Agentic video 不是人人都能当剪辑师，而是视频第一次变得值得做

去年十一月 Opus 4.5 出来之后，大约一个月，中间还隔着假期，人们才认定它不只是又一次增量。它是 agentic coding 的台阶。那之后的 2026 年，智能体编程成了最重要、也最主导的人工智能用法。没写过软件的人开始琢磨，怎么把写代码放进自己的知识工作。

Opus 5.5 上市也有差不多长的时间。主持人看到的是又一次台阶，更隐蔽，对象换成了视频编辑。这期是 The AI Daily Brief 的一集操作者长评，没有单独嘉宾。中间有赞助口播。下文不用那些口播里的客户故事和百分比。

原始来源：Agentic Video is Real and Here's What You Should Try。中文深度整理，非逐字翻译。本文依据 YouTube 自动生成的英文字幕，专有名词和数字可能有识别误差。Opus 45、Opus 55 下文作 Opus 4.5、Opus 5.5。codecs、clawed code、cloud code 下文作 Codex、Claude Code。生成影像的型号按字幕字面保留，不改成另一款已发布产品。字幕没有清晰报出主持人全名。

制作链上，好几步同时松了

新模型出来时，人们先比的是自己天天在做的任务。几周到一两个月之后，才会发现某一批几乎同时到的模型打开了一件以前做不到、或以前只能用别的办法做的事。主持人把 Opus 4.5 前后、紧跟着的 GPT 5.2 当作这种例子：智能体编程由此变得能用。不是只会用简化工具的人多了，而是非开发者可以在模型自己的界面、自己的 harness 里，做出更复杂的东西。Harness 是包住模型、让它能调用工具并维持运行的那一层。过去一个月，他把同样的判断用到视频上，尤其归到 Opus 5.5。

TikTok 和 YouTube 这十年，做视频的人已经多了。手机和 CapCut 能做的，仍有一道清楚的界限。他认为这道界限正在消失：没花很多时间学过视频的知识工作者，开始做得成有剪辑、有图形的成片，而不只是竖屏短片。他自己的猜测是，未来 6 到 12 个月，会有更多人把视频用在更多事上。这是猜测。

一部视频不是把镜头对准东西就结束。要有脚本和结构：讲什么，看起来、听起来如何，节拍按什么顺序。要有素材和 B-roll。要录。然后是剪、接、改、声音。再往上是图形和动画。要传播的话，还有翻译，以及为社交渠道再剪短的版本。步骤一多，过去就是一群人，或者很少的人加很多加班。

他把松动拆成八步。

编辑先变成对话。前几年已经有一截：在脚本文字上标出字句就能删改，时间线跟着动。字幕把走出这一步的产品听成 the script，后文又听成 Descripts，下文按 Descript。模型够用之后，英语提示就能做下一步：找出好的条，剪掉沉默和口头禅，放上 B-roll，铺一版初剪。这不再只属于专用工具。他点了 Descript 的 Agent Underlord、Adobe Firefly 的助手，以及 Premiere 的 Paperedit。同一代模型里，这些也成了 Codex 和 Claude Code 的能力。

其次是模型能看素材。剪辑里最慢的一步一直是看。他举的请求是：在 20 小时通话里，找出客户抱怨入职的三个时刻。有的模型并不是在看画面，而是用转录和时间戳近似。他说这一点正在变。谷歌在九月初推出 Agentic Video Understanding。按主持人转述对方的说法，token 效率最多提高约 88%，准确度大约提高 7%，最大的增益在 90 分钟的讲座和多小时的录像上。能看，或能近似地看，对话式的剪辑才交得了差。

连接器把原料送进来。做内部视频时，会议录像、通话、演示、文档、仪表盘已经有现成的接口，不必再为「模型怎么够到这些东西」单做一套系统。

计算机使用让智能体自己录。演示片可以不只是写计划。智能体在自己的虚拟电脑里打开页面，录下带有动画光标的操作。他称这还是刚出现的能力，往后只会更强。

动画进了同一条链。Claude Code 可以把动画写成 React，再用 Remotion 的智能体技能渲染成文件。动画的用处不限于好看和留住注意力。密的信息可以用它讲清楚。他在做一条叫 how we got there 的长片，自己的经验是动画比生成出来的 B-roll 更适合。Claude Code 没有原生的图像生成。要用的话，接 OpenAI 的图像接口或其他图像接口。总控仍可以交给 Opus 5.5。

生成画面这几个月也在变长、变可控。字幕点的名字是 Clling 4.0 和 Gemini Omni 1.1，用来在没有库存素材时补 B-roll。声音变得平常，是从字幕里的 VO3.1、Runway Gen 4.5 和 Clink 3.0 这一档开始：领先的生成模型连声音一起出。他提醒，生成画面不都能离开恐怖谷。有的场合他仍觉得非动画的生成素材会有用。

数字分身和合成声音开了另一类用法。已经有创作者在做完全由人工智能出演的第二频道。他还没看到定论：这些频道在生态里有没有位置，人们会不会仍然觉得怪。即便社交平台上的分身被拒，有些片子仍得自己出镜。公司内部是另一回事。跨国团队的配音和多语言翻译，产出的价值在他看来明显高于分身的怪异。

最后一步是这些能力已经进了正在用的工具。Loom、Premiere、Firefly 都在加。他更看重的是另一头：整条链路可以在 Codex 或 Claude Code 里做完。视频变得人人做得了，他认为会从 OpenAI 和 Anthropic 的这些 harness 里长出来，超过任何一个专用视频工具。

限制他还是数了。生成片段仍是几秒，不是几分钟。时间线编辑不完美，常常要过好几遍。高级动画、生成和剪辑的费用可以很快变贵。这些都成立。他认为拐点已经到了：一个普通的知识工作者，现在至少该花一点时间想，视频能不能帮上自己工作里的沟通。

六种情况里，视频比那份文案更合适

用例之前他先给判据。每个人的上下文不同，先问视频在什么时候会赢过本来要用的格式。

第一种：该被看见。一张图已经比纯描述有用，而这张图又会受益于运动和节奏。界面是一种。多步流程是一种，步骤彼此挪过去，比写下来值。数字的变化没那么显眼。第一季度和第二季度的差别，图表已经能把落差演出来，一段把流动演出来的视频可以再往前走。

第二种：受众不会读那份文档。问题不在于格式本该是什么，而在于谁需要它、又不会去读。时间紧的高管、一线、不想看一大段字的顾客。注意力有天然上限的受众，是视频的候选人。

第三种：同一套解释要反复说。入职和客户教育都是。新的能力是这些视频越来越能自己更新。以前做不到。

第四种：同一份材料要有不止一种语言。以前极难，现在在他口中变成顺手的事。

第五种：原料已经录好，只是还没被剪到一起。有些就是把一种视频转成另一种。没人会去看自己没参加的 60 分钟 Zoom。90 秒、或者 2 到 3 分钟、只留要点的版本，他认为看起来就合理得多。

第六种：要把信念和情绪落地。文字也能做。视频在做得好的时候，是一种更完整的介质，人即使不在场，判断背后的分量也更容易过去。

先在内部做，对外只是把试验做起来

他建议从公司内部开始。人们一听视频会想到营销。能从视频里得到不同价值的沟通，大量发生在内部。

概念视频给还不存在的东西。用自然语言把一个新功能讲成可运行的原型，已经是一种解释办法，哪怕讲解的人不是开发者。概念可以是界面、一场还没办的活动、店面布局、重组、顾客路径、新流程。文字的信息密度比不过画面。产品可以仍从原型开始，人用 Loom 走一遍，或者让有计算机使用能力的智能体自己录，再让它想下一步可以长成什么样。更抽象的概念，他给的顺序是：先把概念说清，这步可以用人工智能；再和它讨论该怎么可视化；然后决定锚点画面是什么。新的入职流程，锚点是把现有零件走一遍，或做一个演示、一个原型。新的店面则可能从平面图开始，加上效果图。智能体接着可以帮忙把概念补全、选出画面、必要时把画面生成出来、写脚本、执行录制、找外部素材、剪成一条。

会议压成 2 到 4 分钟，是他把新剪辑能力用上的第二件。很多会议，文字纪要就够，尤其是信息不多、也没有争论的站会。缺席的那场如果有过认真的、甚至激烈的争论，价值在于看见交锋本身，而不只是读一份转录。他同时把边界说清：不是要把所有会议变成视频。大多数会议大概不值得。不值得做成视频的会，他宁可改成文字。那是另一件事。

第三件是把公司外面的顾客说的话，送到公司里面。销售电话、客服录音、顾客研究，都算。聚合和挑出主题，本来就可以不出视频。大量反馈收成可执行的主题，已经是人工智能的好用途。这些主题到不了做决定的人手里，就仍然不算数。视频用在这后半截。

第四件是高管预读。要进一场重要会议的人，得在很短时间里把一份战略文件或商业论证听懂，并且说得上来。他把这类成片称为给不会去读的人准备的预读。如果一家公司里这听起来过分悲观，他祝贺那家公司。

第五件是会自己更新的视频，他认为这才是智能体视频专有的一类。以前不做视频，常常是一笔算得过来的账：时间和钱，对着保质期。操作说明、标准流程、界面导览，一年一变、半年一变、甚至一季一变。片子三个月或六个月后就过时，历史上不值得做。现在可以搭一条流水线，智能体按任务去找原料、写或改脚本、做画面、剪最终文件，到点自己更新。他说这不是远景，Claude Code 里现在就能搭。视频从一次性资产变成活的资产。更新的成本是搭建，加上每次跑所用的 token。

数字在动，是他觉得眼下就能做好的一种。仪表盘告诉你站在哪。带旁白的图表告诉你变了什么、为什么。数据和动画都接得上前面那种自我更新。分角色的入职也适合：维基、旧录像、过去会议的片段、薪酬方案、数据架构、定价、新政策，原料已经堆在那里。他的试法是，挑一件你负责反复解释的事，先对着 Claude 漫谈，让它想一种更清楚的讲法。把散的输入收成简单的输出，是模型擅长的。简单的输出现在可以动起来。

交接是内部的最后一条。人离开、休产假、换岗，甚至只是休假，都会漏东西。要走的人往往忙到最后。说话比写快，也比写完整，还不要求想法先被整理好。让当事人先漫谈，再由人工智能做成给下一个人的交接视频。

对外他只鼓励试验。短视频平台，以及 Instagram Reels、YouTube Shorts 这类功能，已经把消费习惯改成大量信息以短视频进来。内部的演讲、网络研讨会、播客出镜，或已有的音频，可以剪成给这些渠道的片子，不必净做新的。他写明：模型能把视频从头做到尾，本身还不等于一套对外的视频策略。值得做的是先试，看产出够不够让人继续投。

长一点的思想领导力是第二条对外建议。岗位和行业里攒下的判断，有一部分对别人有用。哪一部分只对自己有用，本身是一项技能。最简单的做法是选定题目，用 Loom 或手机对着镜头漫谈，剪辑和图形交给模型。也可以先漫谈，再和模型收成仍像自己声音的短脚本，然后按脚本讲，让模型从这版素材往下做。

销售和客户还有两笔。一条基础视频，可以由视频智能体自动做成 20 或 30 个版本，换上对方的名字、数字和用例。提案如果已经是 PDF，或者讲究一点做成网页，他看不出有什么理由不附上一条短的、视觉更密、把判断说完整的视频。客户教育若走流水线，可以保持不过时。

一条视频和一条流水线，差别在你怎么跟模型共事。做一条，是在 Claude Code 里说明要讲什么、原料在哪、大约多长，然后让它跑。做流水线，是写一个带流程逻辑的应用。单条视频里的那些步骤还在，外面套着触发：每个月初，或由你手动启动。智能体去找更新，按更新改脚本，拿最新一版片子和原始素材，做出下一版。视频是视频。流水线是一个会反复生产视频的应用。

他给了三层起步，免得清单太长。第一层：让模型剪已经录好的东西。一场会议，要一条集锦。这只是编辑坐在现成素材上，足够感觉到它能做什么。第二层：做出以前做不出来的东西。把上季和这季的结果表格喂给 Claude，让它做一段会动的图表。或者做一条完整的产品概念片。从「剪已有的」走到「净新的」，是过去几个月才变得容易的事。第三层：让流水线自己跑。例如每周五，智能体去拉指标、工单或已经发布的功能，渲一段两分钟的更新，再按定好的方式发出去。做出一条之后，才知道这种流水线还能长出什么别的。

收束他把类比说死。智能体编程的意义，从来不是让不会写代码的人取代开发者。意义是让不会写代码的人用代码解决手头的问题，做出以前做不到的东西。视频同一条逻辑。他可以把热情说满，同时没有一个世界里，他或听众这些没有受过剪辑训练的人，拿着同样的工具，能做出和剪辑师、制片人、导演一样好的东西。那些人的手艺以前不会被用到这些内部材料上，因为成本收益不成立。成立之后，视频才能被用来把工作做得更好。