小影科技韩晟：视频创作AI从工具走向Content Agent

以前做一条视频，得先学会剪辑软件，接着挑模板、调镜头，再一步步做包装。工具确实把创作门槛压低了，可有个更关键的问题它没替用户回答：这条视频到底要达成什么？

10月22日，QCon 上海 2026 主论坛上，小影科技创始人兼 CEO 韩晟发表题为《从工具到 Agent：小影内容创作的三次范式迁移》的演讲，讲了小影在内容创作领域多年来的做法。

他的判断是，AI 对内容创作的改变，正从“帮助用户生成素材”往“理解用户目标，并交付最终结果”走。

小影科技创始人兼 CEO 韩晟

一、从剪辑工具，到能够交付结果的 Content Agent

小影科技成立至今 14 年，长期服务全球大众用户的视频创作需求。韩晟介绍，小影相关产品累计下载量已经超过 20 亿。用户需求和技术能力在变，小影的内容创作产品也走过了三个阶段。

第一阶段是剪辑工具阶段。从 2012 年到 2022 年，小影主要靠移动端软件帮用户剪视频。创作的主导者还是用户，产品提供时间轴、音乐、转场、滤镜和字幕等能力，把视频生产的操作门槛降下来。

第二阶段是 AIGC 应用阶段。2022 年起，生成式 AI 进入内容生产流程。用户借助文生图、图生视频、图生音乐等能力，能更快地产出素材和内容。设计师、剪辑师和专业创作者的部分工作，交给模型辅助完成。

不过韩晟认为，AIGC 应用说到底还是一类“更强的工具”。想法要用户自己提，功能要用户自己选，流程要用户自己编排，最终结果也由用户负责。

第三阶段是 Content Agent 阶段。从 2025 年开始，小影试着让 AI 不再只生成单个素材，而是往理解目标、调用工具和交付结果的方向走。

产品围绕的核心对象，从“功能”变成了“任务”。用户说“帮我做一条促销视频”，Agent 就得进一步弄清商品、受众、品牌、渠道和营销目标，再挑合适的模型、素材和工作流，最后交出一条能用的视频。

与此同时，内容创作产品的核心问题也变了：不再是“如何让用户更好地使用工具”，而是“如何帮助用户完成一件事”。

二、为什么一句话生成视频，仍然很难？

模型能力一直在涨，但“普通用户只需要说一句话，就能生成任意视频”短期内还是很难做到。韩晟把视频创作 Agent 面临的问题归为三个：指令空间无限发散、结果难以自动验证，以及长上下文带来的内容一致性问题。

先说第一点，普通用户的需求往往并不清晰。韩晟在演讲中反复强调，用户说出来的通常只是表层需求。有人讲“帮我做一条营销视频”，背后对应的目标可能完全不一样。

美甲店老板说“帮我做一条营销视频”，真正想要的或许是吸引顾客预约到店；奶茶店在意的是折扣和即时下单；电商商家希望把产品卖点讲清楚；自媒体创作者更关心内容能不能让观众看下去。表面上都是“做一条视频”，实际对应的 Job to Be Done、创作流程和成功标准完全不同。

再看第二点，视频结果很难用统一规则自动验收。代码任务一般能靠测试用例和运行结果判断做没做完；视频创作却不存在一套适用于所有场景的“标准答案”。画面质量、内容表达、品牌一致性，还有用户是否采纳、是否发布，甚至是否带来预约或交易，都可能成为评价依据。

这就意味着，Agent 不光要生成视频，还得理解在具体场景下什么才算完成。这个标准没法完全靠通用模型，企业还需要把长期积累的创作经验、场景知识和业务 Know-How，转化成可执行、可复用的评测规则。

第三点，视频创作有跨镜头、跨素材、跨环节的上下文连续性。人物、场景、商品、价格、电话和品牌信息，都得在多个镜头中保持一致。用户可能在创作过程中反复改某个价格或电话号码，Agent 必须读懂这些修改背后的意图，并保证变化能同步到最终结果里。

所以小影没有把目标简单定成“让模型生成更多内容”，而是先找能够被验证的真实场景，再把经过验证的场景流程和专业经验沉淀为可复用的 Skill。对普通用户来说，关键体验不是去学一套新的 Prompt，而是让他发现：“这正是我想完成的事情，而且我可以快速得到结果。”

a16z 的 2026 年消费 AI 报告给出了近期数据，美国消费者用 AI 的范围在变宽，可真正用得深、愿意掏钱的还是少数高价值用户和专业场景，付费主要落在创作、编程和生产力工具上。

这意味着，面向大众的 AI 产品得找到比通用聊天更明确的价值入口。对小影来说，当前阶段更重要的是从具体的内容创作和经营场景切入，用产品化的 Agent 解决用户在实际工作中的明确需求。

三、从模型拼装到 AgentOps

产品从单一工具长成多个 Content Agent 之后，真正的挑战就不只是接一个更强的模型，而是怎么让不同业务稳定、合规地跑起来。

小影服务的是全球市场，用户遍布不同国家，文化背景和创作习惯都不一样。工程上要应对的难题不少：

• 各地能用的模型并不一致，效果、价格和稳定性随之出现差别；

• 有些特殊场景得靠自研算法或者 LoRA 模型解决；

• 已有产品还要不断补进 Agent 能力；

• 内容安全、隐私保护与平台合规，都得赶在产品上线之前搞定。

这些麻烦摆在面前，小影没有让各条业务线各自重复造轮子，而是动手搭一套统一的 AI 智能体基础设施，也就是 AgentOps 平台。

这套平台用统一的多模态模型网关加智能路由，把自研模型、第三方模型以及业务团队的垂类模型接进同一个系统，模型接入和管理的成本因此降了下来。业务团队在统一的工程框架里，按具体任务挑模型、定调用策略，精力更多放在任务目标和最终交付效果上。

除了模型接入，Agent Runtime、可视化编排、Skills 与 Tools、成本控制、安全治理、评测和可观测等能力，也都被做成可以直接调用的组件。新业务按需拼装即可，Agent 构建、调试、上线的工程门槛随之降低，过去散落在各团队里的算法和产品经验，也变成了能反复使用的能力。

落到交付环节，AgentOps 的价值才真正显出来：系统会持续记录并追踪 Agent 运行中的对话信息、模型调用、Token 消耗、生成结果、异常情况和用户反馈，把这些数据攒下来，供后续定位问题、评测效果、优化产品使用。更多 Agent 因此能更快进入真实场景，在持续反馈里变得稳定、可控，也更贴近用户真正想要的结果。

四、研发流程从串行交付转向产研共建

以往做软件研发，基本是产品定义、技术方案、编码、测试、调优、上线一路串下来。AI 能把每个岗位的效率分别提上去，可流程本身不改，团队还是得等上游干完，端到端的交付速度不会有根本变化。

小影想换个协作法子。

AgentOps 模式下，产品和技术团队围着真实用户需求和具体业务场景一起搭智能体。产品团队离用户和业务更近，负责识别需求、定义任务目标，还要参与 Agent 的组装与场景验证；技术团队拿出模型能力、Agent Runtime、模型网关、评测平台和安全机制等工程支撑，并和产品团队一道完成 Skill 能力沉淀、效果优化和质量验证。

这样协作下来，产品方向能在真实场景里快速验证，技术能力也会随着一个个 Agent 的构建不断沉淀、反复使用。

小影已经把这套东西落到了具体交付流程里，Kiva 智能体就是一例：用户给出文字、图片和音色素材，系统围绕业务目标组织成片。产品进入真实使用阶段后，AgentOps 的核心价值就不只是调度模型和工具，更在于把用户行为变成可复用的场景资产——用户是谁、要完成什么任务、核心诉求是什么、怎样才算成功、这个场景优先级如何。整理过的场景数据，同时供测试、产品和市场三个团队使用。

比如用户在创作时反复修改电话和价格。这个动作看着不起眼，其实是个重要的需求信号：

• 产品团队：据此判断用户处在什么具体场景，再追溯问题出在交互、流程还是内容生成环节；

• 市场团队：结合用户主动提供的业务信息和创作场景，识别其可能对应的经营需求，进一步分析相似场景的共同特征;

• 测试团队：围绕同一任务验证不同版本，判断产品是否真正解决了用户的问题。

这份场景数据接下来会进入评测流程。视频生成之后，系统还得接着回答一个问题：这条内容是否真正达到了要求？

同时，团队会针对不同场景建立数据集，由评测 Agent 批量验证多个版本，再交给人工完成最终校准。评测结果继续用来调整 Prompt、Skill、工具和模型选择，从生成、验证到优化形成闭环。

以前团队想知道用户喜欢什么，多半靠人工翻案例，再凭经验判断。现在系统能定期汇总不同场景的使用情况、用户规模和实际效果，哪些场景在被使用、哪些需求更高频、哪些环节还有问题，都看得更清楚。

在此基础上，团队还能进一步判断场景的覆盖人群、使用频次和效果缺口。高频场景优先打磨，并沉淀为可复用的 Skill；低频场景靠引导和模板补足覆盖。用户行为就这样同时进入产品调优、市场洞察和效果评测，成为 Agent 持续改进的共同依据。小影内部的协作方式也跟着变了：技术团队不再围着单个功能重复开发，转而建设能支撑多条业务线的基础平台和能力组件；产品团队也不只是提需求，而是参与模型选择、Agent 组装、效果验收和场景沉淀，和研发一起对最终交付结果负责。

五、用户行为成为新的产品资产

小影的实际经验显示，Agent 拿到的关键信号，除了用户口头说了什么，还包括他们在创作时怎么改、怎么反复试，以及最后有没有采用产出的结果。

小影把这些线索归纳成用户画像、场景标签和 JTBD（Jobs To Be Done）洞察，同步给测试、产品、市场三个团队。测试团队能按同一场景复现问题，产品团队能盯住具体环节调优，市场团队则围绕明确的人群和需求去触达。一次真实创作于是不再只是一次交付，而是转入“真实使用 > 行为分析 > 场景提炼 > Skill 发布 > 效果验证”的循环。产品攒下的也不只是功能和代码，还有用户偏好、成功标准以及专家经验。不过这套沉淀有清楚的范围：只有用户明确授权的行为信息才会进入循环链路，用于产品评测和持续优化；原始创作素材则按用户授权、数据权限和不同市场的合规要求严格分类管理。守住用户边界，是“用户行为成为产品资产”这套逻辑能成立的前提。

韩晟认为，这套闭环最终指向两个目标：一是更快验证需求，二是让每次实践都留下可复用的经验。他把小影下一阶段的重点概括为：“第一，快速迭代；第二，可积累。”

场景数据、用户偏好和评测标准不断沉淀下来，这些积累会持续转成产品能力，帮小影更好地服务不同国家和不同人群。

六、模型趋向通用，场景能力形成差异

通用模型一路演进，模型能力本身正慢慢变成 AI 应用的基础设施。韩晟在演讲中提到，通用模型迟早会变成“水电煤”。

小影选了一条更具体的路：把 14 年攒下的全球用户经验、不同市场的内容偏好、真实创作场景、用户行为数据和交付标准，沉淀为企业资产。模型提供通用能力，Agent 负责理解任务并组织执行，平台保证稳定性，数据和 Skill 承接并复用这些场景经验，让系统在持续使用中更懂用户。

所以 Content Agent 带来的变化不止于视频产品本身。产品形态、技术架构、评测体系和研发协作方式，都在被它同时推动着调整。

以前，用户得先学工具，团队围着功能开发产品。现在，用户直接说出目标，Agent 负责把任务做完，团队则围绕场景、平台和数据持续建设能力。

韩晟在演讲里还追问过：一家 AI 应用公司的门槛到底在哪？只把通用模型封装成产品，能力很容易被复制。真正难以替代的，是企业对用户、场景和成功标准的长期理解。

小影从工具走向 Agent，核心变化就在这里：内容创作的竞争重点，正从功能数量转向结果交付。谁更懂用户想完成什么，谁就更可能把 AI 做成稳定、可复用的产品能力。

留在企业手里的，会是那些通过真实场景积累下来的用户理解、交付经验和持续迭代的能力。

热度延续

12 月 18–19 日，AICon 全球人工智能开发与应用大会定在北京举行。这场大会把探索 AI 应用边界作为主题，共设 13 大技术专题，方向包括大模型后训练、推理优化、Agent 工程、知识工程、智能体评测与安全、自进化系统、AI 软件交付、原生架构以及组织变革等。届时会有一线技术专家到场，围绕 AI 技术突破和企业规模化落地的实际做法做深入分享。