不到一小时，用 AI Agent 做一条 90 秒纸拼贴科普动画：完整工作流拆解

本文由 辛梓煜@词元二号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

用 AI Agent 串联多个工具，从选题、分镜、生图、动画、配音到最终合成，可以在 40-60 分钟内做出一条 90 秒的纸拼贴风格科普动画——全程不需要手动打开任何设计软件，也不需要写一行传统意义上的代码。这套工作流的核心思路是「分层解耦」：把动画制作拆成编导、视觉、运动、声音、合成五个独立层级，每个层级保留中间产物、可以单独替换模型、单独重做。跑通这套流程的关键不是某个单一工具有多强，而是让 AI Agent 扮演「项目导演」的角色——它负责调度每个环节、传递规格文件、检查输出质量。本文会把这套五层工作流从头拆到尾，包括具体的工具选型、每一步的验收标准，以及我自己实操中踩过的各种坑。

想看完整拆解，往下翻。

开始之前，先聊聊背景。

2026 年有一个很明显的趋势：AI 能力正在从「单点工具」走向「Agent 编排」。以前我们聊 AI，说的是「这个模型能生图」「那个模型能做视频」；现在聊的是「我让 Agent 自己把选题、脚本、画面、配音、字幕全跑完了，我在旁边喝茶等成片」。

听起来是不是像科幻？其实已经可以做到了。我自己折腾了几个月，陆陆续续把市面上主流的 AI Agent 工具和各种免费模型都试了一圈，最后沉淀下来一套做科普动画的工作流。这篇文章就是这套流程的完整记录。

我说的「科普动画」，不是那种套模板、加字幕就算完事的东西。我说的是 Vox 风格——你如果看过国外的一些高质量科普频道，应该对那种「纯色背景 + 黑白半调人物 + 彩色卡纸剪贴 + 纸片滑入弹出」的画面有印象。它的辨识度极高，而且特别适合解释抽象概念。传统做法里，做一条 90 秒的这种动画，从分镜、设计素材、逐帧动画到配音字幕，一个熟练的设计师可能要花两三天。但用 AI Agent 编排之后，整条流程被压缩到了一个小时以内。

下面，我会从这种风格的特点讲起，然后一层一层拆解整个系统的结构。

一、纸拼贴风格到底是什么，为什么它突然火了

先把这个风格的几个核心特征讲清楚，不然后面聊具体操作的时候你可能会觉得「干嘛要这么麻烦」。

它长什么样？

纸拼贴动画——英文圈叫 Paper Collage Animation，国内也有人叫「贴纸动画」——在科普和知识讲解领域已经流行了快十年。它最典型的视觉配方是：

• 纯色色场做背景：通常是深蓝、深紫、墨绿这类饱和度高的暗色，很少用白色或浅色底。
• 黑白半调人物：人物不是写实的，是类似报纸印刷那种网点半调（halftone）效果，只有黑白灰，没有肤色。
• 彩色卡纸剪贴：核心信息用高饱和度的红、黄、青绿等色块来承载，模拟从彩色纸上剪下来的感觉。
• 明显的剪贴边缘和阴影：每一块「纸片」都有描边和轻微的投影，强化「拼贴」的质感。
• 固定机位、纸片滑入：镜头基本不动，画面变化靠纸片滑入、弹出、组装来完成，而不是运镜。

如果你看过国外一些知名科普媒体的视频，对这个风格一定不陌生。它在解释「处置效应」「机会成本」「博弈论」这类抽象概念时特别有优势——因为画面是高度符号化的，观众不会被无关细节分散注意力。

为什么传统做法又慢又贵

做一条 90 秒纸拼贴动画，传统流程大概长这样：

一条 90 秒的成片，前前后后可能要耗费一个设计师 15 到 30 个小时。而且中间任何一个环节翻车——比如动画做到一半发现分镜逻辑有问题——返工成本非常高。

AI 为什么特别适配这种风格

有趣的是，纸拼贴风格恰恰是当前 AI 模型最容易驾驭的动画类型之一。原因有三：

第一，镜头之间相对独立。不像真人短剧需要维持人物长相、服装、场景的长期一致性，纸拼贴动画每镜就是一个独立的视觉舞台。镜头 1 翻车了，只重做镜头 1，不会连累其他 9 个镜头。

第二，动作类型有限。纸拼贴动画的动作模式就那么几种：滑入、弹出、翻转、缩放、组装。对 AI 视频模型来说，这比「一个人从走到跑再到跳同时背景还要变化」容易得多。

第三，视觉风格高度的规则化。纯色背景、黑白人物、彩色卡纸——这些规则一旦定下来，AI 比人类更容易严格遵守（前提是你给对了 prompt 和约束条件）。

后面你会看到，正是因为这三个特点，整条 AI 工作流才会跑得这么顺。

辛梓煜@词元二号站：我自己刚开始尝试的时候也怀疑过——AI 真的能替代一个熟练的 AE 动画师吗？后来发现这个问题本身就问错了。AI 不是在「替代」，而是在把制作的门槛从「专业设计师」降到「只要你会描述你想要什么」。

二、AI Agent 如何改变了动画制作的底层逻辑

要理解这套工作流为什么厉害，得先搞清楚一个概念：AI Agent 到底是什么，以及它和「用 AI 工具」有什么区别。

从「手动串联」到「Agent 编排」

用一张对比表格说清楚：

这个区别很大。我用一个具体的例子来说明：

假设你要做一个讲「处置效应」的科普动画。传统 AI 用法的流程是：你先打开 ChatGPT 写脚本 → 复制脚本到 Midjourney 生图，一张一张调 prompt → 下载图片，上传到 Runway 做视频 → 再打开 ElevenLabs 做配音 → 最后导入剪映合成。

每一步都是你手动在做「连接」。你扮演的是人肉 API。

而 Agent 编排的流程是：你告诉 Codex「用横屏纸拼贴动画讲清楚处置效应」，然后等 40 分钟，它给你一个带配音和字幕的完整 MP4。

这中间的差距，不是「AI 更强了」，而是编排逻辑变了。Agent 不是替你「做」每一步，而是替你「管」整个流程。

Codex 在这套架构里扮演什么角色

2026 年市面上能用的 AI Agent 工具有好几个——Codex（OpenAI 出品）、Claude Code、还有一些国内的方案。本文以 Codex 为主线来讲，因为它对 skill 生态的支持目前最成熟。

在纸拼贴动画这个场景里，Codex 做的是「项目导演」的工作：

• 任务拆解：把「做一条动画」拆成五个阶段，每个阶段产出什么、依赖什么、验收标准是什么。
• 工具调度：该生图的时候调 GPT Image 2，该做视频的时候调视频模型，该配音的时候调 TTS。
• 文件管理：每一层的产出（分镜 JSON、静帧 PNG、单镜 MP4、旁白 WAV）都结构化管理，方便后续替换。
• 质量把关：在关键节点设置「闸门」，先展示中间结果，你确认了再继续，避免一条路跑到黑。

用一张流程图来直观感受一下：

flowchart TD
    A["你：给一个主题"] --> B["Agent：分析主题，生成选题方案"]
    B --> C{"你：选一个方向？"}
    C -->|确认| D["Agent：拆成叙事线 + 分镜"]
    D --> E["Gate 1：展示视觉隐喻，等你确认"]
    E -->|通过| F["Agent：逐镜生成静帧"]
    F --> G["Gate 2：展示首尾帧，等你验收"]
    G -->|通过| H["Agent：生成首尾帧动画"]
    H --> I["QA：检查每镜动画质量"]
    I -->|翻车某镜| H
    I -->|通过| J["Agent：逐段生成 TTS 旁白"]
    J --> K["Agent：合成视频+字幕→导出 MP4"]
    K --> L["你：拿到成片"]

这个流程里最关键的设计是两处：一是分层解耦，每一层可以独立重做；二是闸门审批，在错误被放大之前就拦截掉。

我自己用下来最大的感受是：以前做视频的时候，最累的不是「做」，而是「管」——记住这个素材在哪个文件夹、那个版本是不是最新的、配音和画面对齐了没有。Agent 把这些杂事全接过去了，我只需要在关键节点做判断。

一个小提醒

不过也别把 Agent 想得太神。现在的 Agent 还做不到「你说一句话，它就交出一部院线级作品」。它能做的是：在规则清晰的、可以标准化的工作流里，大幅减少你的手工操作。至于创意判断——比如「这个视觉隐喻够不够精准」「首尾帧是不是真的传达了你想说的」——还是得靠你。

下面，我们来拆这套五层工作流的具体结构。

三、五层工作流架构全景拆解

好了，到这里该把整座建筑的结构图亮出来了。这套系统的核心设计思想就四个字：分层解耦。

五层总览

整条动画生产线被拆成五个层级，每层有明确的输入、输出和工具：

注意一个细节：每一层都是独立闭环。编导层不关心你用什么视频模型，运动层不关心你用什么 TTS。层与层之间只通过结构化的「规格文件」来通信——比如 visual-spec.json 定义了这镜要什么画面，运动层拿到这个文件就知道该怎么生成动画提示词。

为什么「分层」是最高明的设计

这个设计的好处远不止「看起来整齐」。我在实操中体会最深的有三点：

第一，单镜翻车只重做单镜。 视频生成模型目前的最大问题是稳定性不足。同样一个 prompt，跑三次可能出三种结果。如果你的流程是「一次性生成整条片」，那某一镜翻车等于整条片翻车。而分层架构下，第 7 镜手画歪了，我只重做第 7 镜的视频，其他 9 镜不受影响。

第二，随时可以升级模型。 2026 年 AI 视频模型迭代速度极快。上个月 Agnes 2.0 还是最好用的，这个月 Seedance 就出了新版本。分层之后，你只需要把运动层的工具从 A 换成 B，其他四层完全不动。

第三，中间资产可以复用。 比如你做了一条讲「机会成本」的视频，过两个月想换一个配音风格。传统做法可能要整条重做，但分层架构下只需要：把声音层的 WAV 文件替换掉 → 重新跑合成层 → 搞定。五分钟的事。

资产目录长什么样

实际跑起来后，你的项目文件夹大概是这个结构：

disposition-effect-project/
├── 01-script/
│   ├── narrative-beats.json    # 叙事线
│   └── visual-specs/           # 每镜的视觉规格
│       ├── shot-01.json
│       ├── shot-02.json
│       └── ...
├── 02-keyframes/
│   ├── shot-01-firstframe.png
│   ├── shot-01-lastframe.png
│   └── ...
├── 03-videos/
│   ├── shot-01.mp4
│   ├── shot-02.mp4
│   └── ...
├── 04-audio/
│   ├── shot-01.wav
│   ├── shot-02.wav
│   └── ...
└── 05-output/
    ├── composition.html        # HyperFrames 合成文件
    └── final.mp4               # 最终成片

这个结构的好处是：任何一个环节出了问题，你都知道去哪里找对应的文件，也知道该从哪里重新开始跑。

到这里你可能已经感觉到了——这套架构的精髓不在于任何单一工具，而在于如何把一个大任务拆成可以独立管理的小块。后面四章，我会把每一层具体怎么操作、用什么 prompt、怎么验收，掰开揉碎了讲。

辛梓煜@词元二号站：我最早试的就是「一句话端到端出片」，跑出来那叫一个惨——第 3 镜人物长了三只手，第 7 镜字幕全是方块，第 9 镜干脆黑屏了。从那次翻车我才意识到，分层 + 中间手动确认，才是目前 AI 工具组合下最稳的打法。

四、编导层：把抽象概念翻译成可拍的画面

编导层是整个工作流的起点，也是决定成片质量上限的一层。如果说后面的四层是「施工队」，编导层就是「设计图纸」。图纸画错了，施工队再强也白搭。

选题不是拍脑袋想的

很多人做科普动画的第一反应是：「我要做一条讲量子力学的动画。」然后就开始写脚本了。

我的建议是：先让 Agent 帮你列选题，你只负责挑。

为什么？因为不是所有主题都适合纸拼贴风格。那种需要大量真实影像、需要展示复杂数据图表的选题，硬塞进纸拼贴风格里会很别扭。最适合纸拼贴的选题有几个共同特征：

• 讲的是一个抽象概念（比如「处置效应」「锚定效应」「机会成本」「复利」）
• 核心信息可以通过视觉隐喻来传递（而不是依赖图表和数据）
• 有冲突或矛盾可以戏剧化表达（比如「理性选择 vs 真实行为」）

实际操作中，你跟 Agent 说：「我想做金融行为学方面的科普动画，帮我列 10 个适合纸拼贴风格的选题，每个用一句话概括核心矛盾。」它会给出一份列表，你从中挑一个最有感觉的就行。

我最近做的那条讲「处置效应」的动画，选题阶段 Agent 给出了大概 10 个方向，从「损失厌恶」到「心理账户」，我挑了处置效应——因为它有一个非常直观的行为矛盾：「为什么人一赚钱就急着卖，一亏钱就死扛？」

这个矛盾天然适合视觉化。

叙事线的搭建：不是写稿，是造弧线

选定主题后，下一步是搭骨架。很多新手在这一步犯的错是：直接让 AI 写一篇 800 字的科普文章，然后按段落拆成分镜。

这种做法的问题是：文章逻辑 ≠ 画面逻辑。一篇好的科普文章可以娓娓道来、层层递进，但 90 秒的动画需要的是一个有起承转合的故事弧线。

以「处置效应」为例，Agent 帮我拆出来的叙事线是这样的：

提出矛盾（为什么行为如此割裂？）
  → 盈利像奖杯（赚钱时急于落袋为安）
  → 亏损像承认错误（亏钱时死扛，不愿面对）
  → 买入价成为锚点（成本价在心理上被放大）
  → 市场不记得成本（但市场根本不在乎你的买入价）
  → 点出核心概念（这其实就是处置效应）
  → 看到机会成本（死扛让你错过了什么）
  → 重构问题（如果是今天才买入，你会怎么选？）
  → 给出判断框架（一个简单的决策规则）
  → 回到未来（用新框架看投资）

注意到没有？这不是一篇科普文章的目录，而是一条情绪和认知的弧线。它从「咦，为什么这样？」开始，经过「哦，原来是这样」，到「那我该怎么办？」结束。每一条弧线上的节点，最终都会变成一镜画面。

实际操作时，这里有一个很重要的约束：90 秒 ≈ 16 句台词 ≈ 16 个镜头。按每秒 3 个字的中文语速算，90 秒大概能装 270 个字。每句台词控制在 15-20 字，大约 5 秒说完。把这个约束提前告诉 Agent，它就不会写出「一句话念 15 秒」的尴尬脚本。

视觉隐喻：编导层最难也最重要的工序

叙事线搭好之后，真正考验功力的环节来了——把每一句台词翻译成视觉隐喻。

什么叫视觉隐喻？我用一个例子说明。

假设这句台词是：「为什么很多人一赚钱就卖，一亏钱却死扛？」

如果直接把这句话丢给生图模型，你会得到什么？大概率是 K 线图、金币、交易界面，外加一堆文字。这本质上是「插图」，不是「动画分镜」。

而一个好的视觉隐喻会这样处理：同一个人，左手推走正在上升、开着花的红色卡片（代表急着抛弃盈利），右手紧紧抱住正在下沉、枯萎的青绿色卡片（代表死守亏损）。

看出区别了吗？视觉隐喻不直接画「股票涨了」「股票跌了」，而是用颜色、动作、物体的象征关系来传递同一层意思。观众不需要看到一个字，也能读懂画面。

这一步之所以这么重要，是因为纸拼贴动画的核心魅力就在于：画面即表达。字幕和旁白是辅助，真正让观众「秒懂」的是画面本身。

视觉规格文件（visual-spec.json）

每镜的视觉隐喻定下来之后，Agent 会生成一份结构化的规格文件。下面是我做处置效应第 1 镜时实际产出的规格（简化版）：

{
  "shot_id": 1,
  "duration_sec": 5,
  "narration": "为什么很多人一赚钱就卖，一亏钱却死扛？",
  "core_message": "人类在面对盈利和亏损时行为完全相反",
  "visual_metaphor": "同一人左手推走上升的红色卡片，右手抱紧下沉的青绿卡片",
  "composition": {
    "background": "深紫色纯色场",
    "subject": "黑白半调人物居中偏下",
    "left_element": "红色上升轨道 + 红色卡片上有花朵",
    "right_element": "青绿色下降轨道 + 青绿卡片上有枯叶",
    "depth_layers": ["背景色场", "轨道", "卡片", "人物", "前景阴影"]
  },
  "style_constraints": {
    "color_palette": ["#2D1B4E", "#E63946", "#2A9D8F", "#F1FAEE", "#1A1A1A"],
    "stroke": "奶油白 3px 描边",
    "shadow": "柔和纸张投影",
    "character_style": "黑白半调网点",
    "forbidden": ["文字", "数字", "Logo", "UI元素", "水印", "真实照片"]
  },
  "animation_sequence": [
    "红色上升轨道从左侧滑入",
    "红色赢家卡与花朵出现",
    "青绿色下降轨道从右侧进入",
    "青绿色输家卡与枯叶就位",
    "半调人物入场，完成推开与抱紧动作",
    "最后一秒保持完成构图"
  ]
}

这份文件就是编导层的最终交付物。后面的视觉层、运动