深度体验 LibTV Agent：忘记工具，进入 AI 创作的心流

开始忘记软件以后，创作才真正开始。

三个月前，我第一次体验 LibTV。它更像一套专业的视频制作工具。我花了很多时间理解 Workflow、节点和模型之间如何协作，最后得出的判断是：只要掌握了 LibTV，就能完成过去一个影视团队才能完成的事情。

三个月后，LibTV 上线了 Agent 和 Skill 功能。我决定重新体验一次。

这一次，我给自己设了一个限制：不学习任何功能，不切换任何面板，全程只和 Agent 对话，来做出 AI 视频。

做到第三个 Demo 时，我突然意识到，我开始想的，不再是下一步该怎么操作，而是这个故事还能怎么发展。

这时，软件退出了，创作进入了。

过去大家讨论 AI 视频，总是在讨论它能做到什么，却很少讨论普通人究竟有多大概率做到。

包括三个月前的 LibTV，它让我看见，当我真正掌握这套工具以后，它的上限到底有多高。

可另一面也同样存在。

如果工具越来越多，工作流越来越复杂，我甚至不知道每一种能力应该在什么时候出现，那么再高的天花板，对大多数人来说，它先是一个天花板。

所以这一次，我第一次觉得，LibTV 更新的重点已经不是模型了。

它开始重新组织这些能力，把繁杂的工作流隐去，回归到用自然语言沟通的「片场」。

01

软件退场，创作上场，回到片场

当复杂的工作流退到后台，LibTV Agent 留给创作者的，是一种接近片场的沟通方式。

我不需要先把创作意图翻译成模型、节点和参数，我只需要用自然语言和 Agent 说出我的想法。

这个过程像是在片场，而我就是导演。我不必亲自操作每一台设备，但要持续告诉团队，故事往哪里走，人物怎么演，这个镜头怎么拍……

Skill 带来的第一步，就是快速进入一种熟悉的创作语境。

我最先点开的是首页里的 A24 风格 Skill。A24 式恐怖美学，有一种安静中透着诡异，把噩梦拍成油画的美感。它让我想到今年大火的电影《后室》。但我没有兴趣复刻一条标准的「后室」短片。我更好奇的是，如果把这种空间错位放进中国人的共同记忆里，它会是什么样子。

于是我想到了中式梦核，以及其中最具体的一类场景：校园。

最初的想法很简单。一个打工人意外掉进了教学楼的走廊里，他在里面漫无目的的穿行。

我没有准备人物设定和故事，只告诉 Agent 大致的氛围、风格和片长，希望它先帮我搭出一个中式「后室」。

接下来，Agent 开始把这个模糊的念头往前推。

它先给出视觉方向，再补充场景组合、人物形象和声音设计。每一步都会提供几套方案，我可以直接选择，也可以推翻它的建议，继续用自己的语言描述。

创作由此进入一种持续往返的状态，想法变成可见的选项，我再根据选项判断和探索。也正是在这一轮轮沟通中，原本只有氛围的短片开始长出故事。

我突然想到，校园对于打工人来说，真正可怕的地方未必是空间本身，而是那些早已结束、却始终没有彻底离开的高考记忆。

于是，故事又往前走了一步：一个成年人掉回高考现场，他陷入了被一道题困住的噩梦里。

Agent 随着这个变化继续扩展篇幅，空荡的走廊，也开始有了教室、试卷、角色反应。

我的工作逐渐从「提出一个想法」，转向判断这个想法应该长成什么样子。

到这一步，我意识不到自己正在操作一款 AI 视频软件，我更像是在和一支前期筹备的团队沟通，而故事也在这种沟通里，一点点显出轮廓。

「高考噩梦」的开场

接下来，创作进入了我更熟悉的阶段。

场景氛围对不对，人物该做什么动作，镜头之间能不能接得住？这些问题开始一个个出现。我原本只想做出一种压抑、失真的校园氛围，但当画面真正生成出来以后，很多问题会立刻变得具体。

我开始像坐在监视器前的导演一样，对着每一条镜头提出意见。只不过，我的意见直接输出在 Agent 对话框里。

比如要求镜头分切，剪辑节奏加快，也会因为前后两条素材接不上，重新调整场景顺序。很多判断很难提前写进一份完整的提示词里，它们只有在画面出现后才会发生。

这时，Agent 的作用也开始发生变化，场景之间缺少过渡，它会补充镜头；原来的情节不够完整，它也会尝试扩展前后关系；甚至在我说「差点儿氛围，你懂吗？」这种模棱两可的话后，它都会根据上下文，自己给出几套「增强氛围感」的方案。

这种来回很像真正的创作沟通。我当然一直在指挥它，但它给出的选项也在反过来提醒我：这个故事还可以往哪里走，哪些地方没有想清楚。

我全程用自然语言，像在片场和团队交流的方式，跟 Agent 一起打磨短片。

AI 独有的低成本的试错能力，也让这些分岔变得很容易。一个方向不成立，可以马上换，某个镜头意外地有效，也可以顺着它继续发展。

在 LibTV Agent 上，创作不再需要等到所有问题都想清楚以后才开始。

我后来又用「对话创作」的方法做了几支完全不同的短片。

一支是基于韦斯·安德森「对称美学」的 skills，这个 skill 让我联想到了《花束般的恋爱》，我用「对称」带来的镜像关系，做了一条想表达「恋爱关系中的自恋投射」的小短片；

一支是用了皮克斯风格 skills，做了一条关于「一个人刷到 AI 视频 Agent 后，瞬间幻想自己靠它起号爆红、财富自由、环游世界。当幻想结束，他带着满足感睡去，仿佛已经完成了这一切，却始终没有迈出第一步。」

另一支则是「一个女孩每天都和自己的狗说心事，直到有一天，狗回应了她。」

每一次的起点都很轻，有时只是一句判断，有时只是一个想法，甚至只是我对某种风格的好奇。

但 Skill 先给出一条可以进入的路径，Agent 再把这条路径往人物、场景和镜头上展开，等我去挑选和修改，作品慢慢长成自己的样子，

使用「皮克斯 Skill」做出的 30 秒小短片，想表达「幻想成功，是一种即时满足，即时满足，会杀死真正的行动。」

整个过程中，我几乎都在对着电脑说话。相比打字，语音更接近片场里的工作方式。

因为导演不会先把每一条意见整理成完整指令，再交给演员和摄影师。而是坐在监视器前，直接用对讲机说「这条哪儿不对」。

这种沟通里有犹豫、临时变卦、灵机一动，最重要的是，团队能否理解这些变化。LibTV Agent 就能承接这种上下文。上一轮我们讨论过的人物、场景和镜头，会继续影响下一轮修改。它「看」得懂我在说什么，而不只是听得懂，这是一个完整的视频 Agent 必须拥有的能力。

而这种「判断力」，最集中的体现在某支短片生成后，我没有直接上手改，而是先问 Agent：「你自己看，这支片子还有什么问题？」于是它重新检查了人物动作、镜头连续性和节奏，自己给出一版修正。

Agent 已经有了自我纠错的能力

当然，视频生成的黑箱没有消失，人物动作、表情和空间关系仍然很难完全控制，改好一处，也可能带出新的错误。这是所有 AI 都解决不了的问题，LibTV 能做的，是尽量把输出质量提高，修改次数降低。说白了，盲盒还在，但抽取的质量更高了。

在我完成了短片 Demo 后缩小画布，我才看见后台发生了什么。故事板、人物资产、声音、镜头节点和生成链路铺满整个页面。刚才所有自然语言的沟通，已经被系统翻译成一套复杂的 Workflow。

这套流程不是我逐个节点搭出来的。它来自前面说过的每一句话，也来自我对人物、场景和镜头的每一次判断。但 Agent 和我共创的全过程里，我只需要盯着一个片段，在对话框里给出我的判断。

所以，创作的复杂性依然存在，只是退出了创作者的视线。我的想法，沿着一条直线抵达成片。

LibTV Agent 功能在交互上做得最好的一点是：我只需要面对 1~3 个镜头，复杂的面板只有缩放时才会看到。

这就是我使用 LibTV Agent 后，在创作方式上最直接的变化。

三个月前，我需要先研究软件，理解模型、节点和工作流如何组合，再开始创作。现在顺序反了，我可以先进入作品，剩下的组合交给 Agent 在后台完成。

这背后降低的是常常被 AI 行业忽视的「执行成本」。

大模型降低了视频的拍摄成本，解决的是画面能不能做出来，但从一段提示词到一支完整视频，中间仍然隔着人物设定、分镜、模型调用、素材管理、场景搭建等等门槛。

Agent 降低的就是「执行成本」，即创作者到底能不能用简单的方式，做出一条片子。

执行成本下降后，人的工作会变得更集中。我就面对画面做判断，决定人物、镜头和节奏；Agent 负责调用工具，把这些判断继续往下推演。

这也解释了为什么 LibTV 这次把重点放在 Agent 和 Skill 上。模型再多、能力再强，只要用户仍然要先学会复杂的工作流，它们就很难真正进入创作。

三个月前，我看到的是 LibTV 能够容纳多少专业能力。现在，我更在意这些能力能不能主动靠近创作者。

因为模型决定一支视频最终能达到多高，而 Agent 决定一个普通人，有多大概率真正走到那里。

02

影视经验，开始变成一种 Skill 能力

如果说，第一阶段的视频 AI 在竞争模型，那么下一阶段，竞争的或许就是经验。

过去两年，所有人都在讨论模型能力：画质有没有更高，动作是不是更自然，人物能不能保持一致。

但当这些能力越来越接近以后，另一个问题开始浮现：同样的模型，为什么有人能做出电影感，有人却只能做出一段素材？

想理解这里面的差别，可以先看看电影学院到底在教什么。

在电影学院前两年的课程里，老师不会教学生怎么操作摄影机、怎么使用剪辑软件。

而是教拉片和模拟拍摄，学生反复拆解一段电影，甚至 1:1 复刻拍摄一个经典片段。就是为了学习导演为什么这样组织镜头，摄影为什么这样调度，美术为什么这样设计场景，剪辑为什么这样控制节奏。这些能力，很少写在教材里。

一个学过摄影的人，或许几周就能掌握相机的原理。但只有在片场待过足够久，才会知道导演为什么愿意多等十分钟，只为了等到一束「金色时刻」。

电影《巴比伦》中就描绘了片场如何全员等待「金色时刻」｜图源：《巴比伦》

影视行业真正宝贵的，正是这些长期积累下来的经验。

而 Skill，就把过去只能在片场慢慢积累的经验，变成了一种普通创作者也可以直接借用的能力。

它可以让我快速进入 A24、韦斯·安德森，或者岩井俊二的创作语境。

但更重要的是，它提供的不只是画面风格，而是一条已经被验证过的创作路径。它告诉创作者，这类故事通常怎样组织镜头，这种情绪怎样建立节奏，这种风格怎样展开叙事。我仍然可以修改、推翻、再创作，但已经不用每一次都从零开始。

所以 Skill 不是替我完成创作，也没有把作品限制在一套固定模板里，它更像一个已经搭好的片场，布景、灯光和基本的镜头逻辑已经存在，我可以直接走进去，再决定要在里面拍什么。

对于一个只有模糊想法的人来说，这一步很重要。不知道从哪儿下笔的空白页，常常比工具本身更难面对。

当一种经验能够被反复调用，它带来的就不只是效率，还有重新组合的可能。

过去，一个创作者很难同时拥有广告导演对于节奏的控制、电影导演对于叙事的组织，以及 MV 导演对于视觉风格的处理，因为这些经验分别属于不同的人、不同的团队，也属于不同的行业。

Skill 第一次让我觉得，这些原本彼此独立的经验，可以在一次创作里重新借用。

我可以借用岩井俊二的美学，去拍一个数码产品的广告；也可以把韦斯·安德森的镜头秩序，与 A24 的诡谲美学放进同一支短片里。

也是到这里，我才慢慢理解，为什么 LibTV 会把 Skill 单独做成一个产品。

模型解决的是生成，Agent 解决的是执行，而 Skill 解决的，是创作经验。

对于没有接受过影视训练的人来说，最大的困难是不知道一种风格应该怎样开始，一段故事应该怎样展开，一个想法应该怎样慢慢长成一支片子。

Skill 把片场经验精炼为可调用的能力，Agent 再把这种能力，通过自然语言真正交到创作者手里。

过去，我们一直在讨论 AI 视频能做到什么。但对于绝大多数潜在创作者来说，更现实的问题始终是：我有没有能力做到。

或许，这才是视频 AI 下一阶段真正的竞争。不只是比谁拥有更强的模型，更丰富的工具，更复杂的面板，而是谁能够让更多人真正开始创作。

03

一个视频，从一句话开始

现在的 LibTV，总让我想到十多年前，智能手机普及后，自媒体时代到来了。

那时候，越来越多人开始习惯举起手机，人们开始拍日常、拍生活、拍观点，也开始拍那些以前觉得」不值得拍」的东西，把它们简单剪辑后传到社交媒体上。后来我们把它叫作自媒体时代。

体验 LibTV Agent 和 Skill 的几天里，我一直有一种兴奋感。那是创作者第一次遇到一种新创作方式时才会有的感觉，就像十多年前，人们第一次举起手机拍视频。

我越来越少去想提示词应该怎么写，而是描述脑子里的想法、画面、节奏、情绪，然后看着它生成 V1、V2、V3……一点点把它改成更接近自己想象的样子。我想把这种过程叫作 Vibe Filming。

这支小短片就源于我一直有的一个念头：很多人试图找到「世另我」的伴侣，本质上是自恋。

我第一次觉得，这个工具开始推着我创作，而不是等着我操作。

作品的起点，不一定是一套已经完成的剧本、分镜。它可以只是一个画面，一个情绪，一个突然冒出来的念头。

作品的终点，也不一定是大银幕或 AI 电影节。它可能只是一条朋友圈，一条小红书，一条属于你的自我表达。

很多人会说，AI 出来以后，最重要的是有没有好想法。我反而觉得，有没有想法，一直都是创作者自己的命题。真正改变的是，那些原本挡住表达的障碍，随着软件的进化，一层一层消失了。

就像十多年前，智能手机没有让所有人成为创作者，它只是让「不会拍」不再成为理由。我不知道 Vibe Filming 会不会成为下一个 Vibe Coding，LibTV 等工具会不会带来 AI 时代的「新·自媒体」。

但至少，它让我相信，一个作品可以从一句还没想清楚的话开始。

*头图来源：LibTV

文章来自于"极客公园"，作者 "Moonshot"。