AI视频生成进入Agent时代：从"单镜头抽卡"到"一句话出片"的技术跃迁

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

如果你关心的是"AI视频现在到底能做到什么程度"——结论很明确：2026年的AI视频工具已经从"只能生成5秒片段"进化到了"一句话交付一支有剧情、有分镜的完整短片"。这背后的关键变量不是模型画质再提升10%，而是一种叫Video Agent的新架构——它不再等着你手动写提示词、抽卡、拼素材，而是自己拆解任务、规划流程、调度模型、剪辑成片。

换个好理解的说法：过去的AI视频工具是一台功能强大的相机，能不能出好片全看你的手艺；现在的Video Agent更像一个AI导演，你告诉它"我要一支45秒的游戏PV，主角是孙悟空"，它会自己写分镜、出画面、配音乐、剪片子。

这篇文章是我（莫潇羽@无忆研习社）在深入研究LibTV（由哩布哩布AI于2026年3月推出）等平台后，对Video Agent技术范式的一篇系统梳理。文章会从技术演进脉络讲起，拆解Agent的架构设计、Skill机制、底层模型能力，再结合真实的短剧和广告案例把整个流程走一遍，最后聊一聊国内平台的合规要求和这套技术对内容生产的真实影响。想看完整拆解，往下翻。

一、AI视频的进化：从"生成片段"到"完成一支片子"

要想真正理解Video Agent为什么重要，得先把AI视频这几年的进化脉络看清楚。

1.1 四条技术台阶

AI视频生成在短短两年里爬了四条大台阶。我把它整理成下面这张表，看起来会更直观：

2024年那会，AI视频圈讨论的话题还很简单：哪个模型生成的5秒片段最惊艳？Sora的画面电影感强但手指经常画错，Runway的运镜精准但画面总觉得少了点叙事的连贯性。整个行业其实陷在一个挺尴尬的循环里：生成一段→检查→不满意→重新生成→继续检查，来回折腾，能用的素材得从几十段里"抽卡"一样挑出来。

用过的朋友应该深有体会——工具确实挺酷，但你的工作量一点没少。

1.2 真正卡脖子的不是画质

到2025年底、2026年初，情况发生了质变。

顶级的AI视频模型——可灵3.0、Seedance 2.0、Veo 3.1、Sora 2——在画面质量上集体撞到了"够用"的天花板。不是说画质不再提升，而是对绝大多数内容生产场景来说，1080P甚至4K的高清画面、稳定的人物一致性、自然的物理运动，这些已经不再构成瓶颈。

真正的瓶颈转移到了别的地方：从"能不能生成好看的画面"变成了"能不能端到端做出一条完整的片子"。

这就好比你有一台顶级相机，但要拍出一部好电影，你还需要导演、编剧、场记、剪辑师、配乐师。过去的AI视频工具只管"拍摄"这个环节，剩下的全得靠人来兜底。而2026年的Video Agent，试图把整条生产线都交给AI来跑。

1.3 Agent化的三个驱动力

为什么这个时间点爆发了Agent化？我观察下来有三个关键推力：

• 模型能力收敛：如前所述，画质不再是瓶颈，Agent可以放心调度多款模型而不用担心输出品质断崖。
• 任务编排需求溢出：当一支片子从3个镜头增长到30个镜头时，人类手动管理的复杂度爆炸式增长，自然呼唤自动化编排。
• MCP与A2A协议成熟：模型上下文协议（MCP）和Agent间通信协议（A2A）在2025年下半年趋于成熟，让Agent能够稳定地调用外部工具、串联多个模型、管理长链路任务。

这三股力量一汇合，AI视频就从"工具"变成了"协作者"。这就是2026年最大的故事线。

下面这张Mermaid图可以帮你直观理解传统AI视频流程和Agent化流程的差异：

flowchart LR
    subgraph A["传统AI视频流程"]
        A1[人类写提示词] --> A2[生成片段]
        A2 --> A3{满意?}
        A3 -->|否| A1
        A3 -->|是| A4[人类手动拼接]
        A4 --> A5[人类配音配乐]
        A5 --> A6[成片]
    end

    subgraph B["Agent化视频流程"]
        B1[人类描述需求] --> B2[Agent拆解剧本]
        B2 --> B3[Agent规划分镜]
        B3 --> B4[Agent批量调度模型]
        B4 --> B5[Agent自主剪辑+配音]
        B5 --> B6[成片]
        B6 --> B7{人类审核}
        B7 -->|调整| B1
        B7 -->|通过| B8[交付]
    end

传统流程里，人类是每一步的执行者；Agent化之后，人类变成了"提需求+审结果"的决策者，大量重复执行的脏活累活被Agent接过去了。

二、Video Agent是什么：理解AI视频的新范式

上一章交代了大的技术演进背景，这一章我们聚焦到核心概念上：到底什么是Video Agent？它和之前那些AI视频工具有什么本质区别？

2.1 两个维度的区别

传统AI视频工具（不管是Sora还是可灵、即梦）本质上都是"生成器"：你给它输入，它吐出输出。输入可以是文字、图片、视频片段，输出就是一个视频片段。至于这个片段怎么放进一支完整片子里、前后镜头怎么衔接、配什么音乐、节奏怎么把控——这些统统不关它的事。

Video Agent则完全不同。它不再把自己定位成一个"生成器"，而是一个"制片人"：它能自主完成从需求理解到成片交付的全流程。

我用一个对比表格把这个差异说清楚：

这个差别的本质，用技术圈的话说就是：工具提供的是能力（capability），Agent提供的是服务（service）。你买了一台好相机不等于你能拍出好电影，但你请了一个好导演，你只需要说"我想要什么感觉"，剩下的事他来搞定。

2.2 Agent背后的三根支柱

Video Agent之所以能成为一个"制片人"而不是"工具"，是因为它背后有三根技术支柱在撑着。这三根支柱不是视频生成领域独有的，而是整个AI Agent技术栈的通用基础，但它们在视频生产场景下表现出了特别强的威力。

支柱一：记忆管理

Video Agent必须在长任务中"记住"上下文。比如做一支2分钟的短剧，可能涉及20个镜头、5个场景、3个角色。Agent需要记住每个角色长什么样（人物一致性）、每个场景的美术风格、前后镜头的衔接逻辑。这不只是"记住提示词"那么简单——它需要维护一套结构化的项目状态，包括角色三视图、场景锚点、分镜时间轴、已生成素材的元数据。

以我体验过的某平台为例，Agent内部维护了一个类似下面这样的状态结构（伪代码表示）：

项目状态 {
  角色库: {
    "女主": { 三视图: [...], 脸型锁: "瓜子脸", 发型: "黑长直", 服装风格: "职场风" },
    "男主": { ... }
  },
  场景库: {
    "办公室": { 风格参考: [...], 光照: "暖色调顶光" },
    "咖啡厅": { ... }
  },
  分镜时间轴: [
    { id: 1, 时长: "0-10s", 角色: ["女主"], 场景: "办公室", 运镜: "中景推进", 生成状态: "done", 视频ID: "xxx" },
    { id: 2, 时长: "10-18s", 角色: ["女主","男主"], 场景: "咖啡厅", 运镜: "双人中景", 生成状态: "processing" },
    ...
  ]
}

有了这套记忆系统，Agent才能在20个镜头跑完之后，保证女主从第一个镜头到最后一个镜头长得一样、穿得一样、气质一样。做过AI视频的朋友都知道，人物一致性是一大痛点，过去只能靠反复抽卡和手动挑选来勉强维持，现在Agent可以自动帮你锁住。

支柱二：工具调用

Agent需要能"动手"——调用各种各样的工具来完成不同环节的任务。在视频生产场景中，这意味着Agent需要能操作：

• 文生图模型（生成首帧图、人物设定图、场景参考图）
• 图生视频模型（把首帧转成动态画面）
• 视频衔接模型（在两个镜头之间生成过渡动画）
• 语音合成引擎（生成台词配音，中英双语）
• 音乐生成模型（为成片配上背景音乐）
• 剪辑工具链（拼接片段、对齐时间轴、添加转场）

以目前市面上比较成熟的方案来看，一个Video Agent通常集成了5到8款模型，根据任务环节自动切换。比如在出图阶段用Seedream，出视频阶段用Seedance 2.0或可灵3.0，配音阶段用专门的TTS引擎。

支柱三：规划推理

这是Agent最核心的能力。拿到一个需求——比如"做一支45秒的后室游戏PV，主角孙悟空对战海盗克拉克"——Agent需要自己拆解成可执行的步骤：

1. 理解"后室"的美术风格（阴暗、潮湿、工业感空间）
2. 规划三段式结构（引导流15秒→剧情流15秒→战斗流15秒）
3. 为每段分配镜头数和具体内容
4. 判断需要哪些角色素材（孙悟空、海盗克拉克）
5. 确定运镜逻辑和节奏
6. 生成完毕后检查衔接流畅度
7. 发现问题时自动补过渡或返修

这一整套规划不是写死在代码里的，而是Agent基于大语言模型的推理能力动态生成的。这也是为什么Video Agent能适应完全不同的视频类型——短剧、游戏PV、产品广告、变装视频——它不用每种类型都写一套规则，而是靠LLM来理解需求并生成相应的执行计划。

2.3 一个具体的例子来理解

说这么多理论可能有点抽象，我们拿一个真实的视频生产场景来对照着看。

假设你要做一支30秒的智能咖啡机产品宣传片。传统方式下，你的操作路径大概是：打开AI视频工具→为镜头1写提示词→生成3到5个候选→选出最好的→为镜头2写提示词→生成候选→选出→……→凑够6个镜头→打开剪辑软件→手动拼接→找配音→找背景音乐→导出。快的话一个下午，慢的话一整天。

Agent化方式下的操作路径是：在对话窗口输入"做一支30秒智能咖啡机宣传片，清晨厨房场景，展示研磨、萃取、出杯全流程，温暖质感风格"→Agent自动拆成6个分镜→批量生成6张首帧图→一键转视频→自动拼接→自动配音配乐→30分钟后交付成片→你审核，指出"第三个镜头萃取特写不够细腻"→Agent自动返修那个镜头→重新拼接交付。

这不是科幻，是2026年已经可以稳定跑通的流程。

三、画布+节点+工作流：一份产品架构的深度拆解

前面两章讲的是"为什么"和"是什么"，这一章我们深入到"怎么设计"——以一个典型的Video Agent平台为参考，拆解它的产品架构和工作流设计。

说明：本章的架构分析基于对LibTV（liblib.tv）等平台的公开资料研究，并结合我作为内容创作者的使用视角进行归纳。不同平台的具体实现会有差异，但核心设计理念是相通的。

3.1 无限画布：为什么不是传统的对话式交互

不知道你有没有想过一个问题：为什么专业的AI视频创作平台不直接做成"聊天框"的形式？你打字，AI出片，多省事。

答案在于"可控性"和"复杂度"之间的张力。

聊天框交互适合简单任务——"帮我生成一只猫走路的视频"，一句话就够了。但真实的内容生产从来不是这样。比如做一支短剧，你需要管理十几个角色、几十个场景、上百个镜头素材。这些信息堆在一个对话线程里，很快就变成一团"上下文烂泥"——你不知道第三个镜头用的是哪张图，也不记得女主在第五个镜头里穿的是哪件衣服，Agent也记不住，因为对话上下文窗口再大也有上限。

画布（Canvas）解决了这个问题。它把每一个素材、每一个中间产物都变成可视化的"节点"（Node），节点之间用线连接，构成完整的工作流。你一眼就能看到整支片子的骨架：脚本→人物设定→分镜→视频片段→剪辑合成。每个节点是一个确定的、可复用的资产，而不是一段对话历史里模糊的记忆。

我画一张简化的概念图，帮你建立直观感受：

flowchart TB
    SCRIPT[" 脚本节点\n剧情描述+人物设定"] --> STORYBOARD[" 分镜节点\n拆解为N个镜头"]
    STORYBOARD --> CHAR[" 角色节点\n人物三视图+风格锁"]
    STORYBOARD --> SCENE[" 场景节点\n环境参考图+美术风格"]
    CHAR --> FRAME1[" 首帧图-镜头1"]
    CHAR --> FRAME2[" 首帧图-镜头2"]
    CHAR --> FRAME3[" 首帧图-镜头N"]
    SCENE --> FRAME1
    SCENE --> FRAME2
    SCENE --> FRAME3
    FRAME1 --> VID1[" 视频片段-镜头1"]
    FRAME2 --> VID2[" 视频片段-镜头2"]
    FRAME3 --> VID3[" 视频片段-镜头N"]
    VID1 --> EDIT[" 剪辑合成节点"]
    VID2 --> EDIT
    VID3 --> EDIT
    AUDIO[" 配音+配乐节点"] --> EDIT
    EDIT --> OUTPUT[" 成片输出"]

这个结构看起来不复杂，但它的威力在于：任何一个节点出问题，你只需要修那个节点，不用从零重做。比如镜头3的女主脸崩了，你就重新生成镜头3的首帧图，后面的视频生成和剪辑链路自动沿用新图——这在聊天框式的交互里几乎不可能做到。

3.2 五种基础节点

在实际平台中，画布上的节点通常分为五类，每一类承载不同的数据类型和操作能力：

其中，脚本节点是整个工作流的发动机。你给它一段文字——可以是完整的剧本，也可以是简单的场景描述——它会自动拆解成一张分镜表，包含每个镜头的景别（远景/中景/特写）、运镜方式（推/拉/摇/移）、动作描述和预估时长。

这里有一个容易被忽视但非常关键的设计细节：脚本节点的输出不是"锁死"的。Agent拆解出的分镜表只是初稿，你随时可以在表格里增删改，调整镜头顺序、修改运镜方式、甚至替换整个角色。这保证了人类创作者在整个流程中始终握着方向盘，不是被Agent"代替"了，而是被Agent"辅助"了。

3.3 工作流的搭建与复用

节点连成线，线构成流。一个完整的工作流跑通之后，最聪明的做法不是下次再搭一遍，而是把它保存成模板。

这里就涉及到一个在创作者群体里讨论度很高的话题：工作流的"原子化"和"可复用性"。好的工作流设计应该做到——换一套角色和场景，同一套流程能直接复用。比如你搭好了一条"产品广告"工作流（脚本→产品图→场景图→分镜→视频→剪辑→配音→成片），下次换个产品、换句文案就能直接跑，不用从零搭。

更进一步，更高阶的用法是把工作流抽象成"Skill"——这就是下一章要重点讲的内容。

3.4 双入口设计：给人类用的和给Agent用的

回到2026年的设计前沿，一个很有意思的趋势是双入口架构。同一个平台，同时服务两类用户：

人类入口：图形化画布，拖拽节点、连线、手动调参。目标用户是专业创作者，需要精细到每一帧的控制力。

Agent入口：通过Skill接口暴露平台能力，允许外部AI Agent（比如Claude Code、Codex CLI、OpenClaw等编码Agent）直接调用。Agent读Skill的描述文档，知道每个接口能干什么，然后按照任务需求自动编排调用顺序。

这两种入口共享同一套底层能力，但交互方式完全不同。人类走GUI，Agent走API——殊途同归。这个设计意味着，你可以在GUI里手动搭好一个工作流，然后把它发布成一个Skill；别的Agent（或你自己的Agent）就能直接调用这个Skill，在自动化管线里复用你的"手艺"。

用一段简化的伪代码来示意Agent调用Skill的过程：

# Agent侧的逻辑（简化示意）
task = "生成一支45秒女频短剧，剧本如下：{...}"

# Step 1: Agent理解任务，匹配Skill
skill = match_skill(task, skill_library)
# 匹配到 "女频短剧生成" Skill

# Step 2: Agent按Skill定义的工作流执行
storyboard = skill.analyze_script(task.script)
characters = skill.generate_characters(storyboard.roles)
frames = skill.batch_generate_frames(storyboard.shots, characters)
videos = skill.batch_generate_videos(frames)
final = skill.composite_and_dub(videos, task.script)

这段伪代码不是我造的，类似的逻辑在LibTV的公开Skill仓库（github.com/libtv-labs/libtv-skills）里有完整的实现参考。对技术细节感兴趣的朋友可以去翻源码——我在这里就不展开了。

四、Skill系统：Video Agent的"技能包"机制

上一章讲到工作流可以复用，这一章我们深入聊一聊已经在多个平台落地的"Skill"机制。它可能是整个Video Agent体系里最巧妙的发明——因为它把"专业创作者的工艺"变成了"可分发、可调用的数字资产"。

4.1 什么是一个Skill

一个Skill本质上是一个打包好的工作流。它包含三样东西：

• 流程定义：从输入到输出的完整步骤序列。比如"女频短剧生成Skill"定义的是：剧本分析→角色三视图→场景美术→分镜拆解→批量出图→批量出视频→剪辑配音→成片。
• 风格锚点：固化下来的美术风格参数。比如"游戏实机PV Skill"内置了引导流、剧情流、战斗流的三段式结构模板，以及每个段的色调参考、运镜偏好、节奏设定。
• 接口声明：声明这个Skill接受什么输入（剧本、角色参考图、场景图等），产出什么输出（完整视频），以及中间哪些节点允许人类干预。

用程序员的思维来类比：Skill就像是一个"函数"，输入是创作需求，输出是成品视频；而Skill库就是一个"函数库"，你可以直接调用现成的，也可以自己写新的。

4.2 内置Skill库：100多个风格模板

以我研究的平台为例，内置Skill库覆盖了100多个常见的视频风格。我把它们归成了几大类：

这些内置Skill的价值在于：它们封装了经过验证的"最佳实践"。比如"女频短剧生成Skill"，不是你随便写几个提示词拼起来的，而是基于大量热门女频短剧的数据分析，固化了这一品类在人物造型（精致感、柔光肤质）、画面色调（暖色系、偏粉）、镜头节奏（短镜头快切+情绪镜头慢推）等方面的通用规律。

对于刚入门的创作者，直接用这些内置Skill就能快速出片，不用从零摸索。

4.3 自定义Skill：把爆款视频提炼成可复用模板

内置Skill虽然覆盖广，但还是那句话——每个人想做的东西不一样。遇到"我想仿拍这个爆款变装视频"或"我们公司的广告模板要固定下来"这种需求，就需要自定义Skill。

自定义Skill的流程大致是这样：

1. 投喂参考：上传一条或多条参考视频给Agent
2. 结构拆解：Agent自动分析参考视频的镜头结构、节奏变化、转场方式、色调风格
3. 逻辑提炼：Agent把分析结果抽象成可复用的流程模板——不是"记住"参考视频的每一帧，而是"总结"出通用的镜头公式
4. 模板生成：生成一个新的Skill，包含分镜逻辑、风格参数、配音方案
5. 测试调优：用新内容跑一遍，根据结果微调Skill定义

这个能力特别适合做系列化内容的创作者。举个例子：一个美妆博主想做10条不同主题的变装视频，以前的做法是每条都从零搭一次。现在可以——找一条已经火了的变装视频，让Agent提炼成Skill，然后换人物、换服装、换BGM，批量产出10条风格统一但不重样的视频。

flowchart LR
    REF[" 上传参考视频"] --> ANALYZE[" Agent拆解结构"]
    ANALYZE --> PATTERN["镜头节奏\n转场方式\n色调风格\n配乐逻辑"]
    PATTERN --> SKILL[" 生成新Skill"]
    SKILL --> TEST[" 测试运行"]
    TEST -->|调整| PATTERN
    TEST -->|通过| PUBLISH[" 发布到Skill库"]

4.4 Skill的共享与生态

Skill不只是个人用的。某些平台开放了Skill的团队共享和企业级管理——一个团队里，技术最强的那个成员搭好Skill，其他人直接调用就行，大幅降低团队内部的技能门槛。

从更宏观的视角看，Skill生态系统一旦跑起来，会形成类似App Store的正循环：创作者上传Skill → 用户使用Skill → 用户反馈 → Skill优化迭代 → 更多用户受益。这种生态效应一旦形成，平台的护城河就不再只是"我的模型比你的好一点点"，而是"我有几千个经过实战验证的精品Skill"。

这也是为什么2026年的AI视频竞争正在从"模型军备竞赛"转向"生态位之争"——模型能力趋于收敛之后，谁能更快地帮创作者把工艺沉淀成资产、把资产流通成生态，谁就占住了下一个身位。

五、实战拆解一：AI短剧的工业化生产流程

前面四章侧重"讲道理"，从这一章开始，我们进入"看实战"。我会以两个具体的视频类型为例，完整拆解Video Agent从输入到输出的全过程。第一个案例是当前最热的AI短剧。

5.1 为什么短剧是AI视频的第一战场

先聊几句背景。短剧之所以成为AI视频落地最快的品类，不是偶然的，有几个结构性原因：

• 产量大、周期短：传统真人短剧一集1到2分钟，一部剧80到100集，总时长在100到200分钟。2026年第一季度全行业上线微短剧约12.8万部，靠纯人工拍摄根本撑不住这个供给量。
• 成本敏感：真人短剧的制作成本在持续走高——演员、场地、设备、后期，一集下来动辄几千到上万元。AI短剧在漫剧品类上每分钟成本可以压到几百到几千元，效率优势明显。
• 视觉风格适配：AI目前在"动漫风格""古风""奇幻"等非写实风格上表现极其稳定（写实真人风格仍有恐怖谷效应），正好契合了当前短剧市场的主流审美。

所以你可以看到，2025年下半年到2026年春节，AI漫剧扎堆上线，已经从一个"实验品"变成了"主流内容形态"。根据公开数据，2026年春节档AI剧的上线量已经远超真人剧——当然，真人剧的单部播放量目前仍然大幅领先，但AI剧的追赶速度非常快。

5.2 女频短剧的全流程拆解

下面我以一支典型的2分钟女频短剧（都市情感题材）为例，把Agent自主规划的全过程拆出来。我会用表格的形式把每个环节的耗时、Agent操作、人类参与度都列清楚。

输入：一段约800字的剧本片段（包含男女主在办公室和咖啡厅的两场对手戏）。

Agent全流程：

总耗时：约35到55分钟（取决于返修量和不满意镜头的重生成次数）。

人类总操作次数：约8到12次（主要是审核确认和局部调整），远低于传统流程下几十甚至上百次的手动操作。

5.3 两个容易忽略的细节设计

在实际体验中，有两个设计细节特别值得一提：

第一个是"选择式交互"。Agent在生成过程中遇到不确定的情况时，不会自己瞎猜，而是弹出选择框让人决策。比如生成女主三视图时，Agent可能会给出三组不同风格的方案——A组偏甜系、B组偏冷艳、C组偏知性——然后让你选。这种"人机协同"的设计远比"AI全自动跑完给你一个不确定的结果"更靠谱。

第二个是"双视图管理"。Agent在后台同时维护两套视图：一个是工作流视图（节点连线，适合做技术性的提示词调整和画面精控），另一个是故事板视图（按时间轴排列的分镜卡片，适合做叙事层面的整体把控）。两套视图数据实时同步——你在故事板里移动了一个镜头的顺序，工作流里的节点连线自动跟着变。这个细节对实际工作效率的提升非常大，省去了大量"在两个模式间切来切去"的无效操作。

5.4 我踩过的一个坑：先跑通再精修

最后分享一个我自己折腾过程中总结出来的经验：做长流程视频，最重要的操作心法不是一开始就追求每个镜头完美，而是先让Agent把完整结构跑通，再针对衔接、动作和节奏进行定点返修。

为什么？原因很朴素——一支2分钟的短剧有十几个镜头，如果你每个镜头都"抽卡"到完美才往下走，很可能在前三个镜头上就耗光耐心。更致命的是，等你精修完前三个镜头回头看，可能会发现第四个镜头的角色风格跟前面对不上了——因为你在修前三个的时候改了某些参数，导致后面的生成偏离了方向。

高效的做法是：第一遍让Agent用默认参数快速跑通全片（哪怕画面不够精致），得到一个完整的时间轴骨架；第二遍再逐个镜头精修——这时候因为你已经看到了整支片子的全貌，你能更准确地判断"哪个镜头是关键、必须精修"和"哪个镜头过得去就行"。

而且我自己的经验是，精修时不要用自然语言笼统地说"第三段节奏不够好"，Agent很难理解这种主观评价。更有效的做法是给它具体指令，比如"镜头7和镜头8之间的过渡缩短到1秒"、"镜头12改成从男主背后跟拍的视角"。指令越具体，Agent返修的命中率越高，你来来回回的沟通成本就越低。这个技巧适用于所有Agent类工具——它们擅长执行精确指令，不擅长揣测模糊的美学偏好。

六、实战拆解二：游戏PV与商业广告的Agent化制作

短剧是"剧情驱动"的视频类型，Agent需要处理的核心是人物和叙事。游戏PV和商业广告则不同——它们要么是"视觉驱动"（游戏PV讲究画面的冲击力和节奏感），要么是"产品驱动"（广告必须保证产品主体的绝对一致性和质感）。这恰好可以检验Video Agent在非剧情类视频上的表现。

6.1 游戏实机PV：多段式结构的自动化编排

游戏PV（Promotional Video，宣传视频）是游戏宣发中最常用的素材类型。一支典型的游戏PV时长在30到60秒，核心挑战是：要在极短的时间里，用极具冲击力的画面和紧凑的节奏，把游戏的核心玩法、世界观和爽点传达出来。

拿"孙悟空进入后室"这个概念来举例——这是一个跨IP的创意组合：把中国神话角色放进西方的都市怪谈场景，制造反差和悬念。以此为例，Video Agent的编排逻辑是这样：

三段式结构：