我想让 Agent 一句话做完视频，最后还是自己进了剪映

YunLab · 第一次 Agent 视频制作记录

林鹿我做了一个多月，目标一直没变：我说一句话，它自己把一条短视频做出来。不是帮我写个脚本，也不是给我几段素材，是剧本、分镜、人物、画面、配音、配乐、剪辑一路跑到底，最后把成片交给我。

前面我写过，林鹿做一支 45 秒的林黛玉进贾府，一个月推翻三次还没出片。后来我又把“做个视频”拆成九个节点。可拆完以后，这件事还是没成。我跟 AI 一起修出一个片子，不等于林鹿自己会做片子。这是两码事。

我那时先把锅扣在了本地模型头上。模型不够强、机器跑得慢、工作流不成熟，所以我一直在换模型、调参数、补节点。我以为只要把底下这台发动机换强一点，“一句话出片”迟早能跑通。

我花了一千多元，想把本地没走通的路走通

这次刚好要做一条公益视频。我想得很直接：本地不行，就上 API。云端模型更强，工具也完整，也许本地差的那口气，花钱就能补上。

我开始用 MiniMax Hub，充了一个一千多元的套餐。

真正开工前，我还认真做了前期。我先让 Kimi 跑了一次深度研究，把脚本、角色、场景、镜头视角、台词、分镜和执行方案全做出来。一项没少。我当时真觉得，前期细到这个程度，后面只剩执行了。

MiniMax Hub 开头也确实没让我失望。它能读材料、拆任务、出图、生成视频，东西还都放在一个项目里。最初出来的很多画面，我是满意的。单个镜头拎出来看，甚至会觉得这次真走通了。

第一版：镜头都能看，片子不能看

第一版粗剪一出来，我就知道不对。

问题还真不是哪个镜头特别差。恰恰相反，很多镜头单看都不错。可人一会儿变，东西一会儿换，前一个镜头和后一个镜头没接上，情绪也没落到我想要的位置。有些动作挺好看，我却说不清它为什么要放在这里。

这也是 AI 视频最容易骗我的地方：每张图都能夸，每个镜头都像能用，连起来却不是一条片。

我把粗剪拿给 ChatGPT，让它帮我审片、找问题、重新想结构。我当时还有个挺天真的判断：ChatGPT 说的是“机器话”，再把这些修改意见交给 MiniMax Hub，肯定比我自己说得更准，也更省事。

结果它只是让我改得更快，也改得更多。

建议越列越多，修改越拆越细，新旧片段也越堆越多。我告诉它这里不对，它重做；重做以后，旁边又冒出一个新问题。到后来，我已经不是在把一条片改好，是在一堆版本里继续找那条片到底在哪。

再后来，MiniMax Hub 直接卡死了。不是出片慢，也不是等一会儿就好，是整个项目已经不能输入修改意见，什么都做不了。我的机器是 96GB 统一内存的 M3 Ultra Mac Studio，当时活动监视器里 MiniMax Hub 自己只占 3GB 多，它照样卡在那里。

我最后把这个项目从 MiniMax Hub 的项目目录里移出去，应用才重新能用。第一轮就这么停了。我换个办法，从头再来。

第二版：先把图做对，片子还是不对

卡死以后，我重新翻第一批素材，才发现自己前面盯错了。剪辑当然有问题，原料也有问题。人物不像同一个人，场景一会儿一个质感，道具到了下个镜头就换了样。拿这种东西往下剪，后面再怎么补也很难统一。

所以第二轮我没急着做视频。我先借助 ChatGPT 的做图能力，重新做了一批人物图、场景图和关键帧，把人、地方和重要道具先钉住，再把这些图交回 MiniMax Hub，让它往下生成片段。

有了图片和关键帧，第二版粗剪很快就出来了。还是不对。

我继续改人、改镜头、改顺序、改故事。最难受的是，每改一次，局部好像都好了一点，整条片却越来越不像我想讲的东西。时间越花越多，片段越攒越多，我对结果反而越来越不认。

后来我又让 GPT 把整个故事重新捋了一遍。原来铺得很开的东西，最后收成三个问题：你能扛多久？你若倒下，谁替你扛？你留下的，是牵挂，还是安排？

这回不是改几个镜头，是方向变了。我再让 MiniMax Hub 按这三个问题继续做片段。

第三版以后，我不让它交成片了

第三版粗剪出来以后，我终于不跟它较这个劲了。

我认的不是模型不会生成。它会。它能读剧本，能出好图，也能做出挺好的视频片段。可哪一秒该留、哪一秒该删，这里为什么要停一下，那个声音什么时候进来，它交不了我脑子里那条片。

所以我把任务改了：别给我成片，只给我能用的小片段。片段出来，我自己挑，自己放进剪映里拼。

最后的剪辑、配音、音效、配乐和节奏，都是我自己在剪映里一点点收的。剪映素材库里有合适的声音，我就直接用；确实没有，再考虑让模型单独做。最终导出来，106.6 秒。

这条片还有一堆问题。人物跨镜不完全一致，动作和道具会跳，有些画面一眼就是 AI 生成的。它不是一条成熟的商业片，我对它也只是相对满意。

但我会把它留下来。因为这是第一次，我真用 Agent 走完了前期、图片、视频片段，再由自己把剪辑、配音、配乐和导出收完。不是 Agent 替我做完了一条视频，是我和 Agent 第一次把一条视频做完了。这个差别很大。

这次我认了五件事

1. 别再幻想把整条片从头到尾交给 Agent。至少现在，无论本地还是 API，都不现实。它能把一段做得很好，却不知道整条片什么时候才算“对”。
2. 关键的地方，我必须在场。故事到底讲什么、这个人对不对、这个镜头留不留、情绪到了没有，这些不能外包。
3. 让 Agent 做片段，我来剪。任务越小、边界越清楚，它越好用。让它直接交整条成片，反而容易把所有问题一起藏进去。
4. 前期可以大胆用 LLM。剧本、台词、镜头语言、人物、场景、道具，都可以让 Kimi、ChatGPT 帮忙研究和整理。它们很适合把一团想法铺开，但最后选哪条，还是我拍板。
5. 最后的剪辑，还是得自己来。Agent 能听懂我写下来的要求，替不了我脑子里那个“对”。哪怕我觉得自己已经讲得够清楚，也一样。

真要再做一次，我会这么省钱

1. 先把图片做对，再花钱做视频。ChatGPT、Grok 这类做图入口，能用免费额度就先用。人物、场景和关键帧先统一，后面的视频返工会少很多。
2. 先做无声的小片段。一开始别管音效和音乐。画面先过，最后进剪映或其他剪辑软件找合适的声音；里面确实没有，再让模型单独做。
3. 有图片和关键帧，抽卡会少一点，不是不用抽。每一段还是得盯人脸、手、动作、道具和前后连续性。一个片段单独好看，放进整条片不一定能用。