Hier soir encore, l'oncle a vécu une boucle d'IA familière

Voir une annonce de financement d'un projet Web3, penser à organiser avec l'IA : contexte du projet, montant du financement, situation de l'équipe, progrès importants, mécanisme d'activité et mode de participation
Au début, c'était plutôt optimiste
GPT est déjà si puissant, ça devrait se faire en quelques minutes, non ?
Mais quand la première version est sortie, la structure était là, mais l'information très désordonnée
La deuxième version lui a demandé de compléter les sources, il est devenu très prudent
La troisième version lui a demandé de décomposer le mécanisme d'activité, il a encore écrit une brochure de promotion pour le projet
Je n'ai eu d'autre choix que de continuer à modifier le prompt, en posant des questions frénétiques sur les détails, soudain j'ai ressenti une absurdité : je n'ai pas libéré mon potentiel avec l'IA, mais j'ai plutôt augmenté la charge de travail.
C'est peut-être là où la plupart des gens se bloquent vraiment avec l'IA : ce n'est pas qu'ils ne savent pas ce qu'ils veulent, mais qu'ils ne savent pas comment traduire leurs besoins en prompts que l'IA peut exécuter de manière stable.
👉 Donc l'oncle a fait une comparaison avec la même demande :
« Recherche les projets Web3 non-coin lancés et divulgués au cours du dernier mois, en organisant pour moi les informations de base, le montant du financement, la situation de l'équipe, les progrès importants, le mécanisme d'activité et la méthode de participation »
À gauche, GPT, à droite, xBubble
La réaction de GPT est très familière : commencer à répondre, lister les projets, écrire les informations.
C'est utilisable, mais je dois continuer à poser des questions : d'où viennent les sources ? La date du financement est-elle précise ? Le projet a-t-il lancé une crypto ? Le mécanisme d'activité a-t-il été omis ? Quelles sont les priorités, lesquelles ne sont que pour faire joli ?
C'est là que l'utilisation d'une IA ordinaire devient la plus fatigante, beaucoup d'informations clés doivent être vérifiées par moi.
La réaction de xBubble est différente, la demande lui fait d'abord choisir un chemin :
1️⃣ SOP de recherche crypto (75% de correspondance, prévu 3-4 minutes)
2️⃣ Recherche & Réponse (18% de correspondance, prévu 20 secondes)
3️⃣ Compound Skill-Bubble Computer (7% de correspondance, prévu 2-10 minutes)
Ce point est crucial : le SOP n'est pas simplement un « modèle de prompt », c'est une route de tâche déjà bien rodée.
Pour ce genre de tâche, il faut savoir comment rechercher, quelles sources utiliser, comment croiser les vérifications, comment structurer la sortie, le système t'aide à tout organiser à l'avance.
Par exemple, pour l'investigation de projets Web3, un LLM ordinaire répond souvent d'abord, puis vérifie, la qualité dépend de la performance du modèle sur le moment.
xBubble va d'abord juger le type de tâche, puis choisir le chemin le plus approprié.
Donc, la différence est évidente :
👉 Ne sait pas écrire de prompt + IA ordinaire : le modèle répond d'abord, l'utilisateur corrige lentement après
👉 Sait écrire un prompt + IA ordinaire : l'utilisateur décompose la demande en un flux de travail complet
👉 Ne sait pas écrire de prompt + xBubble : le système décide d'abord quelle voie suivre
C'est aussi la philosophie de l'agent IA Low-prompt de xBubble
L'utilisateur parle normalement, le système choisit le chemin
L'IA doit apprendre de l'IA
L'IA doit aussi utiliser l'IA
@dappOS_com