1. 先说结论为什么我要较真去验证这件事AI Agent 这个说法最近被用得太滥了。打开任何一个科技资讯下面都能看到“某某 Agent 三分钟生成一条视频”“AI 自动剪辑解放双手”之类的宣传但作为一个常年跟视频生产打交道的人我见过太多 PPT 演示和实际产物之间巨大的差距。所以我决定自己动手选一个相对冷门但思路比较对路的开源框架 OpenMontage全部本地部署不花一分钱 API 费用从选题、文案、分镜脚本到剪辑渲染完整跑一条 60 秒左右的短视频出来看看 AI Agent 到底能独立干到哪一步。先说结论免得大家看半天不知道结果在硬件资源有限、模型参数量不大14B 量化的前提下AI Agent 可以完成整条视频制作链路中大约七成的工作尤其是文案、分镜、字幕文件和剪辑脚本这些“文案密集 规则明确”的环节自动化程度非常高。但“独立做完一条视频”这句话目前还是个伪命题。最终成片能看离“能发布”还有距离。原因不是某一个环节不行而是串联所有环节之后模型的上下文管理、工具调用的稳定性、以及对成品质量的判断力都会明显下降。这篇文章我会把实测中的每一个环节、每一条命令、每一次翻车都摊开讲。1.1 测试环境与验收标准先说环境因为我始终认为脱离硬件谈 AI 本地部署都是耍流氓。我这台测试机是两年前攒的显卡是 RTX 4060 Ti 16GB 显存CPU 是 i5-13400F内存 32GB系统是 Ubuntu 22.04。这套配置在目前“本地模型部署”的圈子里算比较典型的入门水平。如果用 7B 参数量的量化模型跑起来很富余上 14B 模型生成速度大概在每秒 15~20 个 token勉强能等要是再贪心上 32B那基本就得靠 CPU 慢慢磨了我不建议。我设定的验收标准有三条。第一Agent 必须自主完成“选题 → 文案 → 分镜 → 剪辑参数 → 字幕 → 成片合成”的完整链路中间我只能给它初始指令不能手动干预子任务。第二最终必须产出一个真实的 MP4 文件不是一份“剪辑建议文档”。第三这条视频要达到“能给人看”的最低标准也就是画面不花屏、字幕不错位、声音不炸。说实话这个标准不高但恰恰是这种“不高”的标准最能暴露 Agent 在真实生产流程里的短板。1.2 整体自动化程度速览先把整条链路里各个节点的自动化程度列出来方便大家对照自己的预期。我用的是 OpenMontage 配 Ollama 里拉取的 DeepSeek-R1 14B 量化版这个组合我在后文会详细解释。下面的表格是我跑完三次完整测试后得出的结论不是一次性的运气结果。环节自动化程度说明选题与文案生成高给出主题后能快速产出结构合理的文案但存在重复表述和“正确的废话”分镜脚本生成高分镜数量、景别、时长建议都比较标准但素材匹配偏差大剪辑脚本生成中能写出 FFmpeg 命令但参数偶尔出错需要工具层容错字幕文件生成高时间轴和文本结构没问题但编码和字体问题需要提前设防素材挑选与切分低本地素材库的语义检索实现不理想多次抽到不相关内容最终成品质量判断低Agent 无法感知成片“看起来是否协调”只能靠逻辑推测这里要解释一下“自动化程度”是怎么评的。我每跑完一步都会单独检查这一步的输出有没有被人工修正过。如果完全没有修正那就是“高”如果修改了部分参数比如改了一下 FFmpeg 的滤镜参数那就是“中”如果这一步基本推倒重来那就是“低”。这个标准很主观但对判断“你能不能用它做生产”很有参考价值。2. OpenMontage 落地前的环境准备模型选型与本地推理栈搭建在跑任何 Agent 之前先把“脑子”安排明白。很多人以为装完 OpenMontage 就万事大吉了其实 OpenMontage 本身只是一个编排框架它不内置大模型。它要真正干活必须对接一个能本地推理的模型服务。这就像你装了一个再好的调度中心底下没有能执行任务的工人一切都白搭。所以我把环境准备分成三块第一把 Ollama 这个模型运行时装好第二把合适的模型拉到本地第三把 OpenMontage 的核心框架和媒体工具链装好。这三块顺序不对容易出问题比如你先装了 OpenMontage 再去配模型中间报错你都不知道是模型服务没起还是 Agent 的调用配置有问题。2.1 为什么坚持全部本地部署我先说说为什么不用云端 API非要折腾本地。平时做视频素材的人应该能理解工作流里最怕的就是素材泄漏和版权纠纷。我用本地模型所有文案、分镜、字幕中间产物全部留在自己机器里不存在第三方服务器上。这对于涉及未发布产品、内部素材、或者客户定制的视频项目来说不是可选项而是必须项。另一个原因是成本。一条 60 秒的视频文案加脚本的生成量大概在 3000~5000 个 token如果反复迭代修改一次项目的 token 消耗很容易到几万甚至十几万。用云端 API 按量计费虽然单次看起来不贵但一天跑几十个版本迭代积少成多也是一笔不小的开销。本地部署一次投入硬件成本之后边际成本几乎为零。最后还有一层考虑是可控性云端 API 的模型版本经常更新前一周还能稳定输出的格式下一周可能就变了。本地部署的模型版本自己锁定行为稳定这对自动化流程非常重要。2.2 Ollama 部署与 DeepSeek 模型拉取的完整命令本地模型运行时我选了 Ollama没什么特别高深的理由就是它把“模型下载、模型加载、推理端口暴露”这三件事做得极其简单。你不需要去折腾 Python 环境、CUDA 版本、Hugging Face 下载脚本只要装好 Ollama一行命令就能把模型拉到本地并通过 API 提供服务。安装 Ollama 的命令很简单官方脚本一行搞定curl -fsSL https://ollama.com/install.sh | sh装完以后验证一下服务是否正常ollama serve ollama list然后拉取模型。这里我踩过一次坑最开始图省事拉的是 deepseek-r1:7b速度倒是快但文案质量明显不行写出来的分镜脚本像小学生作文经常出现“镜头一转”这种空话。后来换成 deepseek-r1:14b质量上了一个台阶。如果你显存只有 8GB建议优先试 7b 的 qwen2.5 或者 deepseek-r1:7b先跑通流程再谈质量。ollama pull deepseek-r1:14b拉完以后需要确认模型能正常访问。OpenMontage 对接 Ollama 的方式目前以 OpenAI 兼容接口为标准你可以先手动 curl 测一下curl http://localhost:11434/api/chat -d { model: deepseek-r1:14b, messages: [{role: user, content: 你好}] }能返回内容就说明模型服务正常。这一步非常关键后面 OpenMontage 报任何“model not found”或者“connection refused”都可以先回到这里做排查省掉一大半的时间。2.3 OpenMontage 核心框架安装与最小配置模型就绪之后再来装 OpenMontage。这个项目目前的安装方式跟大多数开源 Python 项目一样支持直接安装也支持从源码拉取。我个人建议用源码方式因为这类工具迭代很快发布版本往往滞后源码里可能已经修复了一些已知 bug尤其是 FFmpeg 调用链路上的兼容问题。假设你已经在工作目录下拿到了源码接下来要做的就是初始化配置。OpenMontage 的所有核心配置都在 config.yaml 里刚装好的默认配置用的是云端 API需要手工改成本地 Ollama 的地址llm: provider: ollama base_url: http://localhost:11434 model: deepseek-r1:14b temperature: 0.3 max_tokens: 4096 agent: max_iterations: 30 tool_timeout: 120 workspace: ./workspace这里有两个参数值得特别注意。第一个是 temperature我设置为 0.3。如果让它自动生成剪辑参数这种精确度要求高的内容温度太高会导致参数频繁出错但设得太低文案又会显得死板。0.3 是我试了 0.1、0.3、0.7 三档之后选出的平衡点。第二个是 max_iterations它决定 Agent 在完成目标之前最多可以执行多少轮“思考 工具调用”。默认值是 30但在视频任务里如果要逐条处理素材30 轮根本不够我实际测试中经常会消耗到 40 轮以上。这里可以按任务复杂度调高。配置完成后启动服务的命令非常简单python -m openmontage start --config config.yaml如果一切正常终端会打印出 Agent 的日志输出看到 “Agent is ready” 之类的信息就说明框架已经连上了本地模型。到这里OpenMontage 本地部署的骨架就算跑起来了。但这一步只是“能启动”离“能干活”还差得很远因为 Agent 真正的价值在于它能调用多少工具以及工具调用得准不准。下一章我会拆解这部分。3. Agent 的“自主性”从哪来任务拆解与工具调用的实际表现在实测过程中我被问得最多的问题其实是Agent 跟大模型有什么区别OpenMontage 里跑的到底是不是 DeepSeek问出这些问题的人其实还没搞清楚 Agent 这个概念的层级。这一章我用这次实践中的真实表现为例把这件事讲透。3.1 Agent 不是模型是“模型 工具 规划”的组合体用一句话来概括大模型是 Agent 的“大脑”但 Agent 不等于大模型。deepseek-r1:14b 单独使用时你让它“做一条视频”它只会给你输出一大段“要怎么做视频”的步骤说明它没有手动不了任何软件。但 Agent 不一样它在模型之外还挂了规划器、工具注册中心和记忆模块。打个更生活化的比方大模型像一个只会纸上谈兵的顾问你问他“怎么剪辑”他能给你复述一套标准流程但他自己不会打开剪辑软件而 Agent 是一个雇了这位顾问的工头顾问出主意工头手底下的工人——也就是那些工具——负责动手干活。OpenMontage 里的“工人”包括提前注册好的 FFmpeg 命令、字幕生成脚本、素材检索脚本等等。大模型只负责一件事根据任务目标决定“下一步该调用哪个工具参数怎么填”。在 OpenMontage 的日志里你可以非常直观地看到这个过程。每次任务执行都会拆成一条条带编号的记录大体上的格式是思考Thought、行动Action、观察Observation。模型先生成一段思考说明它打算做什么然后输出一个工具调用指令执行完工具之后把结果返回给模型作为下一轮决策的依据。这个循环一直持续到任务完成或超过最大迭代次数。这也就是为什么同一个模型裸用和放在 Agent 框架里表现完全不同。3.2 OpenMontage 的任务规划链路从目标到可执行命令我第一次跑视频任务时给 OpenMontage 下了一个指令“请生成一条 60 秒的科技科普短视频主题是‘什么是本地大模型’需要完整文案、分镜脚本、背景音乐建议并最终输出 MP4 文件。”然后我就盯着日志看它是怎么规划的。它先输出了一份任务拆解把整体目标分成了四步第一步生成视频文案第二步基于文案生成分镜和剪辑参数第三步从素材库中挑选可用片段第四步用 FFmpeg 完成合成并输出。这个拆解思路跟一个有经验的编导的想法几乎一致。但注意这不是 OpenMontage 开发人员写死的流程而是模型根据目标现场规划出来的。这恰恰是 Agent 跟固定的自动化脚本最大的不同脚本只能按写好的顺序执行Agent 面对一个从未见过的任务也能从零开始规划出合理的执行路径。不过拆解得好看不代表执行得好。实际执行时它在第一步就暴露了一个问题它规划了四个子任务但每完成一个子任务就要把步骤记录到上下文里随着来回调用的 token 越来越多上下文很快就被填满了。到第三步时它已经有点“忘了”最初的视频主题分镜脚本里开始出现跟“本地大模型”无关的内容。这不是模型笨而是上下文的注意力被中间过程稀释了。我在后续测试中做了优化在工具返回结果时让 OpenMontage 自动压缩冗长的工具输出并在每轮总结一条关键结论放回上下文。这样处理后上下文失控的问题有了明显改善。3.3 素材匹配翻车工具能力边界决定了 Agent 的天花板规划链路里最容易翻车的其实是素材库检索。OpenMontage 自带的素材检索脚本是基于关键词标签匹配的它会把用户指令里的语义描述转成几个标签然后在素材库里搜标签。听起来挺合理但实际效果很不稳定。比如 Agent 在分镜脚本里写“近景展示服务器闪烁的指示灯”它检索素材时抽中的却是一段“城市夜景霓虹灯”的素材。原因很简单模型以为是“灯”就能匹配但素材库里的标签只有“城市”“夜景”“霓虹”这样的元数据没有人给它标“服务器指示灯”这个标签。这件事给我提了个醒Agent 的决策上限再高也要受限于底层工具的能力。你让一个天才剪辑师用一部没有 4K 素材的旧电脑干活他也没法给你输出 4K 成片。所以在真正做视频生产之前最值得投入的方向不是调模型而是把素材库的元数据标签体系做扎实。4. 自动剪辑实测从文案生成到成片输出的完整链路前面两章把环境和原理都说清楚了这一章进入正题完整走一遍自动剪辑的流程。为了让测试更具代表性我选的主题是“什么是本地大模型”这个主题既有科普属性又需要一定的画面想象空间算是一个对 Agent 综合能力要求比较高的测试题。4.1 目标指令与工作区准备在给 Agent 下指令之前我先在配置里指定了工作目录也就是 config.yaml 里的 workspace。这个目录下我一共建了三个子目录scripts放工具脚本assets放本地素材output放成品和中间产物。别小看这个目录规划Agent 在自动化执行时不会像人一样有“文件管理”意识如果目录结构混乱它生成的中间文件路径很容易出错最后你连它把文件写到哪了都找不到。给 Agent 的指令我也做了严格限定不是简单说一句“做视频”而是把关键约束全部写在一条指令里请生成一条 60 秒的科技科普短视频主题为“什么是本地大模型”。 要求 1. 文案风格通俗、口语化避免学术术语堆砌 2. 分镜脚本至少包含 8 个镜头每个镜头标注景别、画面描述、台词 3. 成片格式MP4分辨率 1920x1080帧率 30fps 4. 最终输出物文案 markdown 文件、分镜脚本 markdown 文件、字幕 srt 文件、成片 mp4 文件。这里我特意没写具体的剪辑参数比如转场、滤镜、背景音乐目的就是想看看 Agent 在没有提示的情况下会不会自己补全这些细节。从测试结果看它确实自己做了决定但决定的质量一般这部分后面会细说。4.2 文案与分镜脚本代劳程度最高的环节Agent 在生成文案这个环节的表现可以说完全超出了我的预期。它只用了大约两分钟就产出了一篇结构完整的 60 秒口播文案包括开场、三个知识要点、结尾总结甚至主动加了 10 秒的提问互动环节。我拿给团队里的文案同事看她说这个结构可以直接用只是个别句子有点“机翻感”需要润色。分镜脚本的生成也基本没让我费心它自动输出了 10 个镜头标注了景别远景、中景、近景、特写、画面描述和对应台词。而且它给每个镜头估算了时长加起来正好 60 秒左右。这一步的质量让我一度以为“机器取代编导”真要来了但后来的素材匹配环节立刻把我的幻想打碎。它在第一镜就配上了一个“数据中心全景”的素材描述可我素材库里根本没有这种素材它依然在分镜脚本里写了“该镜头可替换为服务器特写”。这个问题说大不大说小不小对于人来说看到这句话自然会去换素材但对于全自动流程这一步就断了。4.3 剪辑执行Agent 写 FFmpeg 命令的真实水平OpenMontage 的剪辑核心是调用 FFmpegAgent 负责生成具体的命令行参数。为了让工具调用更稳定我在 OpenMontage 的工具注册中心加了一个包装脚本render_video.sh把常用的滤镜、编码参数封装成几个函数。这么做不是多此一举而是实测总结出来的必要妥协让 Agent 直接写完整的 FFmpeg 命令出错率非常高但让它从几个预设方案里选一个再补充几个必要参数成功率能提升到 80% 以上。下面是一条在测试中生成的命令我稍微整理了一下加了换行方便阅读ffmpeg -y \ -f concat -safe 0 -i filelist.txt \ -vf scale1920:1080,fps30,subtitlessubtitle.srt:force_styleFontNameNoto Sans CJK SC \ -c:v libx264 -preset medium -crf 23 \ -c:a aac -b:a 192k \ -shortest \ output/final_video.mp4这条命令在语法上是正确的但也暴露了一个问题它默认所有素材时长加起来跟文案配音长度一致直接加了-shortest参数让成片长度跟随音频走。这样做的后果是如果某个素材片段的画面在台词还没说完时就放完了FFmpeg 会直接切到下一段素材导致画面与台词错位。更合理的做法是先统计每个片段的真实时长再决定如何缩放或补帧但这个逻辑对 Agent 来说太复杂了需要工具脚本自己实现。4.4 字幕、配音与成片合成字幕文件是 Agent 生成的副产物质量出乎意料地规整。它生成的标准 srt 格式里的时间轴与文案的语速估算基本吻合中文字幕也没有乱码问题。但这里有个前提我在工具脚本里已经强制指定了 UTF-8 编码和 Noto Sans CJK SC 字体如果没有这两项预设直接让 FFmpeg 原生渲染中文字幕大概率会出现方格字。这个细节在第一版实测时狠狠坑了我一次后面会专门讲。成片合成后我仔细看了几遍。画面是能看的镜头切换流畅字幕清晰音量也正常。但“能看”不等于“好看”。因为 Agent 没有真正的画面审美能力它选择素材的唯一依据是标签匹配所以画面之间没有任何构图逻辑或色彩逻辑的过渡。你看到的效果是一堆“说得过去”的素材被按顺序拼在一起有点像把十张好看的风景照做成幻灯片每一张单看都不错连起来却没有故事感。这也验证了我一直以来的判断AI Agent 擅长完成结构性的任务但离创造性的任务还有很长的路要走。5. 翻车现场与完整排查链路Agent 不是神但比想象中能打任何一个完整的 AI 工具实测不含踩坑环节都是不可信的。这一章我把这次测试中遇到的最典型的几个问题连同完整的排查过程写出来。这些经验比前面的成功案例更值钱因为它们是真实生产环境里一定会踩的坑而且很多坑官方文档里压根不会提。5.1 第一个翻车现场FFmpeg 滤镜参数被模型写错第一次跑通全流程时成片渲染到三分之一处直接报错退出。我打开日志看到 Agent 生成的 FFmpeg 命令里有一行是scale1080:1920把竖屏和横屏的分辨率写反了。这个参数如果单独看只是把画面比例写错但关键问题是下游的字幕文件、素材比例全都按横屏 1920x1080 生成这一个参数导致整条渲染链路全部错乱。我当时的第一反应是骂模型蠢但冷静下来分析问题不在模型而在调用方式。FFmpeg 的滤镜语法是高度规则化的像scale1920:1080这种参数对人类来说是常识但对语言模型来说它只是从训练数据中猜出来的文本组合猜错并不意外。所以修复方向不是换模型而是给工具脚本加参数校验逻辑。我在render_video.sh里加了一道检查如果scale参数的分辨率跟配置里设定的成片参数不一致脚本就直接拒绝执行并返回一条错误信息给 Agent让它重新生成。加了这道校验之后后面再没出过分辨率方向错误。这说明一个重要的经验不要指望模型不犯错而是要在工具层面建立防线让错误在最容易被发现的地方暴露。Agent 的容错靠的不是模型的智慧而是工具链的健壮性。5.2 第二个翻车现场中文字幕变成方框第二次测试渲染没报错但成片里的中文字幕全部显示为方框。这个问题我第一次遇到时毫无头绪因为 srt 文件打开看内容完全正常用播放器直接加载也没问题。这说明问题不在字幕文件内容而在渲染环节的字体和编码。排查过程我按三层逐一验证。第一层检查 srt 编码用file命令确认是 UTF-8没问题。第二层检查环境中文字体用fc-list :langzh查询系统中文字体结果发现这台服务器根本没装任何中文字体。第三层检查 FFmpeg 的字幕渲染模块需要确认 libass 是否编译进 FFmpeg单独执行ffmpeg -filters | grep subtitles确认支持。最终根因就是第二层没有中文字体FFmpeg 渲染时找不到可用字体只能输出占位方框。修复方法很直接安装 Noto Sans CJK 字体apt install fonts-noto-cjk装完字体后还要在 FFmpeg 命令里通过force_style指定字体名否则它仍然可能选中一个不含中文的字体。如果不指定就要在分镜脚本生成时把字体名作为固定参数传给 Agent 模板我前面在工具脚本里预设的FontNameNoto Sans CJK SC就是干这个的。这个坑提醒我AI 自动化真正要解决的往往不是 AI 本身的问题而是整个依赖链路的完备性。5.3 可复用的 Agent 排查方法日志先行、分步回放说了这么多我想把排查方法沉淀成一套可复用流程下次不管换什么 Agent 框架这套方法都成立。第一步看日志。OpenMontage 这类编排框架的日志会完整记录每一步的思考、行动、观察。遇到问题先别急着改代码先把日志从前往后翻一遍找到第一个“跟预期不符”的时间点问题基本就在它附近。第二步回放关键行动。找到出问题的工具调用之后把命令复制出来手动执行如果手动执行也报错说明问题在工具或环境如果手动执行成功说明 Agent 生成的参数有问题问题出在模型或提示词。第三步分步验证依赖。像字幕乱码这种问题单看日志根本看不出端倪必须手动检查字体、编码、FFmpeg 编译选项这些底层依赖。第四步做最小化复现。把任务缩减到只跑出问题的那个环节确认修复有效后再放回全流程。我把遇到的问题和修复方式整理成了一张表方便大家对照问题现象根因修复方式渲染中途报错退出Agent 生成错误的分辨率参数工具脚本增加参数校验拒绝执行异常配置中文字幕显示为方框服务器缺少中文字体、未指定字体名安装 Noto CJK 字体并强制指定字体名成片时长与配音不匹配Agent 直接使用 -shortest 截断工具脚本增加音画同步校验逻辑6. 实测之后哪些环节可以放手哪些必须人工把关跑完三轮完整实测我觉得可以聊点更有价值的话题了这东西到底能用在生产的哪个环节我见过太多人一上来就想全自动结果被各种细节问题折磨到放弃。实际上AI Agent 在视频生产里的定位应该是“高效实习生”而不是“全能主编”。搞清楚这个定位之后你会发现自己能省下大量时间但永远没法彻底撒手。6.1 可以放心交给 Agent 的环节首先文案初稿和分镜草稿这两个环节可以放心交给 Agent。它生成的内容在结构和语言组织上已经超过了不少初级员工后续只需人工花几分钟润色即可。这在需要批量产出视频内容的工作室场景里价值巨大。其次字幕文件生成、剪辑脚本生成这类规则明确的翻译型任务Agent 完全能胜任而且只要工具模板设计合理几乎不需要人工介入。最后素材的粗筛也可以交给 Agent它可以快速从素材库里勾掉明显不合适的片段把候选集从几百个缩到几十个为人工精挑节省大量时间。6.2 必须人工把关的环节素材的最终选择、事实性信息的核查、以及成片的整体节奏感这三件事目前必须人工把关。素材选择之所以不能全自动是因为 AI 无法理解“这个画面的情绪是否跟台词匹配”它只能匹配标签。事实核查更是重中之重我测试时让它科普“什么是本地大模型”它在文案里写了“大模型只有企业才能部署”这是个明显的错误表述我如果不核查直接发布就成了事实错误。成片节奏这东西就更是难靠机器判断了机器无法理解“这个镜头停留时间太长让人想快进”这种感知只能靠人。6.3 关于 OpenMontage 类工具的选型建议最后聊一下选型。现在市面上做 AI Agent 编排的工具不少OpenMontage 的特点在于它偏向媒体生成和文件处理类的任务内置的脚本执行、文件输出逻辑很顺手。而像 Dify 这类通用 Agent 平台更适合做知识库问答、客服机器人、业务流程自动化把它拿来跑视频剪辑会显得很别扭。我的建议是如果你要做的核心任务是“生成内容并输出文件”选 OpenMontage 这种方向明确的框架如果做的是“对话交互和知识检索”选通用的 Agent 平台更合适。不要被“万能工具”的宣传迷惑工具只有用在合适的场景里才有价值。另外提一句“AI Agent 与 LLM、AI 模型有什么区别”这件事。很多人把这些概念混在一起实际工作中我习惯用一句话区分AI 模型是“会回答问题的脑子”LLM 是其中专门处理语言的模型而 AI Agent 是“能调用工具去解决问题的系统”。你可以把 DeepSeek、Qwen 甚至 MiniMax 这些当成 Agent 的“大脑选项”OpenMontage 负责的则是把大脑连到四肢上。6.4 本地部署与云端 API 的选择参考如果你的任务量不大、也不涉及敏感素材用云端 API 反而是效率最高的选择。省去了硬件投入和运维成本模型能力也更强。但如果你的使用频率高、对隐私有要求、或者需要模型行为保持一致本地部署就更划算。这里给一个简单的决策标准平均每天调用量小于一千次优先用云端超过这个量或者素材敏感直接上本地。不要两头摇摆那样只会浪费时间。最后再分享一个只有实测才能得到的经验。我在真正将 OpenMontage 接入视频流水线之前一直以为最大的瓶颈是模型能力但跑完之后我发现最大的瓶颈反而是素材管理。模型再强工具再稳定素材库里没有合适的、带好标签的内容Agent 也只能“巧妇难为无米之炊”。我给素材库里的每一个片段都加了场景、景别、画面主体、情绪基调四个维度的标签这之后 Agent 的成片质量提升非常明显。如果你也想搭一条 AI 视频生产流水线我建议你从素材标签体系建设开始而不是先从模型折腾起。所有 AI 自动化的上限都取决于你给它准备的“燃料”有多干净。