解讀xBubble SOP：把Vibe Coding封裝給非技術用戶

隨著 AI 技術的發展，會使用 Codex、Claude Code 等 AI 工具的人，生產力已經有了十倍甚至百倍的提升。 對技術使用者來說，只要會寫 prompt、會調試、會迭代、會開發 Skill，AI 確實可以成為高槓桿的生產工具。

但對沒有技術背景的 OPC、中小企業或業務運作來說，目前 AI 用起來實際上仍然是不太舒服的：

這種困局，會隨著 AI 底層大模型的能力進步而消失嗎？ 目前看起來很難。

Skill 的存在本身就在證明，大模型的直接輸出很多時候還不能滿足具體需求，需要透過預設的 Skill 來改良效果。 甚至即便未來 AI 和人完全一樣聰明，這個問題還是會存在。 因為實際上在現實生活中，除非達到一定程度的標準化，否則你和別人講清需求、一次性拿到想要的結果，本身也是件困難的事。

因此可見的是，不會用 AI 的人，和專業的會用 AI 的人，在 AI 飛速進步的時代生產力差距會越來越大，這也是不少人有「AI 焦慮」的真實背景。 我們似乎一直在學怎麼用好 AI，但新東西出現的太多太快了，似乎永遠學不完。

DAPPOS 推出的 xBubble，瞄準的正是這塊。 它的想法不是要求每個使用者都成為 AI 專家，都學會 Vibe Coding，而是透過 SOP 系統，在一部分問題上實現 Vibe Coder 的封裝，幫助沒有技術背景的中小企業或個人使用 AI，不需要自己花時間學習調試，也不需要額外僱人。

xBubble 的架構

SOP 是 xBubble 用 AI 解決特定問題的解決方案。 它不是單獨一個 Skill，也不是一段更長的 prompt，而是把 Skills、運行環境、模型選用、MCP 以及三方 API 打包在一起，從而實現對特定領域問題相對穩定的表現。

圍繞 SOP, xBubble 的產品架構可以拆成兩個系統：Bubble Engine 和 Bubble Pilot。

Bubble Engine 是解決方案產生層。 它負責產生和訓練 SOP，透過 AI coding agent 建構針對特定任務的解決方案，並透過測試、評估和迭代，持續把結果調到更符合需求。

Bubble Pilot 是執行時期的分送層。 它讀取使用者請求，識別任務類型，再從 SOP 庫裡找到最匹配的方案執行。 如果沒有合適的專用 SOP，也可以回落到更通用的方案，例如 Computer SOP。

SOP 位於兩者中間。 Engine 負責打造 SOP，Pilot 負責派遣 SOP。

這樣一來，使用者面對的不是一整套複雜的 AI 工具鏈，而是一個更接近「說出任務、拿到結果」的入口。 模型選擇、運行環境、Skill 呼叫、API 配置和迭代邏輯，都被盡量放到了系統側。

什麼是 SOP

在 xBubble 中：

SOP = Skills runtime APIs MCPs Model Selection

一個 Skill 本身並不能保證結果穩定。 實際輸出也取決於用什麼模型、跑在什麼環境、是否接取必要的 API、是否有合適的 MCP，以及執行過程中怎麼處理異常和迭代。

如果這些都交給使用者自己配置，使用門檻仍然很高。 xBubble 的做法，就是把這些變數一起封裝進 SOP。 使用者不需要單獨選擇模型，不需要自己配置 API，也不需要在多個相似 Skill 之間重複測試，而是直接基於任務描述觸發對應的解決路徑。

和常規 Skill 市場相比，xBubble 的 SOP 系統主要有三方面優勢：

1、性能穩定

由於 SOP 裡除了包含 Skill，還封裝了運行環境、模型選用、MCP 和三方 API，這能有效排除很多執行過程中的不確定性，更穩定地產生結果。 同時，SOP 只用於完成經過驗證範圍內的問題，並且會在這個範圍內經過測試。 所以當任務符合 SOP 描述範圍時，效果通常會比較穩定。

這和開源 Skill 的邏輯不太一樣。 開源 Skill 為了追求更多的 stars，通常會做得比較通用。 通用當然有好處，但代價是許多 Skill 在範例之外沒有充分測試，而且還存在大量功能相近的 Skill。 結果就是，使用者還是需要花時間去測試、比較、驗證，判斷某個 Skill 到底能不能滿足自己的需求。 而這件事本身，其實就是 Vibe Coder 的工作。

xBubble 的 SOP 較強調經過驗證的適用範圍。 不是說一個 SOP 什麼都能做，而是在它被定義、測試過的範圍內，盡量把結果做穩定。

2、簡單易用

SOP 以使用者的任務描述為主要輸入。 使用者不需要選擇模型，也不需要自行配置或支付三方 API，更不需要理解背後到底呼叫了哪個 Skill。

Bubble Pilot 會根據使用者需求判斷任務類型，優先推薦更專用的 SOP。 因為 SOP 已經在一定範圍內經過測試驗證，所以使用者通常也不需要在多個 SOP 之間反覆比較。 如果已有專用 SOP 能覆蓋任務，就優先使用專用 SOP。 如果效果仍然不理想，也可以透過 Bubble Engine 的服務（提交「Bubble Up」）繼續自動迭代優化。

換句話說，xBubble 想解決的不是“AI 能不能做”，而是“普通用戶能不能低成本、穩定地讓 AI 做”。 原本使用者需要自己承擔的 prompt 偵錯、模型選擇、API 配置和結果迭代，被盡可能轉移到了系統側。

3、可自助生成

開發一個好用 Skill 具備一定門檻，需要花時間調試優化。 對沒有技術背景的使用者來說，這本身就不太友善。 而開源 Skill 通常比較通用，很難涵蓋企業內部格式、個人習慣、產業模板這類更客製化的需求。

xBubble 的目標是 Vibe Coder 封裝。 對於絕大多數需求，它不是讓用戶自己去開發和調試 Skill，而是幫助用戶封裝掉這部分複雜度，讓用戶可以透過 Bubble Engine 自助生成專用 SOP。

同時，SOP 的適用範圍可大可小。 例如在 Work 模式中，如果沒有專用 SOP 可以處理某類任務，系統通常會使用 Bubble Computer SOP 來處理通用問題。 但如果使用者有非常特殊的需求，例如依照自己公司的範本規格做 PPT、依照固定格式產生文件、依照某種內部風格製作內容，也可以產生只對某個使用者或某個企業生效的 SOP。

這也是 SOP 系統和一般 Skill 市場的差異之一。 它不是只提供一堆通用元件讓使用者自己選，而是允許使用者圍繞自己的任務邊界產生更專用的解決方案。

SOP 是如何訓練的

xBubble 中利用 Bubble Engine 來訓練 SOP，目標是取代 Vibe Coder，直接產生能滿足使用者需求的 SOP。 從機制上看，SOP 可以看作一個將特定 prompt 映射到結果的函數。 因此，效能調優要解決的問題可以簡化描述為：

Max Rank(SOP(prompt))

也就是讓同一個使用者需求經過 SOP 處理後，生成結果在評估體系裡的排序盡可能更高，更接近使用者真正想要的輸出。

訓練案例

SOP 的訓練圍繞著案例。

使用者可以直接發送一些自己認為符合要求的案例，例如提示要參考某個企業的影片廣告，或是傳送自己先前手工完成的結果。 這個案例可以是文件、PPT、廣告影片、網頁樣式，也可以是某種希望系統模仿的輸出風格。

如果訓練任務中沒有相關案例，Bubble Engine 也可以自動在網路上搜尋參考材料，或使用其他 AI 產品產生的結果作為訓練案例。

確認案例後，系統會根據原始問題和使用者輸入的複雜度，反向推出 prompt，構成一組組 (prompt, result) 的組合。 這些組合會成為後續 SOP 生成和評價的基礎。

訓練的關鍵不是簡單把案例複製進去，而是找到合適的方法來根據prompt生成和案例結果相近的成果，在開發過程中並不會混入結果資訊。 否則系統很容易只在訓練案例上表現好，換一個相似任務就失效。

迭代循環

接下來，Bubble Engine 會透過 coding agent，在一些基準 SOP 的基礎上開發新的專用 SOP。

為了避免過度擬合，開發過程也會避免把結果的具體資訊直接混入 SOP 裡。 否則看起來訓練結果很好，但實際使用時可能泛化能力很差。

開發完成後，系統會使用新的 SOP 跑出測試結果，並進行評價，總結存在的問題。

評價主要分成兩個面向：

根據評估結果，coding agent 會繼續修改 SOP，再生成、再評價、再修改。 這個過程會持續進行，直到結果無法再明顯改善。

這套流程本質上是在把原本 Vibe Coder 手動完成的事情自動化：看案例、寫方案、跑結果、找問題、改方案，再反覆迭代。

範圍界定

完成效能調校的 SOP，在接入系統前還需要界定適用範圍。

這一步很關鍵。 因為專用 SOP 並不是越多越好，也不是任何時候都應該優先推薦。 一個 SOP 如果只在某個很窄的任務裡有效，卻被拿去處理更廣泛的問題，反而可能不如通用 SOP。

Bubble Engine 會透過測試不同案例，以及分析 SOP 中 Skill 內容等方式，判斷這個 SOP 適合處理哪些任務、不適合處理哪些任務。

這一環節的目標，是確保 Bubble Pilot 只有在專用 SOP 效果好於通用 SOP 的時候，才會推薦專用 SOP。 否則系統會回退到更通用的解決方案。

專業解決方案

對於特別複雜的 SOP 生成，例如需要藉助三方付費 API，或者當前大模型性能還不足以完全自動完成的任務，xBubble 也提供人工輔助的專業解決方案，從而覆蓋企業用戶的定制需求。

這類人工輔助更像是當前模型能力和企業需求之間的過渡層。 隨著底層 AI 模式繼續進步，需要人工輔助的案例會迅速減少。

解讀總結

從產品邏輯看，xBubble SOP 系統不是再做一個普通 Skill 市場，也不是簡單把幾個 AI 工具接在一起，而是把 Vibe Coding 這件事本身產品化。

Skill 市場解決的是「有哪些 Skill 可以選」的問題，但對非技術用戶來說，更難的往往是後半段：哪個 Skill 適合我的場景，應該配什麼模型，怎麼跑，效果不穩定怎麼辦，能不能下次復用，如果開源的skill都不行怎麼做一個能用的skill。

SOP 想解決的正是這部分問題。 它把選型、配置、測試、開發、範圍界定和迭代這些原本屬於 Vibe Coder 的工作，盡量移到系統側。 使用者那一端只需要描述任務。

當然，這套系統最終能走多遠，仍然取決於兩個變數：一是 Bubble Engine 生成 SOP 的品質是否足夠穩定，二是 SOP 覆蓋速度能不能跟上用戶需求和通用 Agent 能力的變化。

但至少在當前階段，對沒有技術背景的個人用戶和中小企業來說，xBubble 提供了一條不同路徑：不是先學習完整 AI 工具鏈，再嘗試把 AI 用起來；而是直接通過任務級 SOP，把前沿 AI 生產力封裝成可以復用的工作流。

使用者說清目標，xBubble 處理背後的 AI 操作。

關於 DAPPOS

DAPPOS 是一家專注於低門檻 AI 產品的人工智慧公司，針對一般用戶和專業用戶建立更容易使用的 AI 工作流程。 DAPPOS 已完成超過 2,000 萬美元融資，投資者包括 Polychain、Binance Labs、Sequoia China、IDG Capital、OKX Ventures 等機構。

關於 xBubble

xBubble 是 DAPPOS 推出的低提示詞 AI Agent 產品，旨在幫助用戶用更短的需求描述完成文件、PPT、網站、圖片、影片、研究、自動化和定時任務等工作。

xBubble 透過任務級 SOP，將前沿 AI 生產力以更低學習成本封裝給一般用戶，用戶無需再學習完整 AI 工具鏈就能獲得專業級 AI 生產力。