AI 视频 Skill：当视频生产流程变成一份可安装、可执行的“手艺说明书”
核心个案：`web-video-presentation` 与 `vox-director`
资料截止：2026-07-23
导语：它既不是模型，也不只是一段提示词
过去几年，人们谈 AI 视频时习惯问：“哪个模型最好？”到了 2026 年，另一个问题开始浮出水面：“谁能把十几个模型和工具，稳定地组织成一条成片流程？”
这正是 AI 视频 Skill 出现的背景。
一个视频 Skill 通常是一个文件夹：入口是一份 `SKILL.md`，里面写明何时启用、要先读什么、按什么步骤做、在哪些地方停下来让人确认；旁边还可以放脚本、参考资料、模板和素材。支持 Agent Skills 的智能体在识别到任务后，加载这套流程，并调用代码、浏览器、模型 API、FFmpeg 或其他工具执行。
它不训练新的视频模型，也不保证一句话直接变成好片。它做的事情更接近：把一位熟练制作人的方法、清单、文件结构、决策点和返工经验，封装成智能体可以反复执行的生产制度。
一句话结论是：AI 视频 Skill 的真正创新，不是让模型更会“画”，而是让智能体更会“做项目”。
一、先分清五个经常混用的词
| 概念 | 回答的问题 | 例子 |
|---|---|---|
| 视频模型 | 能生成或编辑什么画面？ | Veo、Kling、Seedance、Vidu、Wan |
| 视频工具 | 用户在哪里操作？ | 剪映、Premiere、ComfyUI、Flow |
| 工作流 | 多个步骤怎样连接？ | 脚本→分镜→生成→配音→剪辑 |
| Agent | 谁根据目标做决定并调用工具？ | VideoAgent、Media Agent、coding agent |
| Skill | Agent 应按什么专业方法做？ | `web-video-presentation`、`vox-director` |
模型提供能力，工具提供界面，工作流提供顺序，Agent 负责执行和判断，Skill 则把一套可复用的职业知识交给 Agent。
这也是为什么 Skill 不能被简单翻译成“提示词模板”。按照 Agent Skills 规范，一个 Skill 除了 `SKILL.md`，还可以包含可执行脚本、参考文档和资产，并采用渐进披露：先读取简短描述，任务匹配后再加载完整流程，需要时才打开更深的资料。Agent Skills 规范
二、它的“前世”：视频自动化走过的五步
1. 模板和预设：把重复劳动存下来
传统剪辑软件早就有片头模板、字幕预设、转场、调色 LUT 和工程模板。它们能复用“结果”，却很难复用完整的判断过程：为什么这一段该删、数据该怎样呈现、什么时候需要用户确认。
2. 程序化视频：用代码换取确定性
FFmpeg 长期承担转码、拼接、混音、字幕和抽帧；Remotion 则让创作者用 React 和代码制作视频。程序化路径的优势是精确、可重复、适合批量；缺点是需要工程能力。FFmpeg；Remotion
3. 节点工作流：把模型和后期拼在一起
ComfyUI 等节点工具让创作者把图像、视频、控制模型、放大、插帧和输出连成可视化图。它解决了“怎样组合模型”，但复杂工作流仍依赖操作者理解每个节点、版本和失败原因。
4. 视频 Agent：系统开始自己规划和重试
OpenMontage、HKU VideoAgent、MiniMax Media Agent 等项目，把脚本、检索、生成、剪辑、预算门和质量检查交给 Agent 编排。它们提示了一个现实：完整视频生产不是一次模型调用，而是多状态、多工具、多次失败和人工接管。OpenMontage；HKU VideoAgent
5. Agent Skills：把具体方法封装并跨 Agent 搬运
2025 年后，`SKILL.md` 形式开始产品化并形成开放规范。Skill 可以在不同智能体之间携带：同一个文件夹既告诉 Claude Code、Codex 或其他 coding agent 何时启用，也附带脚本和资产，让流程不必每次从头解释。Anthropic 对 Agent Skills 的介绍
三、个案一：`web-video-presentation`——把口播变成可录屏的网页
`web-video-presentation` 来自 ConardLi 的 Garden Skills。它的目标不是生成写实镜头，而是把文章、口播稿、课程或产品演示做成一套 16:9、点击驱动、适合录屏的网页演示。最终产物是 Vite + React + TypeScript 项目，并可选择合成口播音频。项目总览
它怎样工作
它把流程分成四段：
1. 内容编写：把原文转为 `script.md`，同时生成 `outline.md`。
2. 计划确认：用户一次确认稿子、章节、主题、素材和开发模式。
3. 网页开发：每一个口播节拍映射为一个全屏视觉 step；先完成第一章让用户验收，再继续后续章节。
4. 音频与录屏：可调用 MiniMax、OpenAI 或其他 TTS；Auto 模式按音频结束自动推进画面，再用系统录屏或 OBS 录制。
项目把 `narrations.ts` 设为 step 数量和音频文本的“唯一真相源”，用它避免脚本、页面和音频编号互相漂移。`SKILL.md`
录屏文档写得非常明确：它本身不直接渲染 MP4。页面和音频完成后，在浏览器打开 Auto 模式，按一次空格，系统逐段播放音频并推进画面；录完后裁掉头尾得到成片。录屏说明
它真正解决的问题
这套 Skill 的价值不在“网页也能动”，而在于它选择了一条高确定性路线：
- 文字不会像生成视频里的招牌那样变形；
- 数据、图表、代码和 UI 可以精确呈现；
- 视觉节奏与口播一一对应；
- 画面可在网页里继续编辑；
- 不必为每一秒都调用昂贵的视频模型。
它特别适合：
- 知识讲解、课程和科普；
- 产品发布、软件演示和技术 talk；
- 数据报告、商业复盘和信息密度高的内容；
- 希望先交互演示、再录成视频的项目。
它不适合：
- 依赖真人表演、复杂摄影或自然环境的叙事片；
- 需要直接交付可逐帧剪辑时间线的传统影视项目；
- 希望完全不碰网页开发、浏览器录屏和后期的人。
它的设计判断
项目设置了多个“硬检查点”，这点比 23 套主题更重要。它承认审美不能靠一次生成解决：用户先确认脚本和大纲，第一章必须成为风格锚点，音频生成前再次确认。它还明确要求章节实现进行自检，并允许用独立 agent 或 subagent 审查。
换句话说，它没有追求“零人类”，而是把人放在高杠杆决策点。
四、个案二：`vox-director`——把主题或口播变成 Vox 风拼贴视频
`vox-director` 来自 Alisa0808。它面向另一种内容形态：现代编辑感的纸片拼贴讲解片或广告片。项目把 Vox 风格概括为手撕纸边、胶带、半调网点、报纸剪报、大号剪贴标题和大胆平涂色，再加入旁白、配乐、字幕与运动。项目总览
它同时支持两条路径：
- B-roll 路线：输入一个主题，系统写叙事节拍，生成拼贴海报，再让海报动起来。
- A-roll 路线：输入已有真人或数字人口播视频，先转录和切段，再保留原始脸、口型和手势，把人物轮廓与周边环境改成拼贴视觉。
这正对应用户所说的“口播变 Vox 风拼贴视频”。
B-roll：主题如何变成成片
项目用每个项目唯一的 `beats.json` 驱动全流程：
1. 选择叙事弧，写 beat map；用户确认。
2. 同一段内容生成 3—4 种视觉风格；用户凭画面选择。
3. 每个 beat 生成一张完整拼贴海报。
4. 使用图生视频模型让海报产生运动。
5. 生成旁白和背景音乐。
6. 用 FFmpeg 拼接镜头、压低音乐、烧录字幕和水印。
7. 输出 `final.mp4`。
默认后端是 Atlas Cloud。文档列出的模型包括 Google 图像/视频模型、Kling、xAI TTS、MiniMax Music 和抠图模型；模型 ID 会变化，因此 Skill 在运行前获取实时模型列表。中文 `SKILL.md`
A-roll：口播如何被“拼贴化”
当用户给的是一段真人或数字人口播，Skill 先做语音识别和自然切段，每段控制在模型单次处理时长内；随后调用视频编辑或参考生视频模型保留表演，并在人物周围加入纸片、贴纸和半调视觉。合成时重新使用原始音轨，以降低生成音频与口型漂移。
这个设计很关键：它没有让模型重新发明主播说了什么，而是把原始口播当作时间轴和表演基准，只改视觉层。
“海报先行”是它最核心的方法论
项目反复强调：拼贴感必须在关键帧阶段完成。每个 beat 先是一张信息丰富、构图完整的海报；视频模型只是让它成为“会动的海报”。如果关键帧只是普通插画，后续加再多运动也不会自动变成 Vox 式拼贴。
这种方法把最不稳定的“整段生成”拆成两个较可控的问题：
- 一张静态画面是否成立；
- 这张画面怎样动。
对于需要更精确的碎片飞入、逐层组装，项目还提供本地元素级动画引擎：先抠出部件，再以关键帧和程序化运动合成。这条路线不依赖视频模型生成运动，控制更强，也更适合真人或品牌素材。
它适合和不适合什么
适合：
- 30—60 秒解释视频、人物小传、历史/财经/科技科普；
- 有明确旁白、需要高频视觉刺激的社交视频；
- 拼贴广告、品牌致敬片、数字人口播风格化；
- 希望直接得到 MP4，而不是网页演示。
不适合：
- 需要中性、严肃、低装饰的长篇报告；
- 对品牌视觉必须像素级稳定、不能接受生成误差的项目；
- 不愿使用云 API 或不能把素材上传到第三方后端的项目；
- 把“Vox 风格”误当成可以随意复制 Vox 品牌资产的项目。
五、两个 Skill 的正面对照
| 维度 | `web-video-presentation` | `vox-director` |
|---|---|---|
| 输入 | 文章、口播稿、课程、产品演示 | 一句话主题，或已有真人/数字人口播视频 |
| 核心视觉 | Web 动效、排版、图表、UI、全屏 step | 纸片拼贴海报、半调、剪报、贴纸 |
| 时间轴 | 一个口播节拍对应一个网页 step | `beats.json` 中每段拆成 1—2 个镜头 |
| 主要生成方式 | 代码生成网页；TTS 可选 | 图像生成 + 图生视频/视频编辑 + TTS/音乐 |
| 成片路径 | 浏览器 Auto 播放后录屏 | FFmpeg 直接合成 `final.mp4` |
| 人类检查点 | 稿子/大纲/主题/素材/模式、第一章、音频 | beat map、风格 bake-off、近似画幅确认 |
| 强项 | 信息准确、可编辑、数据/文字稳定、成本可控 | 视觉冲击、社媒节奏、风格统一、直接 MP4 |
| 主要依赖 | Node/Web 技术、浏览器、可选 TTS、录屏 | Atlas Cloud、多模型 API、FFmpeg、Python/Pillow |
| 主要风险 | 页面开发失败、跨浏览器/字体问题、录屏步骤 | API 成本、模型漂移、内容审核、素材上传、风格同质化 |
它们的共同点比外观更值得注意：
1. 都先把口播拆成结构化节拍；
2. 都设置了人类确认关口；
3. 都把生成和确定性工具混合使用；
4. 都强调“唯一真相源”，避免脚本、画面和音频漂移；
5. 都不相信一条长 Prompt 能稳定替代完整制作流程。
六、为什么 Skill 可能比“更强模型”更重要
视频模型更新很快，今天的模型名和参数可能几个月后就变化。稳定的专业方法相对更长寿：
- 先写清叙事目标；
- 把内容切成可观察的节拍；
- 在昂贵生成之前先确认低成本方案；
- 对每个阶段保留中间文件；
- 失败时只重做坏掉的环节；
- 用确定性工具完成字幕、拼接、混音和导出；
- 在关键节点让人做审美与事实判断。
Skill 把这些原则从“某个熟练操作者脑中的经验”变成文件。模型可以替换，流程仍能延续。
这也是 `vox-director` 在运行前拉取实时模型列表、`web-video-presentation` 把 TTS 做成可插拔 provider 的原因：两者都试图把“方法”与“供应商”分开。
七、但 Skill 不是魔法：四个结构性限制
1. 文档写得好，不等于执行一定一致
同一 Skill 在不同 Agent、不同模型和不同权限环境中，可能产生不同结果。Skill 的描述触发、上下文加载和脚本执行也会因宿主而异。所谓“跨 Agent”首先是格式兼容，不是结果完全相同。
2. 自动化越深，供应链越长
`web-video-presentation` 涉及 Node 依赖、网页脚本、TTS 和录屏；`vox-director` 涉及 Atlas Cloud、多个模型、FFmpeg、Python 与 Pillow。任何一个 API 退役、模型 ID 改名、依赖升级或内容审核变化，都可能使流程中断。
3. Skill 可以执行代码，因此必须当软件审计
安装一个 Skill 不是“阅读一份教程”。其中的脚本可能访问文件、调用网络、读取 API key、安装依赖或生成大量费用。安全做法包括：
- 从官方仓库获取；
- 阅读 `SKILL.md` 和脚本；
- 优先钉住 release 或 commit；
- 核对校验值；
- 使用最小权限和独立项目目录；
- 为 API 设置预算和速率限制；
- 不把密钥写入截图、日志和仓库。
`web-video-presentation` 提供带 SHA-256 的版本化压缩包；`vox-director` 截止核验日没有 GitHub Releases，若用于生产应固定具体 commit，而不是长期跟随 `main`。
4. 开源许可证不替你解决内容权利
两个项目均采用 MIT 许可证。MIT 允许使用、修改和分发代码，但不自动授予：
- 输入文章和口播的版权；
- 字体、图片、音乐和人物肖像权；
- 云模型输出的商业使用权；
- “Vox”名称、品牌和视觉识别的使用权。
“Vox 风”更适合作为视觉语言描述，而不是让成片冒充 Vox 官方作品。
八、怎样专业地评测一个视频 Skill
只看样片不够。建议用同一篇 60 秒口播做三组对照：网页录屏、Vox 拼贴、传统剪辑，并记录：
| 维度 | 具体指标 |
|---|---|
| 时间 | 首版耗时、总耗时、等待 API 时间 |
| 成本 | API、TTS、音乐、素材和人工成本 |
| 稳定性 | 成功率、重试次数、构建/合成失败 |
| 人工接管 | 修改脚本、换图、修字幕、调节奏的分钟数 |
| 信息保真 | 数据、专名、文字、口播内容是否准确 |
| 视觉质量 | 一致性、重复感、品牌适配、手机端可读性 |
| 成片效果 | 完播、3 秒留存、理解度和观众主观评价 |
| 可维护性 | 模型替换、版本锁定、中间产物可复用程度 |
只有这样，才能回答 Skill 是“漂亮的演示”，还是“能进入生产的工具”。
九、未来：视频行业会出现“流程市场”
如果模型是发动机，Skill 更像车型和驾驶手册。未来的 AI 视频生态可能出现三层市场：
1. 模型市场：出售生成、编辑、语音和音乐能力。
2. 工具市场：提供可视化工作台、资产管理和团队协作。
3. Skill 市场：出售或分享特定内容类型的生产方法，例如漫剧、商品广告、知识讲解、Vox 拼贴、课程视频和财报解读。
真正有价值的 Skill 不会只是“使用某模型的 50 条提示词”，而会包含：
- 清晰触发条件；
- 可复核的流程和中间产物；
- 人类确认点；
- 失败处理和预算门；
- 可替换的模型与工具；
- 质量检查；
- 安全、版权和发布规则。
结语：视频生产正在从“学软件”变成“装方法”
传统视频教育教人操作摄像机、剪辑软件和动效工具；生成式 AI 第一阶段教人写 Prompt；Skill 阶段则试图直接交付一套做事方法。
`web-video-presentation` 把口播变成可录屏网页，核心是确定性、信息密度和逐步确认；`vox-director` 把主题或口播变成 Vox 风拼贴视频，核心是叙事 beat、海报先行和生成/FFmpeg 混合生产。它们外观不同，却共同说明一件事：
当模型能力逐渐商品化，真正拉开成片差距的，可能不是“你用了哪一个模型”，而是“你安装并执行了哪一种生产方法”。
关键证据与口径提醒
- 两个项目的功能、流程和兼容性来自官方仓库文档，尚未在本报告中进行端到端实测。
- GitHub 星标只代表核验日的公开关注度，不是质量、稳定性或安全认证。
- `vox-director` 的模型可用性和价格依赖 Atlas Cloud 实时状态；文档列出的 ID 会变化。
- “端到端自动化”仍包含人类确认点、API 等待、失败重试和可能的素材返工。
- 许可证分析仅做信息整理，不构成法律意见。
主要资料
- 本地：开源模型项目与基础设施、应用产品与行业实践、产业链与专业工作流、安全版权标识与监管
- 联网：[资料索引与证据说明](./00-资料索引与证据说明.md)