AI 视频 Agent 与 Skill 全流程实操指南：从一句话到成片，把剧本、分镜、生成、剪辑压进同一条工作流

本文由 辛梓煜@词元2号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

如果你只想要一个结论：AI 视频创作现在的分水岭，已经不是"哪个模型画得好看"，而是"谁能把一整套拍法封装成可以反复调用的流程"。本文以 LiblibAI 旗下的 AI 视频创作产品 LibTV（www.liblib.tv）为例，把这条流程从头到尾拆一遍。所谓 Skill，本质上就是一份写给 AI 的拍摄方法说明书——它把风格定义、素材清单、分镜规范、输出标准全部固化下来，你选中它，Agent 就按这套规矩往下跑，从故事大纲、角色三视图、场景图、分镜表，一直做到多段视频、背景音乐、字幕和最终合成。它真正解决的不是"一键生成"这四个字，而是把过去分散在十几个工具、几十轮抽卡里的重复劳动，收进了同一块画布。全自动模式适合快速出片，手动模式适合把自己的想法塞进每一个环节，而当现成 Skill 满足不了你的风格时，你可以自己建一个——填名称、写简介、说清任务、执行方式和输出内容，五分钟就能拥有一位听你话的专属 AI 导演。

这篇文章我会把整条链路拆开讲透：概念是什么、Agent 在画布里到底做了哪几步、全自动和手动分别怎么操作、Skill 广场怎么挑、专属 Skill 怎么从零搭出来、锚点和分镜为什么是长视频不崩的关键，以及我自己折腾下来踩过的那些坑。

想看完整拆解，往下翻。

一、15 秒这道坎，到底卡住了什么

玩过 AI 视频的人，大概都对"15 秒"这个数字有心理阴影。

不是模型不行。单段画面的质感这两年进步得非常凶，随便挑个主流模型，出一段光影漂亮、运镜利落的片段并不难。难的是第 16 秒。你要让第二段的人脸和第一段是同一张脸，衣服是同一件衣服，房间的灯光色温不能突然从冷白跳到暖黄，镜头的情绪还得接得上。这些事，模型本身不负责。

于是过去的做法是这样的：先在一个工具里写剧本，再换一个工具生成人物参考图，还要单独做场景参考图，然后回到视频工具里一个节点一个节点地连线，把参考图喂进去，逐段生成，逐段抽卡。抽到满意的，下载下来，导进剪辑软件，配字幕、配音乐、切节奏。中间任何一步不满意，就得往回倒。

我自己最狼狈的一次，是同时开了六七个标签页，脚本还没写完，浏览器先卡了。那种感觉不是"创作受阻"，是"行政工作太多"——真正属于创意的部分可能只占两成，剩下八成全是搬运、连线、复制粘贴、等待。

1.1 问题的根不在模型，在流程

把这件事拆细一点会更清楚。做一支有剧情、有镜头、有节奏的完整短片，中间至少要经过这么几层：

• 创意层：主题、故事大纲、情绪基调、视觉风格；
• 资产层：角色形象、服装造型、场景影调、道具、背景音乐；
• 结构层：分镜表、每一镜的时长、景别、机位、台词；
• 生成层：逐段出画面，逐段校验一致性；
• 后期层：剪辑、转场、字幕、混音、合成。

传统工具的分工是：模型只管"生成层"那一格。剩下四层，全是人肉在跑。而人肉跑这四层最大的成本，不是脑力，是上下文的反复搬运——你在 A 工具里定好的风格，到了 B 工具要重新用提示词描述一遍；你在 C 工具里选定的人脸，到了 D 工具要重新上传一遍。

信息每搬一次家，就漂一次。漂到最后，成片就散了。

1.2 Agent 进画布，改的是什么

真正的变化，是 Agent 被塞进了画布本身。

以前的画布是给人用的：你自己创建节点，自己连线，自己填提示词。现在画布右侧直接挂一个对话框，你用大白话说需求，节点的创建、连线、参数填写、资产调用、最终合成，全部由 Agent 在同一块画布上接着做。你从"操作员"变成了"发号施令的人"。

我第一次遇到这种交互的时候，其实是懵的。习惯性地想去画布上找"新建节点"的按钮，找了半天没找着，反应过来：不用找了，直接说就行。说完之后眼睁睁看着画布上自己长出一堆节点、自己连上线、自己开始跑——那种感觉挺难形容的，像是从"自己搬砖"变成了"站在旁边看施工队干活"，而你要做的只是在关键的地方指一句"这堵墙往左挪半米"。

这个转变听起来像是省了几次点击，其实省掉的是整个上下文搬运的过程。所有资产都躺在同一张画布上，Agent 随时能引用，风格自然就不容易漂。这也是我认为这一波更新里最有价值的一点——它不是给你多加了一个功能按钮，是把工作台整个换了。

二、先把黑话翻译成人话：画布、节点、Agent、Skill

新手最容易在这几个词上卡住，我用最白的话过一遍。

在开始之前，先把主角交代清楚，免得后面读着犯迷糊：本文实操用的工具叫 LibTV，是 LiblibAI（哩布哩布） 在 2026 年 3 月推出的 AI 视频创作产品，官网 www.liblib.tv。LiblibAI 这个名字，玩过 AI 绘画的人应该都不陌生，它早年是国内做得比较大的模型社区，后来把能力延伸到了视频这一侧。LibTV 就是这条线上的产物——一块无限画布，加一个能干活的 Agent，再加一套 Skill 体系。

下面所有的概念和操作，都以 LibTV 为例。但要说明的是，这套"画布＋Agent＋Skill"的思路并不是它独有的，同类产品也在往这个方向走。所以你真正要理解的是这套方法论本身，工具只是载体——看懂了逻辑，换个平台你照样能上手。

2.1 画布（Canvas）

画布就是一张无限大的白纸，你所有的素材和生成结果都摆在上面。 它跟传统剪辑软件的时间轴不一样，时间轴是一条线，画布是一个平面——你可以把人物图放左上角，场景图放右上角，分镜表贴中间，视频片段排下面，彼此之间用线连起来表示"谁引用了谁"。

用过节点式创作工具的人会秒懂；没用过也不用怕，因为现在你可以完全不碰它，让 Agent 去画。

2.2 节点（Node）

节点就是画布上的一个个小方块，每一个方块代表一份素材或者一次生成动作。 常见的节点类型有文本、图片、视频、音频、脚本几种。一个"图生视频"的节点，往上连着一张参考图，往下吐出一段视频，逻辑关系一眼可见。

节点最大的好处是可追溯。哪一镜出了问题，你不用把整条片子重跑，找到对应的节点，单独重生成就行。

2.3 Agent（智能体）

Agent 就是画布右边那个会干活的对话框。 它跟普通聊天机器人的区别在于：普通机器人只会说，Agent 会动手。你说"帮我做一支复古风格的青春短片"，它不会给你回一段文案，它会真的去创建节点、生成图、调模型、合成视频。

更关键的是它会反问。任务信息不全的时候，它不会硬着头皮瞎猜，而是停下来问你：多长？什么画幅？哪种语言的字幕？要不要旁白？我第一次用的时候还挺不适应，因为习惯了 AI 工具"你给什么它做什么"，突然被反问，反倒觉得踏实——它是真的在对齐需求，而不是在赌概率。

2.4 Skill（技能）

这是整篇文章的核心。

Skill 就是一份写给 Agent 看的"拍法说明书"。 它里面写清楚了：这种风格的片子长什么样、需要准备哪些素材、分镜按什么节奏排、画面用什么影调、最后交付什么格式。你选中一个 Skill，等于给这次创作请了一位有明确方法论的导演。

打个比方可能更好懂：模型是摄影机，Agent 是能听懂人话的执行团队，而 Skill 是导演手里的那本分镜脚本加拍摄规范。同样一台摄影机，交给不同的导演，出来的东西天差地别——差的就是这本规范。

辛梓煜@词元2号站 在这里多提醒一句：很多人一上来就纠结"该用哪个模型"，其实在这套体系下，模型的选择权大部分时候可以交给 Agent。你真正要花心思的是 Skill 的挑选和定制，那才是决定成片调性的地方。

三、Skill 的运行逻辑：一套被封装起来的方法论

搞清楚 Skill 里到底装了什么，你才知道为什么它能扛住长片。

3.1 一个 Skill 的详情页里有什么

正经的 Skill，详情页会把这几件事写明白：

• 风格介绍：这套拍法追求什么样的视觉与叙事气质；
• 适用时长：它擅长的片长区间，有的擅长 15 秒短平快，有的能撑到几十秒的剧情段落；
• 使用场景：适合拍什么题材，不适合拍什么；
• 需要的素材：要不要你提供产品图、人脸参考、音乐；
• 输出内容：最后交付人物三视图、场景图、分镜提示词、BGM、完整成片中的哪几样。

有的 Skill 还带一个"创作详情"入口，点进去能看到官方样片背后的完整画布——角色图、场景图、分段视频、BGM、字幕、合成节点全都摊开给你看。这个功能我强烈建议每次调用前都点一下，因为它等于让你在下单前先看清楚这位导演的工作方式。

3.2 Agent 拿到 Skill 之后，实际跑了哪几步

不管是哪种题材，跑起来的骨架基本是一致的：

用户意图（一句话 / 一段大纲 / 一张参考图）
        ↓
Agent 反问补全（时长 / 模式 / 画幅 / 语言 / 核心元素 / 大纲来源）
        ↓
风格基调锚定（moodboard，定死整片的色彩与影调）
        ↓
资产层生成（角色三视图 → 服装造型 → 场景影调图 → 道具）
        ↓
结构层落盘（锚点清单 + 分镜表，写成文件存进画布）
        ↓
分段视频生成（按分镜表逐镜或并行出画）
        ↓
音频层（BGM / 旁白 / 对白）
        ↓
合成节点（拼接 + 转场 + 字幕 → 成片）

用流程图看会更直观：

graph TD
    A[一句话需求] --> B{信息够吗}
    B -- 不够 --> C[Agent 反问补全]
    C --> D[生成风格基调图]
    B -- 够 --> D
    D --> E[角色三视图 / 场景影调图]
    E --> F[锚点清单]
    E --> G[分镜表]
    F --> H[分段视频生成]
    G --> H
    H --> I{效果满意吗}
    I -- 否 --> J[定点返修单个节点]
    J --> H
    I -- 是 --> K[BGM + 字幕]
    K --> L[合成节点输出成片]

注意 F 和 G 那两个框——锚点清单和分镜表。这是整套机制里最容易被忽略、但恰恰最要命的两样东西，我在第八节会专门展开讲。

3.3 为什么 Skill 不是"一段更长的提示词"

这一点我特意想澄清一下，因为很多人第一反应是："这不就是把提示词写长一点存起来吗？"

不是。差别在三个地方：

第一，Skill 是带流程的。提示词是一次性的输入，Skill 是一条有先后顺序、有分支判断的执行路径——先定基调，再出资产，资产确认后才动视频，顺序错了效果就散。

第二，Skill 是带交互点的。它规定了哪些环节必须停下来等你确认。角色造型给你四套让你选，场景影调给你四张让你挑，这些"停顿"是写在方法论里的，不是随机的。

第三，Skill 是长在具体框架里的。它要由 Agent 来理解意图、选择模型、调度工具。同样一份 Skill 文本复制到另一套系统里，离开了原来的模型组合和调度方式，也很难复现出一样的结果。所以它更像一套"方法＋环境"的组合，而不是一段可以随便搬走的文本。

3.4 顺便说说：为什么视频 Agent 这么难做

聊到这儿，可以回答一个很多人心里的疑问：文字类的 Agent 早就遍地都是了，为什么视频 Agent 拖到现在才有像样的东西？

我的理解是，卡点在于"交付"这两个字的门槛太高。

写文章的 Agent，输出一段文字，好不好你一眼就能判断，不满意重写的成本几乎为零。视频不一样。一支片子要算"能交付"，至少得同时满足两个条件：

一是结构完整。 它得是一支可以直接放到内容平台上被消费的作品——该有的片头片尾、字幕、音乐都在，音画同步，不需要再进任何后期软件就能发出去。缺一样，它就只是"素材"，不是"作品"。

二是过程可控。 观众不会因为你是 AI 做的就降低标准。人脸漂了、影调跳了、节奏散了，一样出戏。而这些问题，恰恰是链路越长越容易出。

这两个条件叠在一起，意味着视频 Agent 不能只做"生成"这一格，它必须把创意、资产、结构、生成、后期五层全部串起来，还得在每一层都不掉链子。链路上任何一个环节偷懒，最后交付的都不是成片。

想明白这一点，你就理解了为什么锚点、分镜表、合成节点这些看起来很"工程"的东西会被摆在这么重要的位置——它们不是花架子，是把一条长链路撑住的骨头。

3.5 三种角色，谁负责什么

我用一张表把整套体系里的分工再捋一遍，看懂这张表，后面的所有操作都会变得很自然：

看这张表最大的价值在于：当片子不