AI 视频成本革命：MiniMax H3 + LibTV 深度评测，2K 生成成本仅为 SD2 的三分之一

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

2026 年 7 月 31 日，MiniMax 扔出了一枚重磅炸弹——新一代多模态生成模型 H3 正式发布。这不仅仅是一个新模型上线，它直接改变了 AI 视频生成的成本结构。H3 支持原生 2K 分辨率直出，生成 15 秒音画同步视频，而每秒成本仅有 SD2（Seedance 2.0）的三分之一到五分之一。效果层面，H3 在画面质感上已经逼近 SD2 的八成以上，在视频编辑能力上更是被 Artificial Analysis 评为全球第一。与此同时，LibTV 这类创作平台迅速接入 H3，并配合 Agent 模式、角色库、720°全景等辅助工具，把「做一条能看的 AI 视频」这件事从需要烧钱试错的技术活，变成了一个人也能跑通的创作流程。这篇文章，辛梓煜@词元二号站将结合自己一个多月的实测体验，从模型参数、平台工具、成本账单到 Agent 自动化，把 H3 带来的变化拆得清清楚楚。

想看完整拆解，往下翻。

2025 年到 2026 年这一年多时间，AI 视频生成这个赛道的变化速度，说实话比我想象中快了一个数量级。如果你和我一样，从 2024 年开始就在断断续续关注这个领域，应该还记得当时的画风：Runway 和 Pika 各自秀肌肉，Sora 横空出世但迟迟不开放，国内的可灵、即梦还在努力追赶。那个时候大家讨论的核心问题是「AI 生成的视频到底能不能看」——答案通常是可以看，但仅限于 3 到 5 秒的片段，而且画面里的人物走着走着手指就消失了，场景切换时光影会突然崩掉，物理规律的遵守基本靠运气。

到了 2025 年下半年，字节跳动的 Seedance 2.0 横空出世，把 AI 视频生成拉到了「电影级画面」这个层级。那段时间整个行业都在讨论一个模型，就是 Seedance 2.0（圈内俗称 SD2）。它确实强，强到让很多人觉得 AI 视频的「画质天花板」暂时被焊死了。但问题是——它贵。而且不是一般的贵，是用起来会心疼的那种贵。

然后，2026 年 7 月 31 日，MiniMax H3 来了。

我是在 H3 上线的第二天开始测的，到现在陆陆续续用了一个多月，期间同时在 LibTV、即梦等不同平台上跑了大量对比测试。这篇文章，是辛梓煜@词元二号站（www.ciyuanerhao.com）结合自己的实测数据和行业观察，系统梳理 H3 到底带来了什么变化，以及为什么我说这次变化不是「又多了一个选择」，而是一场真正的成本革命。

先把结论撂在这里：H3 的出现，让 AI 视频生成从一个「需要预算审批」的项目，变成了「随手就能跑一条」的日常行为。 这个变化的影响，会比大多数人想象的更深。

先看一张简表，把几个关键模型的核心参数放在一起对比，你就能直观感受到 H3 的位置到底在哪：

这张表往这里一放，很多事就清楚了。H3 在分辨率上碾压了两个对手，但价格反而更低。这不是一个常规的「新品上市」故事，这是一个「性价比重构」的故事。

而且还有一件事值得注意：H3 在 Artificial Analysis 视频模型榜单中，视频编辑能力项排名全球第一。这说明它不只是「生成视频」这个动作做得好，在「修改视频」「编辑视频」这些更接近实际工作流的场景里，也有过硬的表现。对于一个真正要做内容的创作者来说，后者的重要性可能比前者更大——因为实际创作中，你很少能一条就过，反复调整才是常态。

到这儿你可能会问：那 LibTV 又是什么角色？它不就是一个平台吗，为什么每次提到 H3 都会带上它？

这就要说到 AI 视频创作链条里的另一个关键问题了：模型是引擎，但把引擎装到一辆能开的车里，还需要变速箱、方向盘、刹车——这些就是平台的辅助工具。LibTV 做得好的地方在于，它不像传统 AI 工具那样给你一个输入框然后坐等结果，而是给了你一张「画布」，让你像设计师一样在画布上拖拽角色、场景、分镜，自己搭建创作管线。这个交互逻辑的差异，我后面会详细介绍。

在往下深入之前，我想先说明一点：这篇文章不是软文，也不是推广。辛梓煜@词元二号站写这些东西，纯粹是自己在折腾 AI 视频创作的过程中踩了很多坑，觉得这些信息对同样在摸索的朋友可能有帮助。里面的所有测试都是我自己跑的，所有数据都标注了来源，所有观点都是我个人的判断——可能有局限，但绝不掺水。

好了，铺垫够多了。下面我们正式进入正题，先从 H3 这个模型本身说起。

一、看懂两个关键玩家：H3 的技术底牌到底硬不硬

聊一个模型，最容易陷入两种极端：要么把它吹上天，要么把它踩到底。这两种都没意思。我更想做的，是把 H3 做了什么、怎么做的、能做什么、不能做什么，用普通人能听懂的话说清楚。

1.1 H3 到底是个什么样的模型？

MiniMax 对 H3 的定位很明确：这不是一个「视频生成模型」，而是一个「通用多模态生成模型」。这个差别看起来像是文字游戏，但实际上很关键。

传统的 AI 视频生成逻辑是这样的：你输入文字或图片，模型把这些输入通过编码器（Encoder）转成内部表示，然后经过扩散模型（Diffusion Model）或类似架构，一步步「画」出视频帧，最后把这些帧拼起来输出。这个过程中，模型对「声音」「文字版式」「品牌信息」这些维度的理解是割裂的——要么压根不支持，要么是后期另外处理的。

H3 的做法不一样。它把文本、图片、音频、视频四种模态放在同一个上下文中统一理解。也就是说，当你给 H3 输入一张角色图、一段场景描述、一条参考音轨时，模型不是分别处理它们然后再拼到一起，而是在内部把它们当成一个整体来理解。用 MiniMax 官方的说法叫「Contextual Omni Representation」——上下文全模态表征。

这个技术路线的好处，用大白话讲就是：模型「懂」你给的所有素材之间的关系，而不是机械地执行每个指令。

我举一个实际例子你就明白了。传统模型做「变装视频」的时候，你给它一张角色图和一张服装图，它大概率能生成一个人穿着指定衣服的画面——但你会发现人物走路的姿态和服装的物理质感之间没有联动关系，衣服穿在身上像是贴上去的。而 H3 在处理这类任务时，裤子的褶皱会随着人物转动而自然变化，发丝的飘动方向和走路速度是匹配的，场景切换时的光影过渡也更自然。

这就是「统一理解」带来的质变。不是单独某个维度的提升，而是整体画面逻辑的一致性提高了。

1.2 原生 2K 到底意味着什么？

H3 最直观的卖点之一是原生 2K（2560×1440）分辨率直出。很多人第一次看到这个参数时的反应是：「2K 又怎么样？手机上 720P 也够看了。」

这个想法没错——如果你只是把 AI 视频发到短视频平台上刷个存在感，720P 确实够用。但如果你要做商业级内容——广告投放、品牌宣传片、电商详情页的视频展示——分辨率就是一个硬指标。

你看这个表就能发现，2K 不只是「比 1080P 清楚一点」这么简单，它意味着你的内容可以直接适配广告投放和品牌宣传场景，不需要后期做 AI 超分（超分辨率重建）——而超分本身也是个需要花钱花时间还容易翻车的过程。

还有一个被很多人忽略的细节：H3 的 2K 是「原生」2K，不是后期拉升上去的。AI 超分再强，本质上是猜像素，猜得再好也有失真。原生 2K 则是模型在生成过程中就以 2K 分辨率为目标进行扩散计算，画面的物理细节、纹理层次、边缘锐度都是「天生」的，不需要补。

1.3 音画同步：不是「配乐」，是「原生双声道」

这可能是 H3 最被低估的一个能力。

大多数 AI 视频模型生成的是「默片」——你拿到一个 .mp4 文件，里面只有画面，没有声音。想要配音？自己另外找工具合成。而音画同步这件事，对于短剧、广告、游戏演示这些场景来说，太重要了。一个开枪镜头没有枪声回响，一个爆炸场景没有低频轰鸣，画面再好也会觉得少了什么。

H3 是业界第一个在生成视频的同时，原生输出双声道立体声音轨的模型。这意味着开枪时有枪声，打字机疯狂吐纸时有机械运动的声响，火焰燃烧时有噼啪声和低频轰鸣——这些都不是后期配上去的，而是模型在生成画面的时候同步「想」出来的。

我在测试中注意到了一个细节：H3 在生成 FPS 游戏场景时，枪声不仅出现了，而且带有「回响」效果——在开阔的户外场景中，枪声带有自然的空间混响，像是声音在空旷环境中传播后被反射回来的感觉。这种级别的音频细节，放在以前需要专门的音效师花时间做后期处理。

当然要说明一点：目前 H3 的音画同步并非完美。在复杂场景中，偶尔会出现音效和画面动作轻微错位的情况，比如开枪的闪光已经消失，枪声才出来。但整体而言，以「模型原生生成」的标准来评价，这个水平已经远超预期。

1.4 开源的棋：MiniMax 在下什么？

H3 在发布后第三天（2026 年 8 月 3 日）就正式开源了，托管在魔搭社区。这是 MiniMax 首个开源的多模态模型。

开源这件事，在 AI 视频领域目前还很罕见。SD2（Seedance 2.0）至今未开源，而且官方明确表示「暂不对工具方开放接口，仅限于自用」。这意味着如果你想用 SD2 做产品，只能通过字节自己的即梦平台调用，不能把它集成到自己的工具链里。

H3 选择开源，背后的算盘不复杂：让更多开发者和平台方基于 H3 做二次开发，快速建立生态。LibTV 能在 H3 上线当天就完成接入，很大程度上就是因为 MiniMax 在正式发布前就给了合作伙伴足够的接口文档和技术支持。

对普通创作者来说，开源意味着什么？简单说就是：不用担心模型突然涨价或者停止服务了。你甚至可以自己部署 H3，在本地跑推理。虽然对于个人用户来说本地部署的门槛不低（H3 的推理需要相当强的 GPU 资源），但至少有这个选项，不会被单一平台绑定。

这一点，辛梓煜@词元二号站认为非常重要。创作者在选择工具时，不能只看当下的效果和价格，还要考虑长期的确定性。一个开源模型的确定性，天然高于一个闭源 API。

下面，我们把 H3 和它最主要的竞争对手 Seedance 2.0 放在一起，做一次真正公平的对比。

二、不比不知道：H3 和 Seedance 2.0 的真实差距有多大

每次有新的 AI 视频模型出来，总有人喜欢说「某模型吊打某模型」。这种话听听就好，实际使用中，没有哪个模型能在所有维度上都碾压对手。H3 和 SD2 各有各的强项，搞清楚差异在哪，才能选对工具。

2.1 参数层面的硬对比

先把几个硬指标放在一起看：

数据来源：MiniMax 官方模型页面（2026年7月核实）、Atlas Cloud / EvoLink 公开定价页面（2026年4月）。

从这个表里能得出几个结论：

第一，H3 在分辨率上领先了一个身位。 SD2 目前只支持到 720P，而 H3 原生 2K。这个差距在移动端短视频场景里可能不明显，但放到商业制作场景中就是质的区别。

第二，H3 的价格优势是结构性的，不是促销带来的。 即使按 H3 的标准定价（不含平台补贴），2K 每秒 0.14 美元的价格也比 SD2 在 720P 下的约 0.16-0.24 美元更低。这意味着 H3 以更高的分辨率、更低的单价在竞争——这不是「打折抢市场」的短期行为，而是技术路线带来的成本结构优势。

第三，SD2 最大的「护城河」是画质上限和稳定性。 即使在 720P 下，SD2 的画面质感、运动连贯性、光影准确度仍然处于行业顶尖水平。H3 在大部分场景中能达到 SD2 的 80% 以上效果，但遇到极端复杂场景（多人交互、快速运动、复杂光影变化），SD2 的表现仍然更稳定。

2.2 画面风格差异：艺术感 vs 工业感

这可能是两个模型最有趣的区别，因为它不是好坏问题，而是风格取向问题。

我用同一组提示词和参考图，分别在 H3 和 SD2 上生成了一条换装视频。两个模型都完成了任务，但成片的「气质」完全不同。

H3 的成片带一种明显的「戏剧感」。它会在场景切换时加入情绪变化——比如第一个场景是愉快的日常，切换到第二个场景时，人物表情会从放松变成专注，配合光线从暖调变成冷调，整体有一种「电影叙事」的味道。角色的肢体语言也更丰富：尴尬时会小步挪动，惊讶时肩膀会微微后仰，这些细节不是提示词里写出来的，而是模型自己「发挥」的。

SD2 的成片则更像是工业流水线的产物。全程情绪稳定，场景切换统一，画面专业度极高，但没有太多「意外之喜」。它严格按照提示词执行，不加戏，也不缩水。这种风格对于品牌广告、产品展示这类需要精确控制的场景是优势——但对需要讲故事的内容创作者来说，可能会觉得少了点灵气。

我个人的体验是这样的：如果你想做品牌宣传片、产品展示视频，SD2 更安全；如果你想做短剧、创意短片、有叙事性的内容，H3 更有表现力。 没有谁更好，看你做什么。

2.3 视频编辑能力：H3 的隐藏王牌

前面提到，H3 在 Artificial Analysis 视频模型榜单中，视频编辑能力排名全球第一。这个能力关注度不高，但实际使用中非常重要。

什么叫「视频编辑能力」？简单说就是：你给它一段已有的视频，让它做修改——比如把画面里某个物体的颜色换掉、给人物换一套衣服、把背景从白天变成夜晚。这个过程在技术圈被称为 V2V（Video-to-Video），要求模型既能理解原视频的内容和运动，又能在指定维度上做出精确的修改。

我在测试中尝试了一个场景：给 H3 一段人物走路视频，要求把人物穿的蓝色外套改成红色。结果是：衣服的颜色确实变成了红色，而且红色的布料纹理、褶皱、光影反射都是重新生成的，不是简单的「覆盖一层红色滤镜」。人物的走路姿态和原视频保持一致，衣服的物理特性（比如风衣下摆的摆动）也没有因为改颜色而变形。

这种级别的 V2V 能力，对创作者来说是实打实的生产力提升。以前改一个细节可能要重新生成整条视频，现在可以定点修改——省下的不只是钱，更是反复试错的时间成本。

2.4 一个真实的成本案例

为了让你更直观地感受成本差异，我模拟了一个真实场景：制作一条 8 秒的短视频，包含三个场景切换，输出分辨率为 2K（如果模型支持）或最高可用分辨率。

看到了吗？如果你用 H3 在 768P 下生成 10 条视频然后挑一条最好的，总成本是 8 美元——比 SD2 在 720P 下生成 5 条的成本（6.40 美元）多了一点点，但你多了 5 条备选。而在 AI 视频创作中，「多条备选」意味着你有更大的概率拿到一条逻辑顺畅、画面完美的成片。

这就是成本下降带来的行为变化：以前为了省钱只能「一抽一」（生成一条、用一条），现在可以「一抽五」甚至「一抽十」——创作者的选择空间被显著放大了。

下一章，我们来聊聊 LibTV 这个平台，看看它是怎么把 H3 这个引擎「装进一辆好车」里的。

三、LibTV 到底是个什么东西：一张画布承载的创作野心

聊完了模型本身，该说说平台了。毕竟对绝大多数创作者来说，你不会直接对着 API 敲代码来生成视频——你用的是某个产品，在它的界面里完成创作。而平台的设计好坏，直接影响你的创作效率和最终成片质量。

LibTV 全称 LiblibTV，是 LiblibAI 在 2026 年 3 月 18 日推出的 AI 视频创作平台。在此之前，LiblibAI 已经在 AI 绘画模型生态（特别是 Stable Diffusion 生态）里积累了不小的名声，国内 AI 绘画圈的用户对「Lib」这个品牌应该不陌生。LibTV 则是他们把在图像生成领域积累的经验，平移到了视频领域。

3.1 核心设计理念：画布式创作，不是「输入框式」

大多数 AI 视频工具长什么样？一个输入框，你往里面敲提示词，点「生成」，等着看结果。这种交互对于「尝鲜」来说没问题，但对于真正要做内容的创作者来说，太简陋了。

LibTV 的做法不同。它借鉴了节点式工作流软件（比如 ComfyUI）的思路，但做了大幅简化——给你一张「画布」，你可以在画布上放置不同的节点（角色参考图、场景参考图、服装图、视频生成节点等），然后用连线把它们串起来，定义数据的流向和生成逻辑。

这么说可能有点抽象。打个比方：传统 AI 视频工具像一个自动售货机——你投币（输入提示词），它吐一瓶饮料（输出视频），你没得选。LibTV 则像一个开放式厨房——你可以自己搭配食材（素材）、选择烹饪方式（参数）、调整火候（迭代次数），最后端出来的菜是你全过程参与的。

我自己用下来的感受是：刚开始觉得有点复杂，因为习惯了「一键生成」的懒人模式。但花半小时熟悉了画布逻辑之后，就回不去了。因为画布让你能做很多「一键生成」根本做不到的事：

• 同一个角色在不同分镜里保持一致性（角色库 + 角色参考节点）
• 场景切换时保持环境逻辑自洽（720°全景图作为场景锚点）
• 批量迭代同一个镜头的不同版本（复制节点、微调提示词、平行生成）
• 把一套工作流存成模板，下次直接调用（工具箱功能）

3.2 角色库：告别「每次都要重新捏人」

AI 视频创作有一个老大难问题：角色一致性。你第一次生成的角色和第二十次生成的角色，看起来像不像同一个人？在传统工具里，这基本靠运气——或者说靠你反复调整提示词和种子值来碰。

LibTV 的角色库解决的就是这个问题。它的逻辑是：你提前在库中创建好一个角色，系统会为这个角色生成特写图、三视角图（正面/侧面/背面）、多表情设定图。之后你在任何视频节点里引用这个角色，模型都会以这套参考图为锚点来生成画面，人物的面部特征、体型、发型保持一致。

我在测试时从角色库里选了一个现成的角色（官方预置了不少），发现它的人物设定已经相当完整——特写图提供了面部细节，三视角图提供了体型和姿态参考，表情图覆盖了喜怒哀乐等多种情绪状态。把这些素材同时接入视频生成节点，输出的人物稳定性明显比「只用一张参考图」要好。

而且 LibTV 的角色库是开放的——你可以用别人创建好的角色，也可以上传自己的角色设定。对于团队协作来说，这意味着整个团队可以共用一套角色资产，不同人做的不同镜头里，主角都是「同一个人」。

角色库的底层逻辑其实很朴素——就是给模型足够多、足够全面的参考信息，降低它「自由发挥」导致走样的概率。这一点辛梓煜@词元二号站在实际使用中深有体会：很多时候 AI 视频翻车，不是因为模型不行，而是因为你给它的信息不够。

3.3 720°全景图：场景一致性的秘密武器

场景一致性是 AI 视频的另一个「地狱级」难题。假设你要生成一个 FPS 游戏演示视频，主角在一片废墟中移动、射击、躲避。如果只用一张静态场景图作为参考，模型只能「看到」你给它的那个角度——当镜头旋转到场景的另一侧时，模型不知道那边应该长什么样，于是就开始自己编。编出来的结果往往是：左边的建筑是红砖房，右边变成了混凝土楼，整个空间逻辑崩掉了。

LibTV 提供了一个工具叫「720°全景图生成器」。它的工作原理是这样的：

1. 你上传一张普通场景图（比如一张废墟的正面照）
2. LibTV 自动将这张图扩展成一张 720°全景图，包含前后左右上下六个方向的完整环境信息
3. 在视频生成时，以全景图作为场景参考节点接入

这样当镜头在场景中旋转、移动时，模型始终有完整的环境信息作为参考——无论你看向哪个方向，模型都知道那边应该有什么。

我用这个方法做了一个 FPS 游戏风格的测试视频。场景是一栋废弃工厂的内部，镜头跟随角色移动，依次展示了入口通道、主车间、二楼走廊三个区域。在整个 8 秒的视频里，工厂的结构逻辑保持了一致——入口的铁门、主车间的钢架结构、二楼走廊的栏杆，在所有镜头中都保持了相同的位置关系和视觉特征。

没有全景图的情况下，同样的测试我跑了三次，三次都出现了场景结构错乱——第二次测试中，主车间的天花板高度还出现了明显变化（从 5 米变成了大概 3 米），非常出戏。

3.4 工具箱和工作流模板：把好东西存下来

LibTV 还有一个很实用的功能叫「工具箱」。它的逻辑是：你在画布上搭建好一套创作流程（比如「角色库角色 + 720°全景场景 + 三个分镜节点 + 特定提示词模板」），可以把它打包存成一个工具箱模板。下次做类似内容时，一键加载，替换素材即可。

这个功能对于需要批量产出内容的创作者来说价值巨大。比如你做短剧，每一集的结构其实差不多——开场全景交代场景、几个角色轮流给特写、关键情节用中景——这套分镜逻辑存成模板后，以后每一集只需要替换角色素材和场景图，微调提示词，就能快速跑出一整集。

而且 LibTV 的工具箱是社区共享的。你可以在平台左侧看到别人分享的工具箱，一键加载到自己的画布里使用。社区里现在已经有不少现成的模板——短漫剧生成器、爆款视频复刻器、音乐 MV 生成器，覆盖了不少常见的内容类型。

当然，模板不是万能的。我试用了几个社区模板后发现，它最大的价值是帮你跳过「从零搭建画布」这一步，但提示词的具体细节还是要根据自己的素材来调整。模板更像是一个「骨架」，肉还是要自己填。

下一章我们聊一个更有意思的话题——Agent 模式，也就是让 AI 自己来操作这些工具。

四、Agent 模式来了：当 AI 开始自己剪片

如果说 H3 模型本身解决的是「生成质量」问题，LibTV 的画布解决的是「创作效率」问题，那 Agent 模式试图解决的则是一个更根本的问题：能不能让 AI 自己完成从剧本到成片的整个流程？

这是 2026 年 AI 视频领域最核心的趋势之一，也是辛梓煜@词元二号站这段时间最着迷的研究方向。

4.1 什么叫「Agent 模式」？

用最简单的话说：Agent 模式就是你给 AI 一个目标（比如「根据这个剧本做一集短剧」），AI 自己拆解任务、调用工具、一步步完成，中间不需要你手动操作。

更技术一点来描述，Agent 模式遵循一个「观察-思考-行动」（Observe-Think-Act）循环：

┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│  观察阶段    │────▶│  思考阶段    │────▶│  行动阶段    │
│  Observe     │     │  Think       │     │  Act         │
│              │◀────│              │◀────│              │
│  拿到上一步   │     │  分析当前状态 │     │  调用具体工具 │
│  的执行结果   │     │  规划下一步   │     │  执行操作     │
└─────────────┘     └─────────────┘     └─────────────┘

在 LibTV 的场景里，这个循环具体表现为：Agent 读取你的剧本 → 分析需要哪些角色和场景 → 自动从角色库创建或选取角色 → 自动生成场景设计图 → 自动为每个分镜编写提示词 → 并行调用视频生成节点 → 在所有分镜完成后自动剪辑合成。

整个过程，你只需要做两件事：给出剧本，等待成片。

4.2 LibTV 的 Agent 是怎么工作的？

LibTV 设计了一个很有远见的架构：同时为人类创作者和 AI Agent 设计。这意味着平台上的每一个功能，既有给人类用的图形界面，也有给 Agent 用的程序接口。

举个具体例子：你在画布上手动创建一个「角色节点」，然后拖一张参考图进去——这是人类操作路径。Agent 做同样的事情时，是通过 LibTV 的 Skill 接口，用代码指令完成「创建角色节点 → 从角色库选取角色 → 填入参考图」这一系列动作。

目前 LibTV 开放了 Skill 能力，支持 OpenClaw、Autoclaw、Kimiclaw 等 Personal Agent 接入。接入方式也很简单——去 GitHub 获取 LibTV Skill 安装包，配置好接口密钥，然后把 Skill 丢给 Agent，它就能自动调用 LibTV 的各项创作能力。

我用 OpenClaw 接入 LibTV Skill 后，做了一个简单测试：给了 Agent 一段 150 字的剧本（一个都市职场短剧的开场），然后什么都没管。大概 8 分钟后，Agent 返回了一条完整视频——包含 4 个分镜，每个分镜都有对应的角色、场景、提示词，视频节点全部生成完毕并自动剪辑合成。

结果的质量说实话有高有低。好的地方是：分镜逻辑合理，角色一致性保持住了，场景切换节奏也符合短剧的快节奏调性。不足的地方是：第一个分镜的人物表情和剧本描述的「疲惫地走进办公室」有出入——剧本要求的是「疲惫」，但生成出来的人物表情更像是「严肃」。

这个细节暴露出 Agent 模式目前的一个核心局限：Agent 可以准确执行技术步骤，但对「创作意图」的把握仍然不够细腻。 这也说明了为什么现阶段 Agent 模式更适合做「粗剪」——它帮你快速搭出框架，然后人类创作者在框架基础上做精细调整。而不是指望 Agent 一步到位出成品。

4.3 Agent 模式 vs 手动模式：什么时候该用哪个？

我把两种模式的适用场景整理了一下：