我对 AI 视频工具的态度一直有点矛盾。
过去一年多，Runway 出了 Gen-4，OpenAI 发了 Sora，Pika 从 1.0 迭代到 2.0，Kling 和 MiniMax 也各自占据了一席之地。它们生成的画面质量确实在肉眼可见地提升。但每次我用完都有一种相似的感觉：你给了它一句 prompt，它吐出来一段几秒到十几秒的画面。然后呢？
然后就没有然后了。
哪怕我花了一个小时打磨 prompt，生成的还是一个孤立的片段。要把它变成真正能用的视频——需要脚本、场景规划、旁白、音乐、字幕、剪辑、转场——一个都没少。
这就是为什么我打开 OpenMontage 的 README 时愣了一下。它的描述是：「世界首个开源 agentic 视频制作系统。把你的 AI 编程助手变成完整的视频制作工作室。」我当时的第一个反应是：这话说得太大了。
但它的 GitHub 数据说服我值得一试——27.8k star，#1 GitHub Trending，156 次提交和 400+ agent skills。于是我花了一个周末读它的架构。
结果比我想象的有意思。
它不是又一个视频生成工具
这是我读完整个代码库后最大的感受。OpenMontage 完全没有自己的视频生成模型。它不和你比画面质量、比风格一致性。它在做的是一件完全不同的事：编排。
传统的 AI 视频工作流是这样的：
输入 prompt → 模型生成 → 输出一段 clip → 手动剪辑
你得到的永远是一段 raw footage。后续的一切——剪裁、配音、组合、加字幕——还是你的事。工具只解决了「生成画面」这一个环节。
OpenMontage 的流程长得多：
研究 → 提案 → 脚本 → 场景规划 → 资产生成 → 剪辑 → 合成 → 审查
每一个环节都不是空架子。写脚本之前，agent 先跑 15-25 次网络搜索，在 YouTube、Reddit、学术来源上收集数据。生成画面之前，它有一个 7 维度的评分系统为每个提供商打分。渲染之后，它跑 ffprobe 验证、帧采样检查黑屏、音频电平分析、字幕校验——全部自动走一遍。
我仔细看了看这个 7 维度评分系统：任务契合度 30%、输出质量 20%、控制功能 15%、可靠性 15%、成本效益 10%、延迟 5%、连续性 5%。每一个提供商选择都会被记录，连备选方案和降级路径一起。
这不像一个视频工具。这是一个有质量管线的自动制作流程。
Agent-First 架构为什么有点疯狂
先看它的架构设计：
Agent 读取 YAML 管线清单 → 读取 Markdown 导演技能 →
调用 Python 工具 → 自我审查 → 状态检查点 → 提交审批 → 渲染
关键在于：没有 Python 编排器。没有中央控制器在调度一切。你的 AI 编程助手（Claude Code、Cursor、Copilot、Codex、Windsurf）本身就是编排器。Python 只负责提供工具和持久化存储，所有决策逻辑都写在纯文本的 YAML 和 Markdown 里。
这个选择很有意思。从工程角度看，把所有编排逻辑交给 LLM agent 去执行既不可预测也无法保证可靠性。但换个角度想：如果目标是利用 LLM 的语义理解来做创意性决策——比如「这段脚本需要一个什么样的情绪基调」「这个地方该用推镜头还是拉镜头」——那硬编码逻辑确实做不到。
我在 PROJECT_CONTEXT.md 里看到一段注解，直接写了「No Python orchestrator, no Python reviewer, no Python handlers」。这个立场挺坚定的。
代价也很明显：每次执行流程的质量，不取决于代码质量，而取决于 agent 当时的状态和 prompt 质量。这就是 OpenMontage 为什么要写 400+ agent skill 文件，覆盖每个工具的使用方式、每个管线的导演方法、每个质量关卡。
三层知识架构是这样的：
Layer 1: tools/ + pipeline_defs/ → 有什么可用
Layer 2: skills/ → OpenMontage 期望你怎么用它
Layer 3: .agents/skills/ → 底层技术怎么工作的
每个工具都在代码里声明自己依赖哪些 Layer 3 skill。Agent 读到这个工具，先读对应的 skill 文件，再执行操作。等于说把「使用手册」嵌到了代码的调用链里。
成本数字真实到让人不适
OpenMontage 有一个让我印象很深的设计是它在成本上极其透明。每一个示例视频都贴了实际花费。
「亚历山大图书馆」那段 70 秒的历史挽歌，五个自定义场景、OpenAI 旁白、免费配乐，一共就在 API 上走了 0.15。「最后的香蕉」那条皮克斯风格短片，六个 Kling 运动片段配上 Chirp3-HD 旁白和词级字幕，0.69 完片。
能做到这么便宜，是因为管线能在免费层干活。Piper TTS 是本地离线语种合成，Archive.org 和 NASA 的素材是免费的，Pexels 和 Pixabay 的开发者密钥也是免费的，Remotion 是本地基于 React 渲染的编排引擎，FFmpeg 负责后期。如果你有一个 GPU，WAN 2.1 和 Hunyuan 的本地视频生成也是免费的。
预算治理也写进代码了。执行前先预估费用，可以设定单行动作审批阈值（默认 10）。commit 之前告诉你大概要花多少，超了就拦住。
我对这个设计比较认可。AI 视频工具现在最大的隐性成本不是 API 费用，而是「你花了一小时调 prompt 最后生成的东西用不上」。OpenMontage 至少在浪费 GPU 时间之前先告诉你可能会花多少。
真实素材 vs 动画图片：一个关键区分
很多所谓的「免费 AI 视频」，仔细看一下，本质上是把几张图片用 Ken Burns 效果推拉一下。OpenMontage 在 README 里专门澄清了这件事：它支持两种路径。
一种是图片动画路径——Piper 配音 + FLUX 图片 + Remotion 动画引擎，花 $0.15 做一段视觉叙事。适合科幻概念、吉卜力风格、产品宣传之类不需要真实画面的场景。
另一种是真素材路径——从 Pexels、Archive.org、NASA、Wikimedia Commons 构建 CLIP 可检索的语料库，然后剪出真正的动态画面，拼成一部时间线上的成品。适合纪录片、城市氛围、历史素材拼贴这类需要真实镜头的场景。
这个区分其实挺重要的。现在市场上很多号称「AI 生成视频」的产品，本质上只是给图片加了缩放和交叉淡入淡出。OpenMontage 至少明确告诉你是哪种路径，而且两个路径的成本和画质预期都摆在那里。
它能做什么，不能做什么
用了整整一个周末读完架构后，我的判断是：
最合适的场景是那些「快速出片、预算很低、团队能动命令行」的需求。独立开发者做一个产品宣传短片、技术团队出一段教育解说、内容创作者把长播客切成社交片段——在这些场景里它比手动剪辑靠谱很多。
不太合适的场景是「需要精修、品牌调性严格、高画质要求」的商业项目。它的质量上限受限于两件事：一是 agent 的推理能力（如果 agent 今天状态不佳，脚本和画面质量就会下降），二是底层模型的能力（FLUX 的画面再好也比不上专业摄影 + 后期调色）。
还有一个我现在还不确定的：当管线从研究走到合成要走七八个决策步，每一步 agent 都可能出现幻觉或判断偏差。链式错误累积之后，最终结果可能和预期差得很远。OpenMontage 在每个阶段后做了自我审查和人工审批节点，理论上是想拦截这件事，但实际效果取决于 agent 的自我纠偏能力。
另外，它不是独立应用。你必须有一个 AI 编程助手、能跑 Python 和 Node.js 的环境、愿意在终端里操作。这对非技术用户门槛偏高。
为什么它让同类项目显得保守
OpenMontage 选择了一个和其他 AI 视频工具完全不同的竞争维度。Runway 比的是画面质量、Sora 比的是物理世界理解、Pika 比的是易用性。它们都在争「谁生成的那几秒最好看」。
OpenMontage 不争这个。它默认你已经有办法生成画面了（FLUX、Kling、Veo、DALL-E，你随意），它管的是生成之后的事——怎么把这些片段和脚本、语音、音乐、字幕、转场整合成一个完整的视频。
它把 video generation 当管线里的一个模块，把 video production 当成要解决的根本问题。前者是做一段画面，后者是做一个完整的视频，中间差了好几个数量级的复杂度。
我感兴趣的其实不是 OpenMontage 本身。而是它选择的这条路径——不造模型，造管线——会不会成为 AI 视频领域的 Next.js。不是最好的渲染引擎，但因为它管了从开发到部署的全流程，人们愿意在上面干活。如果类比到前端工具链的演化：webpack 不一定是打包最快的，但它生态最好，大家就是在上面搭东西。OpenMontage 对 AI 视频的野心是类似的。
内容创作者和开发者对「视频制作」的理解差异很大。后者觉得 yaml+markdown 很自然，前者会觉得你在开玩笑。OpenMontage 现在明显偏向开发者一侧，但它的架构——可读的指令文件、可插拔的工具注册表——理论上可以接一个面向创作者的 GUI。当然，只是理论上。
你现在就可以去试：make setup 然后跑 make demo，运气好十五分钟就出一条片子。运气不好两小时环境还没搭通。没有中间商，也没有客服。这就是目前的状态。
原创技术博客 · 开源项目分享 · AI全栈创作社区 idao.fun
