做过短视频的人大概都熟这套流程：想剪个片子，先在一个App里套模板，导出时蹦出一行字——去水印请开会员；想配个旁白，换另一个App，好听的音色锁着，解锁要钱；想要个像样的转场，又是一个App，又是一笔年费。一条本该一气呵成的活，被切成七八个收费关卡，每过一关都得掏一次钱。
我盯着那一排订阅账单看了很久，忽然觉得哪里不对。这些App卖给我的，根本不是什么神奇本事，而是把同一条流水线拆开，在每个接缝处装上一个收费闸门。真正干活的那几样东西——把想法变成画面、给画面配上声音、把碎片接成成片——底层其实都是公开的AI接口。被包装成"产品矩阵"反复收割的，是那层包装，不是能力本身。
于是我换了个活法：不再一个App一个App地买，而是把一个目标整个丢给一个AI Agent，让它替我把这条流水线从头到尾自己跑一遍。
我只写一段话，剩下的它自己安排
我给它的输入简单到有点不真实，就是一段文字——这条片子想讲什么。
它先把这段话当剧本，自己拆成一个个分镜，像导演写拍摄脚本那样，标清楚每个镜头讲什么、什么气氛、镜头怎么动。然后它给每个镜头先画一张定帧当起点，再调用文生视频的能力把静止的画面动起来；它还会把上一个镜头的尾帧接到下一个镜头的头帧上，让整条片子是连贯流动的，而不是一段段生硬地拼接。
画面有了，它接着配声音，而且是三路同时开工的：一路把旁白文字转成语音，一路按每一段的情绪从曲库里挑一首贴合的背景乐，还有一路照着画面内容找音效。最后它用一套剪辑工具，把画面、转场、配音、配乐叠到同一条时间线上，吐出一条完整的成片。
我从头到尾做的，就是把那段文字写好，然后等。
拿一个真实的活试过之后
光说不练没意思。我拿一个真正要交付的活试过它——给一段产品介绍做一条宣传片。我把那段介绍写成十几句话喂进去，没再插手，就在旁边看。
它自己把十几句话拆成了十几二十个镜头，自己定了一套冷峻的科幻质感，自己一帧一帧把画面生出来、动起来、配上旁白和音乐。一条一分多钟、带转场带配音的成片，它自己跑完大概半个多小时，烧掉的成本是几块钱——不是几块钱一个月的会员，是这一条片子实打实花掉的那几块钱。
真正让我舒服的，不是省了多少订阅费，而是我把那条被拆得七零八落的流水线，重新攥回了自己手里。模板、音色、水印、转场，原本是握在别人手里的一个个开关，现在它们只是我这条流水线上的几个环节，由我定义、交给Agent执行，中间没有谁再设一道卡。
它会老老实实告诉我哪里不行
当然，它不是魔法，我得把它的天花板讲明白。
生成画面的清晰度有硬上限，你想要更高的分辨率，它就是给不了；碰上人脸特写，模型那头会因为审核直接把镜头拦下来，这不是我能绕过去的；它也不懂什么叫"高级感"，审美的方向还得我先替它定死。但恰恰是这种会主动把边界亮出来的工具，比一个号称什么都能干的工具可信得多——你至少清楚哪些活能放心交给它，哪些还得自己上手。
短视频只是个开头
把"短视频"三个字换掉，这套打法立刻有了别的去处。
任何一件被大厂拆成订阅矩阵、在每个环节都向你收一次费的重复劳动，理论上都能用同一个思路重新编排：你负责定义这条流水线长什么样，Agent负责把中间那段又繁又重、最磨人的执行，自动地走完。区别只在一件事上——主动权到底在谁手里。
所以我现在很少再纠结该续哪个App的会员了。那一排订阅入口还在，我只是不再从那里进去。我更愿意把那段文字写好，按下回车，去倒杯咖啡，回来看一条本就属于我自己的片子，正安安静静地躺在那儿。
本文分享的是个人用AI Agent搭建自动化工作流的思路与体会，不针对任何具体产品，所涉技术细节均为通用能力层描述。
