随着 AI 技术的发展，会使用 Codex、Claude Code 等 AI 工具的人，生产力已经有了十倍甚至百倍的提升。对技术用户来说，只要会写 prompt、会调试、会迭代、会开发 Skill，AI 确实可以成为一种高杠杆的生产工具。
但对没有技术背景的 OPC、中小企业或者业务运营来说，目前 AI 用起来实际上仍然是不太舒服的：
这种困局，会随着 AI 底层大模型的能力进步而消失吗？目前看起来很难。
Skill 的存在本身就在证明，大模型的直接输出很多时候还不能满足具体需求，需要通过预设的 Skill 来改良效果。甚至即便未来 AI 和人完全一样聪明，这个问题也仍然会存在。因为实际上在现实生活中，除非实现一定程度的标准化，否则你和别人讲清需求、一次性拿到想要的结果，本身也是件困难的事情。
因此可见的是，不会用 AI 的人，和专业的会用 AI 的人，在 AI 飞速进步的时代生产力差距会越来越大，这也是不少人有“AI 焦虑”的真实背景。我们似乎一直在学怎么用好 AI，但新东西出现的太多太快了，似乎永远也学不完 。
DAPPOS 推出的 xBubble，瞄准的正是这一块 。它的思路不是要求每个用户都成为 AI 专家，都学会 Vibe Coding，而是通过 SOP 系统，在一部分问题上实现 Vibe Coder 的封装，帮助没有技术背景的中小企业或个人使用 AI，不需要自己花时间学习调试，也不需要额外雇人。
SOP 是 xBubble 用 AI 解决特定问题的解决方案 。 它不是单独一个 Skill，也不是一段更长的 prompt，而是把 Skills、运行环境、模型选用、MCP 以及三方 API 打包在一起，从而实现对特定领域问题相对稳定的表现 。
围绕 SOP, xBubble 的产品架构可以拆成两个系统：Bubble Engine 和 Bubble Pilot。
Bubble Engine 是解决方案生成层。它负责生成和训练 SOP，通过 AI coding agent 构建针对特定任务的解决方案，并通过测试、评估和迭代，持续把结果调到更符合需求。
Bubble Pilot 是运行时的分发层。它读取用户请求，识别任务类型，再从 SOP 库里找到最匹配的方案执行。如果没有合适的专用 SOP，也可以回落到更通用的方案，比如 Computer SOP。
SOP 位于两者中间。Engine 负责造 SOP，Pilot 负责派 SOP。
这样一来，用户面对的不是一整套复杂的 AI 工具链，而是一个更接近“说出任务、拿到结果”的入口。模型选择、运行环境、Skill 调用、API 配置和迭代逻辑，都被尽量放到了系统侧。
在 xBubble 中：
SOP = Skills + runtime + APIs + MCPs + Model Selection
一个 Skill 本身并不能保证结果稳定。实际输出还取决于用什么模型、跑在什么环境里、是否接入必要的 API、是否有合适的 MCP，以及执行过程中怎么处理异常和迭代。
如果这些都交给用户自己配置，使用门槛仍然很高。xBubble 的做法，是把这些变量一起封装进 SOP。用户不需要单独选择模型，不需要自己配置 API，也不需要在多个相似 Skill 之间反复测试，而是直接基于任务描述触发对应的解决路径。
和常规 Skill 市场相比，xBubble 的 SOP 系统主要有三方面优势：
由于 SOP 里除了包含 Skill，还封装了运行环境、模型选用、MCP 和三方 API，这能有效排除很多执行过程中的不确定性，更稳定地产生结果。同时，SOP 只用于完成经过验证范围内的问题，并且会在这个范围内经过测试。所以当任务符合 SOP 描述范围时，效果通常比较稳定。
这和开源 Skill 的逻辑不太一样。开源 Skill 为了追求更多的 stars，通常会做得比较通用。通用当然有好处，但代价是很多 Skill 在示例之外没有充分测试，而且还存在大量功能相近的 Skill。结果就是，用户仍然需要花时间去测试、比较、验证，判断某个 Skill 到底能不能满足自己的需求。而这件事本身，其实就是 Vibe Coder 的工作。
xBubble 的 SOP 更强调经过验证的适用范围。不是说一个 SOP 什么都能做，而是在它被定义和测试过的范围内，尽量把结果做稳定。
SOP 以用户的任务描述为主要输入。用户不需要选择模型，也不需要自行配置或支付三方 API，更不需要理解背后到底调用了哪个 Skill。
Bubble Pilot 会根据用户需求判断任务类型，并优先推荐更专用的 SOP。因为 SOP 已经在一定范围内经过测试验证，所以用户通常也不需要在多个 SOP 之间反复比较。如果已有专用 SOP 能覆盖任务，就优先使用专用 SOP。如果效果仍然不理想，也可以通过 Bubble Engine 的服务（提交“Bubble Up”）继续自动迭代优化。
换句话说，xBubble 想解决的不是“AI 能不能做”，而是“普通用户能不能低成本、稳定地让 AI 做”。原本用户需要自己承担的 prompt 调试、模型选择、API 配置和结果迭代，被尽可能转移到了系统侧。
开发一个好用 Skill 具备一定门槛，需要花时间调试优化。对没有技术背景的用户来说，这本身就不太友好。而开源 Skill 通常又比较通用，很难覆盖企业内部格式、个人习惯、行业模板这类更定制化的需求。
xBubble 的目标是 Vibe Coder 封装。对于绝大多数需求，它不是让用户自己去开发和调试 Skill，而是帮助用户封装掉这部分复杂度，让用户可以通过 Bubble Engine 自助生成专用 SOP。
同时，SOP 的适用范围可大可小。例如在 Work 模式中，如果没有专用 SOP 可以处理某类任务，系统通常会使用 Bubble Computer SOP 来处理通用问题。但如果用户有非常特殊的需求，比如按照自己公司的模板规范做 PPT、按照固定格式生成文档、按照某种内部风格制作内容，也可以生成只对某个用户或某个企业生效的 SOP。
这也是 SOP 系统和普通 Skill 市场的区别之一。它不是只提供一堆通用组件让用户自己选，而是允许用户围绕自己的任务边界生成更专用的解决方案。
xBubble 中利用 Bubble Engine 来训练 SOP，目标是替代 Vibe Coder，直接生成能满足用户需求的 SOP。从机制上看，SOP 可以看作一个将特定 prompt 映射到结果的函数。因此，性能调优要解决的问题可以简化描述为：
Max Rank(SOP(prompt))
也就是让同一个用户需求经过 SOP 处理后，生成结果在评价体系里的排序尽可能更高，更接近用户真正想要的输出。
SOP 的训练围绕案例展开。
用户可以直接发送一些自己认为符合要求的案例，比如提示要参考某个企业的视频广告，或者发送自己之前手工完成的结果。这个案例可以是文档、PPT、广告视频、网页样式，也可以是某种希望系统模仿的输出风格。
如果训练任务中没有相关案例，Bubble Engine 也可以自动在网上搜寻参考材料，或者使用其他 AI 产品生成的结果作为训练案例。
确认案例后，系统会根据原问题和用户输入的复杂度，反向推出 prompt，构成一组组 (prompt, result) 的组合。这些组合会成为后续 SOP 生成和评价的基础。
训练的关键不是简单把案例复制进去，而是找到合适的办法来根据prompt生成和案例结果相近的成果，在开发过程中并不会混入结果信息。否则系统很容易只在训练案例上表现好，换一个相似任务就失效。
接下来，Bubble Engine 会通过 coding agent，在一些基准 SOP 的基础上开发新的专用 SOP。
为了避免过拟合，开发过程也会避免把结果的具体信息直接混入 SOP 里。否则看起来训练结果很好，但实际使用时可能泛化能力很差。
开发完成后，系统会使用新的 SOP 跑出测试结果，并进行评价，总结存在的问题。
评价主要分成两个方面：
根据评价结果，coding agent 会继续修改 SOP，再生成、再评价、再修改。这个过程会持续进行，直到结果无法再明显改进。
这套流程本质上是在把原本 Vibe Coder 手动完成的事情自动化：看案例、写方案、跑结果、找问题、改方案，再反复迭代。
完成性能调优的 SOP，在接入系统前还需要界定适用范围。
这一步很关键。因为专用 SOP 并不是越多越好，也不是任何时候都应该优先推荐。一个 SOP 如果只在某个很窄的任务里有效，却被拿去处理更宽泛的问题，反而可能不如通用 SOP。
Bubble Engine 会通过测试不同案例，以及分析 SOP 中 Skill 内容等方式，判断这个 SOP 适合处理哪些任务、不适合处理哪些任务。
这一环节的目标，是确保 Bubble Pilot 只有在专用 SOP 效果好于通用 SOP 的时候，才会推荐专用 SOP。否则系统会回退到更通用的解决方案。
对于特别复杂的 SOP 生成，例如需要借助三方付费 API，或者当前大模型性能还不足以完全自动完成的任务，xBubble 也提供人工辅助的专业解决方案，从而覆盖企业用户的定制需求。
这类人工辅助更像是当前模型能力和企业需求之间的过渡层。随着底层 AI 模型继续进步，需要人工辅助的案例会迅速减少。
从产品逻辑看，xBubble SOP 系统不是再做一个普通 Skill 市场，也不是简单把几个 AI 工具接在一起，而是把 Vibe Coding 这件事本身产品化。
Skill 市场解决的是“有哪些 Skill 可以选”的问题，但对非技术用户来说，更难的往往是后半段：哪个 Skill 适合我的场景，应该配什么模型，怎么跑，效果不稳定怎么办，能不能下次复用，如果开源的skill都不行怎么做一个能用的skill。
SOP 想解决的正是这部分问题。它把选型、配置、测试、开发、范围界定和迭代这些原本属于 Vibe Coder 的工作，尽量挪到系统侧。用户那一端只需要描述任务。
当然，这套系统最终能走多远，仍然取决于两个变量：一是 Bubble Engine 生成 SOP 的质量是否足够稳定，二是 SOP 覆盖速度能不能跟上用户需求和通用 Agent 能力的变化。
但至少在当前阶段，对没有技术背景的个人用户和中小企业来说，xBubble 提供了一条不同路径：不是先学习完整 AI 工具链，再尝试把 AI 用起来；而是直接通过任务级 SOP，把前沿 AI 生产力封装成可以复用的工作流。
用户说清目标，xBubble 处理背后的 AI 操作。
DAPPOS 是一家专注于低门槛 AI 产品的人工智能公司，面向普通用户和专业用户构建更易使用的 AI 工作流。DAPPOS 已完成超过 2000 万美元融资，投资方包括 Polychain、Binance Labs、Sequoia China、IDG Capital、OKX Ventures 等机构。
xBubble 是 DAPPOS 推出的低提示词 AI Agent 产品，旨在帮助用户用更短的需求描述完成文档、PPT、网站、图片、视频、调研、自动化和定时任务等工作。
xBubble 通过任务级 SOP，把前沿 AI 生产力以更低学习成本封装给普通用户，用户无需再学习完整 AI 工具链就能获得专业级 AI 生产力。
