把闭环接上:让 Agent 自己跑完出片全流程
一份关于「Agent 编排多工具」的实战整理。作者原本已经能让 Agent 看懂视频、反推提示词、画角色定妆照,但出片那一步还得人工搬运——而断掉的不是几个点击,是闭环:Agent 看不到成片就没法对着原片改。接上之后他跑了三条通道(API 直出、网页操作、外部命令行),每条都写了清楚的边界。最有价值的不是流程,是他踩出来的那几条硬约束:参考视频不能超十秒、不能带音轨、不能比成片短,以及不说分辨率就默认给你最贵的那档。
本文整理自一篇中文技术博客的实操记录。内容属整理稿而非逐字照搬。
文中的产品名、价格、额度与工具行为沿用原文,未做外部核验,也不构成推荐;这些信息变动很快,动手前请自行确认。
先看它缺的那一块
作者的上一篇讲的是「反推」:看到一条爆款视频,作者不给提示词,丢给 Agent 让它把镜头、运镜、节奏反推成提示词。
而他说那篇写完很别扭:
前面看片、反推、画定妆照,它全能干;一到出片,我还得自己打开网页、传图、点生成、等、下载,再丢回给它检查。
而他把问题定位得很准:
最麻烦的不是点几下鼠标,是闭环断了。
它看不到成片,就没法对着原片挑错、改提示词、再跑一版。
来回搬运一次,我就得在场一次。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["Agent:看片 · 反推 · 画定妆照"] --> B["人:打开网页 · 传图 · 点生成"]
B --> C["人:下载 · 丢回给 Agent"]
C --> D["Agent:挑错 · 改提示词"]
D --> B上图是断掉的链路。注意中间那两跳都是「人」——而每一跳都要求你在场。
而接上之后,分工变成这样:
| 谁 | 做什么 |
|---|---|
| 人 | 说清要做什么片子、花钱前点头、看样片、拍板 |
| Agent | 看原片、定角色、写提示词、选通道、提交、下载、配回原声、抽帧对比、不合格自己改一版 |
「不合格自己改一版再交」——这一条才是闭环真正的标志。
三条通道,一句话说清
他给了个对比表,我觉得这张表本身就能当决策依据。
| 通道 | 花什么 | 特点 |
|---|---|---|
| API 直出 | 会员赠金(美元) | 纯后台跑,最省心;参考视频最长十秒 |
| 网页操作 | 会员点数 | 能喂十五秒参考视频;但它没有接口,得模拟人操作,审核严 |
| 外部命令行 | 第三方积分 | 谷歌两条卡住时兜底;长镜头、多人复杂场面更稳 |
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart TB
A["要出片"] --> B{"要多长"}
B -->|"十秒内"| C["API 直出<br/>最省心"]
B -->|"十五秒"| D["网页操作<br/>要点数"]
B -->|"更长 / 复杂场面"| E["外部命令行<br/>花积分"]上图是这个选择。注意它的分支依据是「时长与复杂度」,不是「哪个更好」。
那条最省心的路:API 直出
他先讲了原理,而这段解释很干净:
API 就是程序之间的「窗口」。Agent 把「参考视频 + 角色图 + 提示词」打包发给模型,模型在云端生成, Agent 每隔一会儿去问一次好了没,好了就下载。
全程不开网页、不占你的屏幕。
而这条路有三个前置步骤,第二个是真正的坑。
第一步:把赠金领出来
打开 AI Studio,左下角有「领取免费 API 赠金」的卡片。会直接弹出领取窗口,选好结算账号,点「兑换并继续」。
领完以后,在结算页能看到一行、状态「可用」,就是领到了。
第二步:先预充一笔,赠金才用得上 ⭐
这是我认为全篇最实用的一个坑:
我领完赠金去调接口,结算页弹了一条黄色提示: 此账号已转为预付款结算方式,余额需大于零美元方可恢复服务,符合条件的赠金会优先抵扣。
这一步很多人会卡住:赠金领到了,接口还是调不通。
**我是先预充了最低额度,服务才恢复。**充完以后,调用费用会优先从赠金里扣。
「领到了但用不上」——这类失败最难自查,因为它看起来像「没领成功」。
第三步:密钥不进对话
他的做法很干净:
**密钥别直接贴进对话里。**存成本机的一个文件(权限设成只有自己能读),然后告诉 Agent 文件在哪。
这和前面几讲那条「密钥不进对话」是同一条纪律。
四条边界,都是踩出来的 ⭐
这一节我给了最多的篇幅,因为它是「不知道就会白花钱」的类型。
一、参考视频最长十秒
模型能输出十五秒,但你喂给它当参考的原视频,超过十秒直接被退回。
想复刻十五秒的片子,就切成两段分别跑,再拼起来。
拼接处人物衣服、站位可能对不上。
二、参考视频要先去掉声音
带音轨的视频传上去,秒拒,连原因都不细说。
先把声音去掉再传,出片以后再把原视频的音乐配回去。
「连原因都不细说」——这类拒绝最耗时间,因为你会往参数、格式、权限上猜,而答案在音轨上。
三、参考视频不能比成片短
你要八秒成片,参考视频就得大于等于八秒——哪怕短半秒也会被拒。
剪的时候多留一点点最稳。
四、不说分辨率,默认给你最贵的那档 ⭐
这条最贵。
我第一次没注意,两条九点五秒的 720p 直接花掉三块多美元,一条一块五八。而会员一个月才十美元。
先用 360p 试,构图、动作都对了再出高清。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["不说分辨率"] --> B["默认 720p"] --> C["单条成本翻几倍"]
D["先 360p 试"] --> E["确认动作对了"] --> F["再出高清"]上图是这条纪律。它的价值不在省钱,在于「把试错和交付分开计费」。
提示词那几条规则
他给的这几条我觉得都来自真实纠错。
按衣服认人,别按位置认人 ⭐
多人舞台一换位,「左一换成 A、左二换成 B」必乱。
要写「穿黑袖白衬衣的那位换成 A」,模型会跟着衣服追。
告诉它角色图只管长相
角色定妆照一般是站着摆拍,不说清楚,成片里人物会照着定妆照的姿势站桩。
加一句「角色图只锁长相和服装,动作完全照原片」。
背景要锁死
不写的话,模型会把定妆照里的背景搬进来。
写清「保留原片的舞台、灯光和机位,只换台上的人」。
提示词短一点反而好 ⭐
我堆过一大串「必须、严禁」,结果请求直接校验失败;删到简洁清楚,一次过,动作还更自然。
这一条我觉得反直觉但有说服力——「写得多」在提示词里不等于「约束得准」。
出片后要抽帧对比
让 Agent 从原片和成片各抽六帧拼成一张图并排看,比你自己拖进度条快得多。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart TB
A["按位置认人"] -->|"换位即乱"| B["失败"]
C["按衣服认人"] -->|"跟着特征走"| D["稳定"]上图是第一条的机制。它其实是在说:给模型一个不随位置变化的锚点。
第二条路:操作网页
这条路存在的原因是三个 API 没有的好处:
| 好处 | 说明 |
|---|---|
| 能直接喂十五秒参考视频 | 不用切段 |
| 扣会员点数,不花赠金 | 两种预算分开 |
| 出片后可补少量点数升到 1080p | 比重新生成便宜 |
但它有三道坎:
① 没有官方接口,只能模拟浏览器操作; ② 有人机验证,会拦「一看就是机器」的无头浏览器,必须是真的浏览器窗口; ③ 上传文件走的是系统原生的选文件窗口,脚本点不进去。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["没有接口"] --> D["只能模拟人"]
B["人机验证"] --> D
C["原生选文件窗口"] --> D
D --> E["必须留一步给人"]上图是这三道坎。注意第三道直接决定了「有一步必须你动手」。
那个最大的坎:真人视频过不了审 ⭐
这一段我觉得是全文最有洞察的。
我第一次直接把女团的打歌原片拖进去,进度跑到八成多,卡片直接消失了。另一条连卡片都没出。
没报错,也没扣点。
平台对真人脸和有版权的画面审核很严,会在后台静默取消。
「没报错、没扣点、卡片消失」——这是最难排查的一种失败,因为它不给你任何可查的痕迹。
解法:深度灰模
他给的方案很妙,而我先把概念说清:
深度灰模就是把彩色视频洗成「离镜头近的发白、远的发黑」的灰色剪影—— 五官、衣服花纹、台标全没了,只剩人在哪、怎么动、镜头怎么推拉。
审核看不到真人和版权内容,就放行了;而模型照样能读出站位和运镜。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["彩色原片"] -->|"审核:识别到真人"| B["静默取消"]
A -->|"转深度图"| C["灰模:只剩轮廓与运动"]
C -->|"审核通过"| D["出片"]上图是这个绕过。注意它不是骗审核——它确实没有使用受版权保护的具体形象,只保留了可复用的结构与运动。
而代价他也讲清楚了:
**深度灰模丢掉了表情和手指这些细节。**适合「同构图、同节奏」的二创; 要逐帧一比一复刻舞蹈,不如第一条路。
第三条路:外部命令行
谷歌两条路各有卡点:API 参考视频只能十秒,网页审核严。 碰到十五秒以上的长镜头、四五个人来回换位的复杂场面,我就换第三方平台。
而他的观察挺有意思:
现在很多视频平台都出了命令行工具或 MCP,本来就是给 Agent 用的。
Agent 会跑命令,你把文档丢给它,它自己就能学会怎么用。
模型没有绝对的好坏,看任务 ⭐
他给了一个很好的对照:
| 模型 | 在这个任务上的表现 |
|---|---|
| A | 二十五秒一条,四个角色从头到尾不串不变形,节奏稳 |
| B | 十五秒,很多原片真人没被换掉,还留在画面里 |
换个简单点的任务,结论可能不一样。
「换个任务结论可能不一样」——这个提醒比任何排名都有用。
一个接续长片的技巧
尾帧续写:积分不够一次跑完、或者想往后接一段, 就把上一段成片的最后一帧截下来当参考图,连同原片接下来那段一起喂进去,再出一段。
我用这个办法把二十五秒接到了三十四点五秒,衣服、光影、站位都接上了,拼起来看不出接缝。
那份真实账单
作者给了具体数字,而它回答了「够不够用」这个问题。
| 项 | 用量 |
|---|---|
| 赠金 | 十美元,折腾完只剩三块九毛五 |
| 点数 | 从一千零四十七用到七百七十九,用掉二百六十八 |
| 第三方积分 | 一条二十五秒约五百积分,跑完三条只剩四百多 |
而大头在哪他说得很清楚:
大头是一开始没设分辨率,两条 720p 就花了三块多; 后面全改 360p 试,花得慢多了,但来回十几版,还是花掉了一大半。
他还点了一个容易误判的地方:
账单有延迟:Agent 当时查到的余额比实际多,别全信实时数字,隔天再看一眼。
他的结论
想先把流程跑通、偶尔做一两条好玩的:够用。
想拿它日更、起号:撑不住。
「跑通」和「量产」是两种完全不同的额度需求——这个区分我觉得很实用。
我的三点补充
以下是评注,不是原片内容;取舍由我负责。
第一,这篇真正的主题不是「怎么出片」,而是「怎么把断掉的闭环接上」。 因为看片、反推、写提示词这些能力早就有,卡住的是那两跳人工搬运。而人工搬运的代价不只是麻烦——是「你必须在场」,于是整条链路无法无人值守地迭代。所以接上闭环的收益,不是省了几次点击,是让「不合格就再来一版」这件事变得免费。
第二,那四条硬约束有个共同点:它们都是「不报错但失败」的类型。 带音轨会被秒拒但不说原因;参考视频短半秒会被拒但看起来像参数问题;不说分辨率不报错但按最贵算;真人视频过不了审连卡片都会消失。这类失败最消耗时间,因为它们不会告诉你该改哪儿——而作者把它们一条条记下来,等于替读者省掉了这段试错。
第三,「深度灰模」这个解法值得单独想一下。 它绕开审核的方式不是伪装,而是真的把受保护的部分(脸、花纹、台标)去掉了,只留下可复用的结构(站位、运动、镜头)。所以它在技术上是诚实的:你确实没有在复制那个作品的具体表达,你复用的是它的编排。 而这个区分——「表达」与「结构」——恰好也是版权讨论里最核心的那条线。
一句话总结:Agent 能干的活早就够多了,卡住的一直是「它看不到自己的产出」。 而把这一环接上,你才从「操作者」变成「审片人」。