视频生成只是开始，AI 如何把内容做对？

过去做一条视频，通常要先学会使用剪辑软件，再选择模板、调整镜头，最后一点点完成包装。工具降低了创作门槛，却没有替用户回答一个更关键的问题：这条视频究竟要完成什么？ 10 月 22 日，在 QCon 上海 2026 主论坛上，小影科技创始人兼 CEO 韩晟以《从工具到 Agent：小影内容创作的三次范式迁移》为题，分享了小影在内容创作领域的长期实践。 在他看来，AI 对内容创作的改变，正从“帮助用户生成素材”，进一步走向“理解用户目标，并交付最终结果”。 小影科技创始人兼 CEO 韩晟 一、从剪辑工具，到能够交付结果的 Content Agent 小影科技成立至今已有 14 年，长期服务全球大众用户的视频创作需求。韩晟介绍，小影相关产品累计下载量已经超过 20 亿。伴随用户需求和技术能力的变化，小影的内容创作产品经历了三个阶段。 第一阶段是剪辑工具阶段。 从 2012 年到 2022 年，小影主要通过移动端软件帮助用户完成视频剪辑。用户仍然是创作的主导者，产品提供时间轴、音乐、转场、滤镜和字幕等能力，降低视频生产的操作门槛。 第二阶段是 AIGC 应用阶段。 从 2022 年开始，生成式 AI 进入内容生产流程。用户可以通过文生图、图生视频、图生音乐等能力，更快地生成素材和内容。设计师、剪辑师和专业创作者的部分工作被模型辅助完成。 但在韩晟看来，AIGC 应用仍然主要是一类“更强的工具”。用户依然需要提出想法、选择功能、编排流程，并对最终结果负责。 第三阶段是 Content Agent 阶段。 从 2025 年开始，小影尝试让 AI 从生成单个素材，进一步走向理解目标、调用工具和交付结果。 产品的核心对象从“功能”转向“任务”。用户说“帮我做一条促销视频”，Agent 需要进一步理解商品、受众、品牌、渠道和营销目标，随后选择合适的模型、素材和工作流，最终交付一条能够使用的视频。 同时，内容创作产品的核心问题，也从“如何让用户更好地使用工具”，转向“如何帮助用户完成一件事”。 二、为什么一句话生成视频，仍然很难？ 模型能力不断增强，但“普通用户只需要说一句话，就能生成任意视频”在短期内仍然很难实现。韩晟总结了视频创作 Agent 面临的三个核心问题：指令空间无限发散、结果难以自动验证，以及长上下文带来的内容一致性问题。 首先，普通用户的需求往往并不清晰。韩晟在演讲中反复强调，用户说出的往往只是表层需求。一个用户说“帮我做一条营销视频”，背后可能对应完全不同的目标。 一个美甲店老板说“帮我做一条营销视频”，真正想要的可能是吸引顾客预约到店；奶茶店关注的可能是折扣和即时下单；电商商家希望把产品卖点讲清楚；自媒体创作者则更关心内容能否吸引观众看下去。表面上，这些需求都是“做一条视频”，实际对应的 Job to Be Done、创作流程和成功标准完全不同。 其次，视频结果很难用统一规则自动验收。代码任务通常可以通过测试用例和运行结果判断是否完成；但视频创作没有一套适用于所有场景的“标准答案”。画面质量、内容表达、品牌一致性，以及用户是否采纳、是否发布，甚至是否带来预约或交易，都可能成为评价依据。 这意味着，Agent 不仅要生成视频，还要理解在具体场景下什么才算完成。这个标准无法完全依赖通用模型，企业还需要把长期积累的创作经验、场景知识和业务 Know-How，转化为可执行、可复用的评测规则。 第三，视频创作具有跨镜头、跨素材和跨环节的上下文连续性。人物、场景、商品、价格、电话和品牌信息，需要在多个镜头中保持一致。用户可能在创作过程中反复修改某个价格或电话号码，Agent 必须理解这些修改背后的意图，并确保变化能够同步到最终结果中。 因此，小影没有把目标简单设定为“让模型生成更多内容”，而是先寻找能够被验证的真实场景，再把经过验证的场景流程和专业经验沉淀为可复用的 Skill。对于普通用户来说，关键体验不是学习一套新的 Prompt，而是让他发现：“这正是我想完成的事情，而且我可以快速得到结果。” 近期的消费 AI 数据也印证了这一判断。a16z 发布的 2026 年消费 AI 报告显示，美国消费者对 AI 的使用范围正在扩大，但深度使用和付费仍集中在少数高价值用户和专业场景中，创作、编程和生产力工具是主要付费方向。 这意味着，面向大众的 AI 产品需要找到比通用聊天更明确的价值入口。对小影而言，当前阶段更重要的是从具体的内容创作和经营场景切入，通过产品化的 Agent 解决用户在实际工作中的明确需求。 三、从模型拼装到 AgentOps 当产品从单一工具发展为多个 Content Agent，真正的挑战就不只是接入一个更强的模型，而是如何让不同业务稳定、合规地运行起来。 小影面向全球市场，服务不同国家、不同文化和不同创作习惯的用户。这带来了多重工程挑战： 不同地区可使用的模型不同，带来的模型效果、价格和稳定性差异；一些特殊场景需要自研算法或 LoRA 模型；历史产品需要持续加入 Agent 能力；内容安全、隐私保护和平台合规必须在产品上线前完成。 面对这些问题，小影没有让每条业务线重复建设，而是开始搭建统一的 AI 智能体基础设施—— AgentOps 平台。 平台通过统一的多模态模型网关和智能路由，将自研模型、第三方模型以及业务团队的垂类模型接入同一套系统，降低不同模型的接入和管理成本。业务团队可以在统一的工程框架下，根据具体任务选择模型和调用策略，更专注于任务目标与最终交付效果。 在模型接入之外，Agent Runtime、可视化编排、Skills 与 Tools、成本控制、安全治理、评测和可观测等能力，也被整理成可直接调用的组件。新业务能按需组合这些组件，降低 Agent 构建、调试和上线的工程门槛。将过去分散在不同团队中的算法和产品经验变成可复用的能力。 对小影来说，AgentOps 的价值最终体现在交付过程中：系统会持续记录和追踪 Agent 运行过程中的对话信息、模型调用、Token 消耗、生成结果、异常情况及用户反馈，并将这些数据沉淀下来，用于后续的问题定位、效果评测和产品优化。从而让更多 Agent 快速进入真实场景，并在持续反馈中变得更加稳定、可控，也更接近用户真正想要的结果。 四、研发流程从串行交付转向产研共建 传统的软件研发通常遵循产品定义、技术方案、编码、测试、调优和上线的串行流程。AI 可以分别提升每个岗位的效率，但如果整体流程不变，团队仍需要等待上游环节完成，端到端的交付速度不会发生根本变化。 小影正在尝试改变这种协作方式。 在 AgentOps 模式下，产品与技术团队围绕真实用户需求和具体业务场景共同构建智能体。产品团队更贴近用户和业务，负责识别需求、定义任务目标，并参与 Agent 的组装与场景验证；技术团队则提供模型能力、Agent Runtime、模型网关、评测平台和安全机制等工程支撑，并与产品团队共同完成 Skill 能力沉淀、效果优化和质量验证。 通过这种协作方式，产品方向可以在真实场景中快速验证，技术能力也能在不同 Agent 的构建过程中持续沉淀和复用。 以小影已经落实到具体的交付流程中 Kiva 智能体为例，用户提供文字、图片和音色素材后，系统会围绕