端容器里完成，任务结束后销毁。你本机只执行你明确授权的操作，不需要装任何软件。安全问题考虑得比较到位。 到这你们应该明白xBubble的明智之处了 xBubble是Engine在后台持续学习什么路径对什么任务最优，然后固化成SOP。用户端不需要知道什么模型、什么prompt、什么工具组合，你只需要陈述目标。 xBubble想做的是让AI自己学会怎么更好地用AI。 你拿到结果的时候，后面已经跑完了一整条经过验证的路径 我写周报的那个下午，三个小时整理一份。 如果用的是xBubble，只需要说一句把这周施工日志整理成周报，按日期排，标出材料进场、班组进度、安全检查这几块。 Pilot匹配到文档整理类的SOP。我拿着初稿花十分钟对一下施工节点有没有偏差就完事。 省下来的那两个多小时，才是我真正该花在下工地盯进度和做技术交底上的时间。 目前的Web2公司里，dappOS这套东西已经有不少人在用了。尤其是一人公司和中小团队，没有预算专门搞AI运维，又需要稳定的AI产出。 SOP一次配置好，同类型任务反复跑，边际成本几乎为零。这个比招人或者自己死磕划算太多了。 AI应该学习AI，AI应该使用AI，用户只需陈述目标。 这句话是dappOS整个产品设计方向。他们拿了两千多万美金融资，Polychain、Binance Labs、红杉中国、IDG这些机构都在背后，说明这条路是走得通的。 去xBubble试试，第一个任务就让Bubble Pilot帮你跑。看看一个不需要你选模型、不需要你写prompt、不需要你调Skill的AI，到底能替你做多少事。 #dappos #xBubble