前阵子有个朋友问我AI Agent 到底能不能真的自己做出一条视频从写脚本、找素材、配音、剪片子到加字幕整个过程不让人插手最后直接丢给你一个能发的 MP4。我决定不猜直接拿一个项目来实测。我选了 OpenMontage 这套面向媒体生产的 Agent 工作流在本地完成部署让它独立跑完一条完整的视频制作链路。这篇文章就是把整个过程摊开从概念、部署、配置到踩坑一步步讲清楚。如果你也在研究 AI Agent、本地部署、自动剪辑这些方向这篇内容应该能帮你少折腾几个晚上。先说结论给你个心理预期一条结构完整的视频AI Agent 确实能独立做完但这个“独立”是有条件的不是说你扔一句话过去就万事大吉中间有几个关键环节需要你提前把环境、工具和边界设置好。下面我把这套东西的细节全部展开。1. AI Agent 到底能不能做视频1.1 先厘清Agent、LLM、大模型到底是什么关系很多人一上来就被这三个词搞迷糊尤其是看到“今天又出了一个 Agent”和“DeepSeek 新版本”这种消息总觉得它们是同一个东西。其实关系很清晰DeepSeek 属于大语言模型也就是 LLM它的核心能力是理解和生成文本它不主动干活你问一句它答一句。Ollama 这类工具是帮你把开源模型在本地跑起来的运行环境。而 Agent 是在 LLM 之上封装出来的一套“会主动干活”的系统它负责拆解目标、规划步骤、调用工具、看执行结果然后决定下一步做什么。我用一个比较好理解的说法LLM 像一个专业知识很强但坐在屋里不动手的顾问你问什么都能给建议但它不会自己去改文件、跑命令。Agent 则像一个项目经理它背后可以调用顾问的大脑同时它手里握着工具列表能去执行操作、检查结果、再回来汇报。所以真正能“做视频”的是 Agent 这套编排系统而不是单纯一个模型。这也是为什么我只跑本地模型是不够的得把模型、剪辑工具、音频工具、素材库全部串起来让它们被 Agent 调度。OpenMontage 干的就是这件事它把 LLM 的规划能力、TTS 的声音生成、FFmpeg 的渲染能力、图像模型的画面生成能力统一封装成一套可编排的媒体生产管线。1.2 做视频这件事拆给机器到底难在哪视频制作看起来是一条流水线但它其实跨了好几种数据形态这是机器自动化最难的地方。你从“给我做一条讲本地部署 AI 的视频”到最终成片中间至少要经过选题拆解、写脚本、设计分镜、生成画面素材、生成旁白、合成音频、剪辑拼接、添加字幕、压制导出。每一步的数据形态都不一样文字变成语音是