用 coding agent 做视频：先学会看懂，再让 agent 动手

你已经会让 Codex / Kimi Code 写代码、跑测试、改 bug。但让它帮你做视频，产出常常是「能看，但不想发」。问题的一半在流程——另一半更基础：得先学会看懂一条视频。

为什么有的视频 10 秒就被划走

刷 B 站时你大概率有过这种体验：两条讲同一个话题的科普视频，一条看完想三连，一条 10 秒就划走。区别在哪？多数人只能说出「节奏好」「看着舒服」。

「舒服」不是玄学，它是一组可以逐个指认的零件：画面分了几层、镜头是远是近、风格是否统一、声音怎么托底。能拆，才能装——看懂别人的视频，是让 agent 做出满意视频的前置课。

所以这篇分两段：前半段建立「看懂」的框架，看完你就能拆解任何一条视频；后半段再用这套框架，谈 coding agent 的生产线怎么搭。

一、解剖：视频是叠出来的

暂停任何一条视频，你看到的「一个画面」其实是几层叠在一起的合成结果：背景、主体、图形叠加层（箭头、高亮框、贴纸）、文字层（标题与字幕）。声音虽然看不见，也是独立的轨——人声、BGM、音效各走各的。

另一种看法不按「层」，按「职能」：主叙事画面叫 A-roll（讲解者对着镜头讲），辅助画面叫 B-roll（手部特写、产品演示、资料画面）。专业视频的呼吸感，大多来自 A-roll 与 B-roll 的交替——一直对着脸讲，10 秒就闷了。

三条轴各回答一个问题，互不干涉——「正交」就是这个意思：来源回答「画面从哪来」，职能回答「它在这段里起什么作用」，图层回答「它叠在第几层」。像填快递单：寄的什么、干嘛用的、怎么打包，三栏各填各的，任意组合都合法。下面逐轴展开。

来源：画面从哪来

同一个信息，画面可以有十几种来路：拿相机拍（实拍）、把屏幕操作录下来（录屏）、给照片做缓慢推近（静帧运镜）、写代码画图形动画（MG）、让 AI 直接生成视频……这一轴决定的是镜头的成本和工期——选哪条路，价格和返工难度差出一个数量级（下篇细算账）。

职能：它在这段里起什么作用

来源管「怎么来的」，职能管「干嘛用的」。拉一条视频的时间轴看：讲解者对着镜头讲的是 A-roll（主叙事），切出去的资料画面是 B-roll（辅助叙事），段落之间的标题卡是章节卡，开头抓人的是钩子。注意：同一段素材可以担不同职能——一段录屏，放开头是钩子，放中段是 B-roll。

图层：叠在第几层

最后一轴回到暂停那一帧：画面是几层叠出来的——背景、主体、图形叠加、文字字幕，外加看不见的音频分轨。这一轴决定的是工程结构：渲染时分几个元素、混音时分几条轨、改的时候动哪一层。

三轴合起来，描述一个镜头就是报出它的三个坐标。以一段「数字从 0 跳到 4 分钟」的计数动画为例（沿图中红色虚线走一遍）：它的来源是 ①数据可视化（代码生成的画面），职能是 ②B-roll（给口播配画面），位置是 ③图形叠加层（压在底图之上）。三个坐标一交，这个镜头就被完整描述了：

再拿三个你眼熟的画面练手——以后看到任何镜头，都可以这样报出它的「三轴坐标」：

下次看视频时做个小实验：随便暂停一帧，数数这一帧有几层、想想它是什么职能。能回答这两个问题，你就已经开始「看懂」了。但画面还有另一个维度——镜头离你多远。

二、镜头：景别是有含义的

拍同一个人，取景范围不同，观众的心理距离就不同。景别（画面取景的远近）常用五种，各有分工：

还有一条构图常识：三分法——把画面横竖各三等分，主体放在交叉点上，比怼在正中央更有呼吸感。这条对纯图形动画同样成立：重要元素别总居中。景别和构图决定「看多远、看哪里」，接下来是更直观的一层：画面长什么样。

三、气质：风格是选出来的，不是调出来的

视觉风格不是每条视频现挑的，而是先选一条路线，和配色、字体一起写进设计契约（一份给 agent 看的视觉规范文件），之后全系列不换皮。观众记住一个账号，靠的是稳定的视觉气质，不是单条视频的惊艳。

四、「讲得清楚」是一门学问

风格定了皮，还有骨：科普视频的核心竞争力是「讲得清楚」。这背后是一套更细的设计知识，共八个域，按对成片的杠杆率从高到低排：

这批知识的用法是同一件事：把审美判断翻译成可枚举的选型＋可写进文件的规则。agent 没有品味，但会严格执行清单——清单一旦沉淀，第二条视频起边际成本骤降。

动手环节：拆一条你喜欢的视频

不用写代码。找一条你想模仿的 B 站科普视频，0.5 倍速看前三分钟，挑 5 个镜头填这张表：

拆完你会发现，「舒服」变成了一张具体的清单——这张清单，就是下半篇要给 agent 的设计契约雏形。

五、你是不是这样做的

设想很顺：定主题 → AI 写文案 → 切成几段 → 每段生成画面和配音 → 拼起来。第一次跑通时很兴奋。

然后你发现：配音和画面对不上；改一句文案，下游全部重做；第十版还不如第一版。

这套流程骨架没错，但它是「幸运时能跑通」的最小流程，不是能稳定产出满意成品的工程流程。下面按环节修。

六、先修流程：音频先行，闸门设好

人工闸门设在「下游返工成本大于一次评审时间」的地方，四个必设：G1 选题/钩子（10 分钟确认，省掉整条视频白做）、G2 口播栏定稿（口播一改，画面配音字幕全废，所以先锁这一栏）、G3 画面栏草图（口播锁定后，在同一份脚本里补逐镜画面，几分钟铺线框看结构）、G4 渲染前终审。闸门太密会拖垮 agent——每次停顿都重置上下文。

七、素材的账：生成是最贵的来源

上篇的三轴里，「来源」这一条轴直接决定成本和工期。对开发者的好消息：教学 / 科普 / 产品宣传的高频组合——录屏＋MG＋数据可视化＋静帧运镜＋少量 AI 视频（做氛围 B-roll）——恰好是代码＋agent 覆盖最好的一片。这是你相对传统创作者的结构性优势。

你可能会问：这条轴上的来源，是不是都可以交给 AI 完成？基本可以——但「AI 参与」有两种成本结构完全不同的方式：AI 写代码（MG、数据可视化、运镜：确定性产出，可 diff，重试几乎免费）和AI 生像素（AI 视频、数字人、AI 生图：有随机性，按次计费，重试是主成本）。都靠 AI，不改变这张表的结论——便宜的依然便宜，贵的依然贵。唯一的例外是实拍/录屏：录屏可以全自动——agent 能替你操作软件、自己录；实拍不行，AI 视频只能伪造「实拍感」，而观众信的就是真实发生的画面。

把「每镜素材来源」做成显式字段填进分镜表——它直接决定成本和工期。来源定了，下一个问题是：这些画面用什么工具生产。

八、三个工具，三种物种

剪映、ChatCut、HyperFrames 常被混为一谈，其实它们是三种不同的东西。本质区别是可编程性、可复现性、agent 可驱动性，不是 AI 功能多少：

对开发者，剪映的定位是末端精修、音乐音效素材渠道、快速糙稿验证——不是主生产线。它是黑盒 GUI：不可编程、不可批量、工程文件封闭，agent 无法精确驱动。

ChatCut 的关键设计是：agent 的工作成果落在人还能继续精修的真实时间轴上——它取代的是剪映里「人的手工剪辑」环节，而不是剪映本身（还能导出可编辑的剪映草稿，最后一公里自己开）。同时它把素材生产也搬进了同一个对话：AI 视频、图片、MG、配音、音乐、数字人，都能就地生成、直接上轨。

HyperFrames 是 HeyGen 开源的代码框架（Apache 2.0）：一个 composition 就是一个 HTML 文件，headless Chrome 逐帧渲染。代码路线的账很直白——优势是可 diff、可批量参数化、风格沉淀为主题包；短板是反馈回路慢、没有素材库和手感、审美要你显式写成设计契约。第一次渲染是草稿，不是成品。

九、务实答案：混合管线

不按「用哪个工具」决策，按「哪道工序用哪个工具」分配：

动手环节：30 分钟最小流水线

1. 挑一个已有调研结果的课题——调研报告、定稿文章、笔记都行，它就是脚本的唯一内容来源。
2. 花 10 分钟写定位：受众、前 15 秒钩子、目标时长（过 G1）。
3. 让 agent 从调研结果起草视频脚本：先只写分段口播，自己朗读一遍再定稿（过 G2）。
4. TTS 出音频，拿到真实时长——这一步先于任何画面。
5. 在同一份脚本里补每镜画面，必填「素材来源」字段（过 G3）。
6. 只做一镜：用代码 MG 做一张数据动画或章节卡，渲染出来看。
7. 把配色、字体、卡片样式写成一份设计契约文件——上半篇拆解练习的那张清单就是它的雏形，下条视频直接复用。

边界提醒

另：剪映价格、字幕准确率、各工具集成的模型清单均随版本变化，调研中标注「待核实」的条目不应作为决策依据，动手前以官方当季信息为准。

小结

• 看懂：视频是「来源 × 职能 × 图层」的叠加；景别有含义，风格写进契约。
• 生产：脚本从调研结果长出来，口播与画面同档分管；音频先行，四个闸门：定位、口播栏、画面栏、终审。
• 工具：剪映、ChatCut、HyperFrames 是三个物种，按工序混着用，不是二选一。

延伸方向：下一篇拆「设计契约」——怎么把配色、字体、动效写成 agent 能直接执行的规范，让第二条视频起边际成本骤降。

---

🔗 HyperFrames：github.com/heygen-com/hyperframes ｜ ChatCut 文档：chatcut.io/docs

把流程写成代码，把判断留给自己。