OpenMontage：把 AI 编码助手变成一间视频制作工作室

一、一个真实的场景

想象你是一个独立创作者，周五下午要交一条 60 秒的科普动画。传统路径是：找选题、查资料、写脚本、找配音、找 B-roll、做动效、调色、烧字幕、导出——至少六七个工种接力，每一步都在不同软件里切换，报价从几千到几万不等。

OpenMontage 想做的事，是把这整条链路折叠成一句话。你对 Claude Code 或 Cursor 说："做一条 60 秒讲神经网络如何学习的动画解说"，剩下的事它自己扛。

但这里有个必须讲清楚的前提：OpenMontage 不是一个视频编辑器，它没有时间轴让你拖拽。它是一套 给智能体看的生产手册加工具箱——所有编排逻辑写在 YAML 流水线和 Markdown 技能文件里，由你本地的 AI 编码助手读取并执行。换句话说，AI 助手就是控制面，Python 侧只提供"手"（100+ 个工具）和"记性"（checkpoint 状态）。

二、它长什么样

仓库的目录结构本身就是一张架构图：

• tools/ —— 27 个子包、100+ 个生产工具，视频生成、图像、语音、音乐、字幕、增强、分析各自成包
• pipeline_defs/ —— 13 条 YAML 流水线清单（Animated Explainer、Cinematic、Documentary Montage、Podcast Repurpose、Localization & Dub 等），每条定义阶段、工具、评审标准、成功门禁
• skills/ —— 175 份 Markdown 技能，教智能体"这个项目希望怎么做事"
• .agents/skills/ —— 1271 个外部技术知识包（Manim、GSAP、Remotion、HyperFrames 等），属于第三层知识
• schemas/ —— 20+ 份 JSON Schema，所有产物都过契约校验
• backlot/ —— 一个只读的本地看板服务，把生产过程实时可视化
• remotion-composer/ —— React/Remotion 合成引擎

三层知识架构是它最有想法的设计：Layer 1 说"有什么能力"，Layer 2 说"这个项目希望怎么用"，Layer 3 说"这门技术本身怎么工作"。智能体按需加载，不必一次吞下全部。

三、它的聪明之处：把"制片"变成工程

真正拉开它和一堆"AI 视频 Demo"差距的，是几处制度化设计。

一是先研究，后动笔。 写脚本之前，智能体会跑 15-25 次真实网络检索，覆盖 YouTube、Reddit、新闻站点与学术来源，产出结构化研究简报并附引用。视频内容因此有当前性，而不是模型记忆的复述。

二是供应商选择是打分出来的，不是拍脑袋。 任务适配、输出质量、可控性、可靠性、成本效率、延迟、连续性——七个维度给每个可用供应商打分，留下可审计的决策日志。同一套能力既支持 Veo、Kling、Sora 这类付费云端，也支持本地 Stable Diffusion、Flux、ComfyUI，不做厂商锁定。

三是质量门禁是真会拦人的。 "交付承诺"检查专门识别"把几张静态图做 Ken Burns 淡入淡出就自称视频"的偷懒做法；渲染前做预检，渲染后强制 ffprobe 校验、抽帧审看、音量分析、字幕检查，不通过就不许交付。

四是成本治理写进了架构。 执行前估价，配置总预算上限、单次动作审批阈值、付费工具首次启用需批准。项目自带成本追踪器和"每次生成花了多少"的仪表。

四、界面体验：Backlot 制片看板

Backlot 是这个项目里最讨喜的部分。它不是另起炉灶写的 UI，而是直接读 projects/ 目录——watchfiles 监听变更，SSE 推给浏览器，浏览器再拉取看板状态。舞台进度、剧本卡片、分镜胶片、决策记录、花费、渲染产物，全部来自流水线本来就会写下的文件。

没有 checkpoint 的老项目也能优雅降级，只显示 watcher 发现的媒体与渲染文件。完成的项目还可以"REPLAY RUN"，从 checkpoint 历史和事件时间戳完整回放整个制作过程。

五、上手门槛：比想象的低，比想象的怪

低在哪：零 API Key 也能跑通。免费链路是 Piper TTS 配音 + Archive.org/NASA/Wikimedia 免费实拍素材 + Remotion/HyperFrames/FFmpeg 渲染，全部本地全部免费。安装就是 git clone + make setup，然后把仓库用 AI 编码助手打开。Veo、Kling、ElevenLabs、Suno 只是一行 .env 配置的可选升级。

怪在哪：它没有 GUI 主程序。你必须已经有一个 AI 编码助手，而且这个助手的水平直接决定成片质量——它既当导演、也当剪辑、还当声音设计师。更关键的是，它对 Node.js 版本极其挑剔（要求打过补丁的 22.23.4+ / 24.22.1+ / 26.12.1+），README 甚至专门解释了为什么要在 eMudhra 中间 CA 事件后同时升级应用 CA bundle 与 pip 自带 CA store。

另一处硬前提是没有容器化。仓库里既没有 Dockerfile 也没有 docker-compose，make setup 要在你的机器上直接装 venv、装 Python 依赖、跑 npm install。这对老手是小事，对"只想跑起来看看"的人是第一道坎。

六、争议与局限

规模不等于成熟。 78,348 star、10,428 fork、118 位贡献者、317 个 open issue，2026 年 3 月 29 日才建仓，涨星极快（单周 +3700 star）。README 顶部自己挂着 "#1 Repository of the Day on GitHub Trending" 徽章，并滚动播放六条成片。这种爆发式增长意味着它同时是"现象级产品"和"处于早期高速迭代期"，17 万行 Markdown 与 1105 个文档文件里必然存在冗余与重复。

AGPL-3.0 是硬约束，不是装饰。 这是最强的一档 copyleft：如果你改造 OpenMontage 并以网络服务形式对外提供，必须向使用者提供对应源码，仓库不提供任何商业例外条款。想把它塞进闭源商业产品或 SaaS，这是实打实的法律边界，需要提前走法务。

它会外发你的素材。 "零上传"只对本地素材链路成立，一旦走云端生成 API，提示词、参考图、音频都会离开你的机器。涉密或受版权保护的项目只能走本地模型路径。

"让 AI 助手自己拍视频"是个未证伪的命题。 系统提供了流程保障（门禁、评审、决策日志），但最终成片的审美上限依然取决于底层模型能力和编排者水平。README 里那些成本 1.33 美元、4 美元的成片demo很惊艳，但那是精心挑选的样例。

七、行业意义

OpenMontage 标记的是一个方向性拐点：AI 编程助手正在从"写代码的工具"变成"执行专业流程的角色"。 它没有做又一个视频生成模型，而是承认了更现实的事实——视频生产的瓶颈从来不是单点生成能力，而是流程完整性、素材获取、审美一致性、成本管控和交付质量这一整条链。

它选择把这条链固化成可版本化、可评审、可审计的 Markdown 与 YAML，然后交给智能体执行。这套"知识即程序"的思路，和 Anthropic 的 Claude Skills、MCP 生态、以及各类 agentic workflow 项目是同一条脉络的。

从行业角度看，"视频 Agent"赛道正在从"单模型 demo"走向"工程化编排"。谁能把供应商路由、质量门禁、成本治理和可观测性做得最扎实，谁就能吃到专业创作者的工作流预算——而不是只能靠免费额度烧 demo。

对于我们团队，它的价值尤其直接：700+ 份技能文件本身就是一份高质量的视频制作知识库，即使不部署整套系统，这批结构化的镜头语言、剪辑规范、审美标准文档，也可以直接作为知识库参考。而它采用的"三层知识架构 + YAML 流水线 + JSON Schema 契约 + 智能体自评审"这套模式，更是与我们现有的智能体工作流高度同构，迁移成本很低。

八、一句话总结

OpenMontage 是目前开源智能体视频生产系统里工程完成度最高的样本：它不追求做一个更好的生成模型，而是把"如何像制片一样工作"这件事写成了可执行的文件系统。代价是你必须接受 AGPL 协议、必须自备 AI 编码助手、必须忍受没有容器化的手工安装。对想要一条端到端 AI 视频流水线的团队，这套系统的骨架值得直接借鉴。