Concat：把剪映变成 AI Agent 可以调用的工具

一、被剪映困住的那些人

做一条 TikTok 或 Shorts，流程大致是固定的：导入素材、切分镜头、加自动字幕、配一段配音、加个转场特效、调色导出。这套流程本身并不难，难的是它被锁在了一个 GUI 应用里。

剪映（CapCut 国际版）的核心问题有三个：一是水印，二是订阅墙，三是不可编程。前两个是商业问题，第三个是工程问题——你没法让一个自动化脚本说"帮我把这段素材剪成 60 秒、带字幕、背景去掉的竖版短视频"，因为剪映没有给脚本留门。于是每一个批量做视频的团队，最后都养着一批坐在电脑前重复点鼠标的人，或者干脆用 Python 调 FFmpeg 写一堆胶水代码，自己拼出时间轴、字幕、渲染管线。

Concat（jub0t/Concat）想解决的就是这第三件事。它由一位 GitHub 用户 jub0t 于 2026 年 8 月 25 日创建，两个多月后星标冲到 13,600+，成为 Rust 生态近两年涨星最快的项目之一。它提供的是 CapCut 的完整替代体验：无水印、无账号、无订阅，素材 100% 留在本地；同时内置 MCP 服务器与 JSON-RPC API，让 Claude Code、Claude Desktop 或任意 MCP 客户端能直接"开工程、导素材、切镜头、加字幕、导出"。

二、它到底造了什么东西

Concat 的技术底座是一套自研的 Rust 引擎加 Slint 声明式 UI，共 16 个 crate 分层。理解这个项目大致需要三条线。

第一条是渲染引擎线。 concat-media 负责解码（FFmpeg 7+），concat-render 用 wgpu 做 GPU 合成器，concat-export 负责编码输出。Rust 5.9MB、C++ 3MB、C 1.7MB 的语言构成说明这不是纯脚本项目，而是把剪映那一层"专业剪辑软件"的复杂度用系统级语言重写了一遍。好处是 4K 素材能流畅拖动预览（硬件解码 + 代理文件），坏处是构建门槛高：Rust 1.93+、FFmpeg 7+ 开发库、cmake、C++ 编译器一个都不能少。

第二条是本地 AI 线。 项目内置三个能力，全部本地推理：

• 自动字幕：whisper.cpp 编译进进程，macOS 上跑 Metal 加速，仓库里甚至打了 whisper.cpp 的补丁（src/patches/whisper-rs-sys/），让它能共用一个 GGML 后端；
• 文字转语音与声音克隆：TTS 走 sherpa-onnx 的 Kokoro v1.0，克隆用 Chatterbox（ONNX Runtime 直驱，因为 sherpa-onnx 没这个模型）；
• 背景抠除与画面修复：ONNX Runtime 推理 RobustVideoMatting（人像）、IS-Net（通用物体）、SlimSAM-77（笔刷选区），超分增强用 RealESRGAN x4v3。

模型不打进安装包——cutout + Kokoro + Whisper 加起来比编辑器本身还大——而是首次使用时按需下载，下载后完全离线可用。models/manifest.toml 里每个模型都带 sha256 摘要，并且优先从项目自己的 release 镜像拉取，镜像不可达才回退到上游 GitHub/HuggingFace。这是相当讲究的工程细节：模型版本被钉死在测试过的那份字节上，不依赖第三方桶一直活着。

第三条是自动化线，也是 Concat 真正的差异化。 concat --mcp 一行命令就能让 MCP 客户端接管编辑器。工具集覆盖工程（project_create/open/save）、读取（timeline_read）、素材（media_probe/import）、剪辑（clip_add/split/trim/move/speed/frame）、画面（clip_mask/stabilize）、字幕（captions_add/title_add）、关键帧与特效（keyframe_set/effect_layer_add）、模板、导出（export_start/wait/cancel）以及 preview_frame 取帧。

设计上有两点很见功力。

其一，MCP 工具的参数 schema 是从 Concat API 自身的类型自动生成的（concat-api 的 schema feature + schemars）。也就是说工具的入参约束不可能和引擎的真实行为漂移——这是很多手写 MCP 工具集最终腐化的根源。

其二，"窗口模式"与"headless 模式"的隔离。MCP 可以走已打开的编辑器窗口（通过 Settings > Automation 写下的 automation.json 与令牌），此时 Agent 不能覆盖你正在看的工程，导出会和你排队；也可以 headless 独立跑引擎，什么都不开。两者通过 concat.lock 文件互斥。文档甚至提到正在开发中的"live mode"（issue #337）——Agent 边看边改，与人实时协作。这条路线目前还有人在盯着，但从设计看，作者对"人机共用一个工程"的边界考虑得相当细。

三、门槛在哪一端

普通用户这一端几乎没有门槛。 官网 concatenate.pages.dev 按机器分发构建包，GitHub Releases 有全平台安装器与校验和：Windows x86_64（ARM 构建暂停，issue #326）、macOS Intel 与 Apple Silicon、Linux 的 .deb/.rpm/.AppImage/Arch 包、Android APK。Linux 还有社区 Flatpak 源 Flatpark。

AI 能力这一端有隐性成本。 模型按需下载：Whisper 从 tiny（77MB）到 large（1.5GB 级别）、Kokoro int8 132MB / 完整 349MB、IS-Net 178MB、Chatterbox 约 1GB（作者在 crate 注释里直接写了"a gigabyte of model is not for a phone"，所以桌面端才开这个特性）。同时仓库里有明显的硬件适配工程：AVX2 CPU 上的 Whisper 转写加速、Intel Mac 因 ONNX Runtime 停止支持而单独锁 API 23（api-27 对其他平台）、Windows 改用微软 CPU 版 ONNX Runtime 而非静态 DirectML 版（后者为 Haswell 编译，导致老 CPU 无法启动，issue #313）。

开发者这一端门槛最高。 源码编译是一条 Rust + FFmpeg + cmake 的完整链路，CI 里跑 build-app / ci / mobile / models / nix / release 六条流水线，但没有 Dockerfile、没有 docker-compose、没有 K8s manifest——这不是遗漏，而是形态使然：它本来就不是一个服务端软件。

Agent 集成这一端最舒服。 一行 claude mcp add concat -- /path/to/concat --mcp 就能用，不需要额外装任何 MCP Server 包。

四、争议与局限

AGPL-3.0 是绕不开的话题。 视频编辑器本体 AGPL-3.0-or-later，内置模型又混着 GPL-3.0（RobustVideoMatting）、Apache-2.0、BSD-3-Clause、CC-BY-4.0（Kyutai）。个人使用、修改、研究都没问题；但把它嵌进闭源商业产品、或改成网络服务对外提供，AGPL 的传染性与模型协议叠加，法律责任需要逐条核对。这一点对要"落地到公司产品线"的团队尤其关键。

项目还很年轻。 版本号 0.2.8，作者自己在 README 里写"Concat is in beta: it works, and it still has edges"，邀请大家把边界情况报成 issue。267 个 open issue、1,677 个 fork 说明社区极其活跃，但也说明产品仍在剧烈变动。Windows 构建尚未签名（CODE_SIGNING.md 有专门章节解释原因和"Concat 到底往外发什么网络请求——除了你主动要求的，什么都不发"）。

自动化能力仍有半成品部分。 "live mode" 尚未实现；CI 里有一批 fix 指向 GUI 崩溃、首帧文本渲染崩溃、并发写入工程保存等边界。267 个 issue 中不少是这类打磨型工作，说明质量底线尚在爬坡。

语言栈偏硬核。 Rust + C++ + Slint + FFmpeg 的组合，对只想改改文案脚本的人是门槛；对做视频工具链的工程师反而是优势。

五、这个项目说明了什么

Concat 在两个多月内从 0 涨到 13.6k star、1,677 个 fork，Trendshift 上有排名，README 里挂着下载量徽章——它的增长速度本身就是一条行业信号。

第一个信号是：AI 工具的竞争正在从"模型能力"转向"工具的可编程性"。 当基座模型足够强之后，差距往往不在"能不能做"，而在"能不能让 Agent 稳定地、可重复地、不需要人盯着地做"。Concat 的做法很直接——把一套成熟的 GUI 软件的编辑语义完整地暴露成 MCP 工具，参数 schema 直接从类型生成，让 Agent 用与人类完全相同的命令去剪视频。这比"用 LLM 生成 FFmpeg 命令"高明得多：状态是一等公民，撤销重做有语义，导出有进度。

第二个信号是：本地优先（local-first）在专业工具领域正在翻盘。 素材不出盘、无账号、无水印、模型下载后离线可用，这套组合精准命中了创作者对隐私和订阅疲劳的双重反感。

第三个信号是：Rust 正在成为"重做经典桌面软件"的一条现实路径。 用系统语言重写专业级工具（视频、音频、绘图），用声明式 UI 框架搭前端，再用 ONNX Runtime / whisper.cpp / sherpa-onnx 这类本地推理栈补上 AI 能力——Concat 把这条路径完整走通了一遍，对同样想重做某个老牌桌面软件的团队，是一份现成的架构参考。

对国内团队而言，它的价值还有一层：README 官方提供简体中文版，界面支持 26 种语言，Windows/macOS/Linux/Android 全平台覆盖，AI 推理全部本地跑在国产机器上（无 CUDA 依赖，CPU AVX2 路径甚至为老 Intel CPU 专门优化过）。这让它成为一条"不依赖英伟达显卡、不依赖云 API 就能落地 AI 视频生产"的可行路线。

给决策者的一句话结论： Concat 是一个架构成熟度远超其版本号的本地 AI 视频编辑器，它的 MCP 集成方式值得任何做 Agent 工具链的团队逐行读源码借鉴；但 AGPL-3.0 的协议负担与 0.2.x 的产品成熟度，决定了它现在更适合做技术预研与内部工具，而非直接进入商业产品的核心链路。

数据来源：GitHub API（jub0t/Concat，2026-11-02 采集，13,602★ / 1,677 fork / 267 open issues / 48 位贡献者），仓库源码与 models/manifest.toml，官方 docs/MCP.md 与 README。