粗略统计，过去一年至少 20 个「知名」团队，大厂、模型公司、明星创业公司，向市场交付了视频 Agent 产品。

但是每个宣传文案里都写着的「一句话生成视频」，好像从来没有达到用户的预期，久而久之，用户逐渐接受了：现阶段模型刚刚才能做好 10 秒钟的片段生成，生成超过 1 分钟的成片还不现实。

今年 3 月，LibTV 发布的时候，我们曾经问过 LibTV 团队，为什么没有做 Agent。他们说在规划中，但是，「再等等」。

三个多月后，LibTV 的 Agent 上线了。

我们提前测试了产品，并和产品负责人做了一些交流。

在 LibTV Agent 中，你可以直接选择一个 Skill，就像为项目请来一位专业又熟练的 AI 导演。接下来，Agent 会理解你的创作意图。从创意策划、分镜设计到成片剪辑，一次对话，就能交付一支可以直接发布的完整作品。

LibTV Agent 成品展示

产品体验地址：https://www.liblib.tv/

⬆️关注 Founder Park，最及时最干货的创业分享

我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。

如果你正在做 AI 相关的事，欢迎和我们聊聊。 

---

01

「成片」不是十几个镜头的拼接

为什么视频 Agent 很难做？为什么让 Agent 交付一段超过 1 分钟的成片那么难？

在 LibTV 的判断中，一支真正意义上的「成片」需要满足两个条件，缺一不可。

一是结构的完整性。它应该是一支可以直接放到内容平台上消费和使用的作品，有必要的片头、片尾、字幕和音乐，音画也保持同步。这条视频不需要再进任何后期软件，就能直接发布。

二是叙事的完整性。观众能看懂这支片子在讲什么，也能感受到创作者希望传递的情绪。这一层更难，因为情绪很少有一套可以直接套用的表达公式。

LibTV 产品负责人向 Founder Park 举了一个生动的例子：「就算是现在最好的模型，你让它做『恐怖的感觉』，它会生成一个鬼怪，这是它理解的恐怖。但人类真正认知的恐怖是，在一个没有人的楼道里面，听到了一点脚步声。」

LibTV Agent 的交互入口，很简单。

这并不完全取决于模型的智能水平。人类情感本身就很复杂，温馨可以藏在一次克制的告别里，温暖可能只是深夜街道上一家独自亮着灯的修车店。当文化语境、人物关系和叙事节奏稍有变化，相同的情绪就会呈现出不同的样子。通用 Agent 很难依靠一套固定逻辑理解所有情况。

也正因为如此，交付一支真正的成片，远比生成几段好看的画面复杂。Agent 要理解作品的主题和情绪，再据此安排分镜、控制节奏，协调声音、字幕与画面的关系。正是这些要求，决定了 LibTV Agent 的产品形态和技术架构。

02

Human in the loop，

Agent 负责执行

为了测试 Agent 的实际表现，我们选择了一个不算复杂，却考验叙事节奏和画面质感的任务：制作一条 50 秒的城市微纪录片，主题是「凌晨四点半开门的早餐店」。

在 Skill 上，我们选的是「专业影视」分类下的「观察式纪录短片」。它不像在现成模板里填充内容，更像是为项目确定了一位有明确创作偏好的导演，整支片子的视觉语言和镜头风格也随之成形。早餐店里的蒸汽、天亮前的街道和缓慢升起的晨光，构成了贯穿全片的情绪线索。镜头很少正面拍摄人物，更多时候落在揉面、揭开蒸笼、收钱找零等细节上，让一家早餐店从备料到迎客的过程自然展开。

创建任务后，LibTV Agent 没有直接进入生成。它先整理出旁白文案和分镜规划，并围绕人物、场景、光线与道具建立锚点，再将完整的故事板交给用户确认。这支片子要讲什么、每个镜头承担什么作用、人物和环境如何保持一致，用户都能在生成前看到并介入。

确认完成后，Agent 才开始依次生成图片、视频、音频和字幕。整个流程以组件化的方式呈现，不同素材被分区管理。想微调某一张图或某一段分镜，随时可以单独操作。

这种交互优势在修改成片时体现得更为明显。为了让部分画面更有烟火气，我们只输入了一句：「熟客进门的场景，人再多一些。」Agent 随即自动定位到对应分镜，重新生成该镜头的首帧图和视频片段，再将新素材合回整片，全程无需重做其他部分。对创作者来说，这种修改更接近一次范围明确的局部返工，减少了反复抽卡带来的时间和成本。

从最终结果看，成片的整体质感不错，画面风格保持统一，延续了「观察式纪录短片」Skill 那种克制与真实的气质。Agent 承担了大部分执行工作，同时给创作者留下了充分的判断和调整空间。用户可以用自然语言不断调整细节，无需弄懂节点、模型参数和复杂的剪辑软件。整个过程就像在与一位导演协作，你说清楚想要什么，Agent 负责找到对应的位置，把修改落实到成片里。

03

Agent+Skill，

让视频创作尽可能低门槛

Agent 的体验背后，是 LibTV 对如何降低视频类产品门槛的新思考。

过去，LibTV 主要服务于在视频创作领域有一些专业积累的人。他们熟悉不同模型的习性，习惯通过画布将想法转化为具体流程，LibTV 更多承担的是落地执行的角色。

但这个画像正在发生变化，越来越多没那么专业的人也在用 Seedance 2.0 做视频，并在抖音上获得了不错的声量。这批创作者未必了解模型参数，但他们有自己的想法。真正吸引观众的往往是创意本身，与掌握了多少工具无关。

Agent，是 LibTV 扩大服务人群的一种尝试，让更多「有想法，但专业能力还不够」的创作者进入视频生产。只要用自然语言说清需求，就能启动完整的创作流程，不必面对「画布」或「节点」等生涩的概念。

Agent 解决了「能不能用」的问题，真正决定一支片子质量的，仍然是它讲了什么、选择了怎样的表达方式，这正是 Skill 想补上的那一层。用户在 LibTV 中选择一个 Skill，调用的其实是专业导演在长期实践中积累的经验，涵盖前期策划、分镜设计、导演语言和剪辑节奏。不懂模型的用户，可以直接站在专业创作者的经验起点上开始做片子。

目前，LibTV 已经积累了超过 100 个优质 Skill，是全球最大的专业视频 Skill Hub，覆盖宽泛的创作场景。专业影视方向有韦斯·安德森、是枝裕和等风格，商业广告方向包含无厘头喜剧、皮克斯动画和高奢感 TVC，短剧漫剧方向覆盖女频、男频与手办动画，音乐 MV 则有 POP MV、梦核美学等选择。

据 LibTV 产品负责人介绍，Skill 的选题遵循两条思路。一是补下限，针对模型聚合之后仍然处理不好的问题，用通用 Skill 提高基础场景的完成度。二是提上限，从主流审美中寻找与具体场景结合紧密的方向，形成更鲜明的辨识度。以短漫剧为例，「甜宠」和「权谋」虽然属于同一种内容形式，创作逻辑却不相同。前者更重视人物关系和情感互动，后者通常强调冲突和节奏，因此需要分别沉淀为不同的 Skill。

LibTV 判断，多模态领域的 Skill 生态会形成长期壁垒，原因在于审美没有唯一答案。覆盖的风格越丰富，沉淀的创作经验越细，Skill 体系能够处理的需求也就越多。

更重要的是，Skill 并不是完全独立运行。它被写进 LibTV 自身的 Agent 框架，由 Agent 理解创作意图，再根据任务选择模型、调度工具。即便 Skill 的表层内容被复制到另一套 Agent 系统，离开原有的模型组合和调度方式，也很难复现相同的结果。

长期来看，Skill 的价值还会在使用中继续积累。用户如何选择、修改和使用 Skill，都会逐渐沉淀为偏好与 Memory，让 Agent 更了解每个人的审美。创作者也可以发布自己的 Skill，把个人经验转化为可重复调用的创作方法。当更多细分风格和专业经验进入这个体系，LibTV 积累的不再只是 Skill 的数量，也是一张持续生长的创作经验网络。

04

「等用户教我们怎么做产品」

Timing 很重要。为什么在这个时间点发布 Agent？

「你可以说，我们在等用户教我们怎么做产品」。使用 LibTV 做出可交付的作品的创作者们，会交给产品团队，什么样的 Agent 是用户真正需要的。

专业用户在 Workflow 中留下了大量真实的需求、制作过程和最终结果。这些数据让 LibTV 能够判断，面对不同的创作需求，Agent 应该采用什么样的导演思路，又该如何调度工具完成制作。专业用户的经验构成起点，普通用户的使用不断扩大数据规模，形成一个持续运转的飞轮。谁更早获得足够多的有效数据，谁就更有机会做出真正懂创作的 Agent。

在这套逻辑下，模型能力只决定了 Agent 的一部分表现。基础模型会持续进步，逐渐成为行业共享的能力。长期影响 Agent 使用体验的，还是它积累了多少经过验证的创作经验，能在多大程度上理解用户意图，以及背后是否有足够丰富的 Skill 生态。

对 LibTV 来说，这是用户规模真正开始扩大的起点。

更多阅读

独家｜Looki 完成数亿元 A1 轮融资，加速迈向物理世界 AI 推荐引擎

独家 | Robopoet 完成亿元级 Pre-A 轮融资，芙崽开始走向全球化

AGI Playground 2026 议程公布：景鲲、刘靖康、AMI Labs、MiniMax 都来了！

万字复盘：从模型到可用Agent，WorkBuddy的Harness工程是怎么做的？

2026 国内新增独角兽全梳理：3 天一家、AI 和机器人占了一半，DeepSeek 估值最高

转载原创文章请添加微信：founderparker