智能体接管建模工具后，视频工作流还要不要人搭

最近一段时间，一个趋势变得越来越清晰：通用智能体开始具备直接操控专业桌面软件的能力。有人演示了让智能体在三维建模工具里完成基础场景搭建，这件事在技术圈引发的讨论，远不止“又少学一个软件”这么简单。它指向一个更本质的问题：当智能体能够直接调用专业工具时，视频生成链条中那些需要人工搭建、手工调参的环节，是否都可以被自动化编排接管？

我最近正好在验证一条从三维预演到视频生成的技术路径，结合这个趋势，有一些观察值得展开。

一、从“文字提示”到“空间预演”的范式迁移

当前主流的视频生成方式，大多依赖文本提示或图像参考。这种方式有一个天然缺陷：随机性难以收敛。同一个提示词，换一次随机种子，车辆进入画面的时机、人物反应的时间点、相机移动的速度都可能发生变化。对于需要精确叙事的镜头——比如“人物在路边等车，远处一辆车失控冲来，观众先看到车、人物稍晚察觉，镜头在此期间缓慢侧移”——纯靠提示词几乎无法稳定复现。

解决思路是把“运动、时间、空间”三类信息提前固定下来。具体做法是：先用三维建模工具搭一个粗糙的白模场景。

这里的“粗糙”是刻意的：人物用假人代替，建筑就是几个方块，车辆用占位几何体。重点不在于画面好看，而在于先把机位路线、人物位置、运动轨迹、事件发生的先后顺序编排清楚。白模不会呈现给最终观众，它只是给视频生成模型提供一份精确的空间与时间参考。

目前部分视频生成模型已经能够较好地利用白模中的相机运动、人物轨迹和空间遮挡关系。也就是说，把白模作为参考输入，模型生成时在镜头走向、前后遮挡、事件顺序上会明显更可控。

二、白模制作本身也可以交给智能体

关键转折点在这里：如果智能体能够操作三维软件，那么白模的制作也可以自动化。

设想一个镜头需求用自然语言描述出来：

一个人在路边等车，远处一辆车突然失控冲过来。观众先看到那辆车，人物稍晚才发现。镜头在这期间慢慢向侧面移动。

把这段描述交给智能体，它可以拆解为可执行的三维操作序列：

1. 在场景中放置一个平面作为路面；
2. 在路边放置一个假人模型，设定初始朝向；
3. 在远处放置一个占位车辆模型，设定入场时间与运动路径；
4. 创建相机，定义关键帧位置与移动速度；
5. 设定事件时序：车辆进入画面 → 人物开始有反应动作。

对于需要精确接触的动作（例如手抓门把手），可以挂接反向动力学约束来求解关节姿态；对于物理下落这类场景（例如杯子掉到地上），直接交给三维软件内置的物理引擎计算。

这些操作不需要做得精美，因为白模不对外展示。它的唯一职责是把镜头内的运动、时间和空间关系压住，然后交给视频生成模型去填充视觉细节。

需要客观说明的是：当前的白模控制还没有精确到“在三维软件里排成什么样，最终生成就一帧不差地复现”。生成模型仍会引入自身的变化。但相机怎么走、人物往哪里动、前后遮挡关系、大概什么时间发生什么，这些已经能提供很强的约束，显著降低随机性。

三、工作流引擎正在从“人工搭建”转向“机器编排”

白模预演只是前半程。后半程的工作流编排，遵循同样的逻辑。

现在有不少人在研究视频生成的多阶段工作流：画布上铺开大量节点和连线，人物参考接在哪里、白模输出接到哪个节点、上一镜的结果如何传递到下一镜、哪个模型挂在哪个节点上——这些目前都需要人工研究和调试。

但换个角度看：工作流本身就是机器可读、可改的数据。

一个具备工具调用能力的智能体，完全可以根据当前镜头的需求，自动完成以下操作：

• 识别这一镜需要哪个人物角色 → 去资产目录中检索并加载对应参考；
• 判断需要白模作为空间约束 → 直接接入三维软件输出的白模数据；
• 需要保持与上一镜的连续性 → 自动读取上一镜的输出结果并接入当前流程；
• 发现缺少某个模型或节点 → 自行查找、安装或替换；
• 运行资源不足 → 自动调整配置或切换可用设备。

事实上，一些工作流引擎已经开始暴露接口，允许智能体查询本机可用的计算资源、已安装模型和节点列表，并据此自动构建、修改和执行工作流。这意味着工作流引擎可以长期驻留后台，它最终铺了几十个节点还是几百个节点，使用者根本不需要知道。

四、人的角色转移到了哪里

这并不意味着人完全退出。相反，人的价值向上游集中：

• 定义意图：镜头要传达什么情绪、叙事节奏是快是慢、观众的信息获取顺序如何安排——这些判断仍然需要人来做。
• 设定约束：哪些动作必须精确、哪些可以放松、物理正确性的优先级有多高——这些取舍需要人来决定。
• 验收结果：生成结果是否达到叙事要求，是否需要调整白模或修改时序——这仍是人的判断。

换句话说，重复性的工具操作和流程搭建正在被智能体吸收，而创意决策和审美判断仍然留给人。

五、一个可预见的工程结构

把上述思路整合起来，一个典型的视频生成管线可能演进为如下结构：

自然语言描述镜头意图
        ↓
智能体解析为三维场景操作序列
        ↓
自动在建模工具中搭建白模（相机/人物/物体/时序）
        ↓
导出空间与运动参考数据
        ↓
智能体查询可用资源，自动构建生成工作流
        ↓
接入白模参考 + 人物资产 + 上一镜结果
        ↓
执行生成，输出视频片段
        ↓
人工验收，必要时调整意图描述

在这个结构中，人只需要提供意图和做最终判断，中间的建模、编排、资源调度全部由智能体完成。

六、结语

回到那个最初的问题：智能体可以操作专业软件之后，还有没有必要学工作流搭建？

答案是：学，但学的目的变了。 过去学工作流是为了能亲手搭建；未来理解工作流的原理，是为了能准确地描述需求、判断智能体搭建的结果是否合理、在自动化失效时知道问题出在哪一层。

工具的操作门槛在降低，但对系统整体逻辑的理解要求反而在提高。这不是“不用学了”，而是“学的东西不一样了”。