本文來源於 InfoQ
過去做一條視頻，通常要先學會使用剪輯軟體，再選擇範本、調整鏡頭，最後一點點完成包裝。工具降低了創作門檻，卻沒有替用戶回答一個更關鍵的問題：這條視頻究竟要完成什麼？
10 月 22 日，在 QCon 上海 2026 主論壇上，小影科技創始人兼 CEO 韓晟以《從工具到 Agent：小影內容創作的三次範式遷移》為題，分享了小影在內容創作領域的長期實踐。
在他看來，AI 對內容創作的改變，正從“幫助用戶生成素材”，進一步走向“理解用戶目標，並交付最終結果”。
1. 從剪輯工具，到能夠交付結果的 Content Agent
小影科技成立至今已有 14 年，長期服務全球大眾用戶的視頻創作需求。韓晟介紹，小影相關產品累計下載量已經超過 20 億。伴隨用戶需求和技術能力的變化，小影的內容創作產品經歷了三個階段。
第一階段是剪輯工具階段。 從 2012 年到 2022 年，小影主要通過移動端軟體幫助用戶完成視頻剪輯。用戶仍然是創作的主導者，產品提供時間軸、音樂、轉場、濾鏡和字幕等能力，降低視頻生產的操作門檻。
第二階段是 AIGC 應用階段。 從 2022 年開始，生成式 AI 進入內容生產流程。用戶可以通過文生圖、圖生視頻、圖生音樂等能力，更快地生成素材和內容。設計師、剪輯師和專業創作者的部分工作被模型輔助完成。
但在韓晟看來，AIGC 應用仍然主要是一類“更強的工具”。用戶依然需要提出想法、選擇功能、編排流程，並對最終結果負責。
第三階段是 Content Agent 階段。 從 2025 年開始，小影嘗試讓 AI 從生成單個素材，進一步走向理解目標、調用工具和交付結果。
產品的核心對象從“功能”轉向“任務”。用戶說“幫我做一條促銷視頻”，Agent 需要進一步理解商品、受眾、品牌、管道和行銷目標，隨後選擇合適的模型、素材和工作流，最終交付一條能夠使用的視頻。
同時，內容創作產品的核心問題，也從“如何讓用戶更好地使用工具”，轉向“如何幫助用戶完成一件事”。
2. 為什麼一句話生成視頻，仍然很難？
模型能力不斷增強，但“普通用戶只需要說一句話，就能生成任意視頻”在短期內仍然很難實現。韓晟總結了視頻創作 Agent 面臨的三個核心問題：指令空間無限發散、結果難以自動驗證，以及長上下文帶來的內容一致性問題。
首先，普通用戶的需求往往並不清晰。 韓晟在演講中反復強調，用戶說出的往往只是表層需求。一個用戶說“幫我做一條行銷視頻”，背後可能對應完全不同的目標。
一個美甲店老闆說“幫我做一條行銷視頻”，真正想要的可能是吸引顧客預約到店；奶茶店關注的可能是折扣和即時下單；電商商家希望把產品賣點講清楚；自媒體創作者則更關心內容能否吸引觀眾看下去。表面上，這些需求都是“做一條視頻”，實際對應的 Job to Be Done、創作流程和成功標準完全不同。
其次，視頻結果很難用統一規則自動驗收。 代碼任務通常可以通過測試用例和運行結果判斷是否完成；但視頻創作沒有一套適用於所有場景的“標準答案”。畫面品質、內容表達、品牌一致性，以及用戶是否採納、是否發佈，甚至是否帶來預約或交易，都可能成為評價依據。
這意味著，Agent 不僅要生成視頻，還要理解在具體場景下什麼才算完成。這個標準無法完全依賴通用模型，企業還需要把長期積累的創作經驗、場景知識和業務 Know-How，轉化為可執行、可複用的評測規則。
第三，視頻創作具有跨鏡頭、跨素材和跨環節的上下文連續性。 人物、場景、商品、價格、電話和品牌資訊，需要在多個鏡頭中保持一致。用戶可能在創作過程中反復修改某個價格或電話號碼，Agent 必須理解這些修改背後的意圖，並確保變化能夠同步到最終結果中。
因此，小影沒有把目標簡單設定為“讓模型生成更多內容”，而是先尋找能夠被驗證的真實場景，再把經過驗證的場景流程和專業經驗沉澱為可複用的 Skill。對於普通用戶來說，關鍵體驗不是學習一套新的 Prompt，而是讓他發現：“這正是我想完成的事情，而且我可以快速得到結果。”
近期的消費 AI 數據也印證了這一判斷。a16z 發佈的 2026 年消費 AI 報告顯示，美國消費者對 AI 的使用範圍正在擴大，但深度使用和付費仍集中在少數高價值用戶和專業場景中，創作、編程和生產力工具是主要付費方向。
這意味著，面向大眾的 AI 產品需要找到比通用聊天更明確的價值入口。對小影而言，當前階段更重要的是從具體的內容創作和經營場景切入，通過產品化的 Agent 解決用戶在實際工作中的明確需求。
3. 從模型拼裝到 AgentOps
當產品從單一工具發展為多個 Content Agent，真正的挑戰就不只是接入一個更強的模型，而是如何讓不同業務穩定、合規地運行起來。
小影面向全球市場，服務不同國家、不同文化和不同創作習慣的用戶。這帶來了多重工程挑戰：
不同地區可使用的模型不同，帶來的模型效果、價格和穩定性差異；
一些特殊場景需要自研演算法或 LoRA 模型；
歷史產品需要持續加入 Agent 能力；
內容安全、隱私保護和平臺合規必須在產品上線前完成。
面對這些問題，小影沒有讓每條業務線重複建設，而是開始搭建統一的 AI 智能體基礎設施—— AgentOps 平臺。
平臺通過統一的多模態模型網關和智能路由，將自研模型、第三方模型以及業務團隊的垂類模型接入同一套系統，降低不同模型的接入和管理成本。業務團隊可以在統一的工程框架下，根據具體任務選擇模型和調用策略，更專注於任務目標與最終交付效果。
在模型接入之外，Agent Runtime、可視化編排、Skills 與 Tools、成本控制、安全治理、評測和可觀測等能力，也被整理成可直接調用的組件。新業務能按需組合這些組件，降低 Agent 構建、調試和上線的工程門檻。將過去分散在不同團隊中的演算法和產品經驗變成可複用的能力。
對小影來說，AgentOps 的價值最終體現在交付過程中：系統會持續記錄和追蹤 Agent 運行過程中的對話資訊、模型調用、Token 消耗、生成結果、異常情況及用戶回饋，並將這些數據沉澱下來，用於後續的問題定位、效果評測和產品優化。從而讓更多 Agent 快速進入真實場景，並在持續回饋中變得更加穩定、可控，也更接近用戶真正想要的結果。
4. 研發流程從串行交付轉向產研共建
傳統的軟體研發通常遵循產品定義、技術方案、編碼、測試、調優和上線的串行流程。AI 可以分別提升每個崗位的效率，但如果整體流程不變，團隊仍需要等待上游環節完成，端到端的交付速度不會發生根本變化。
小影正在嘗試改變這種協作方式。
在 AgentOps 模式下，產品與技術團隊圍繞真實用戶需求和具體業務場景共同構建智能體。產品團隊更貼近用戶和業務，負責識別需求、定義任務目標，並參與 Agent 的組裝與場景驗證；技術團隊則提供模型能力、Agent Runtime、模型網關、評測平臺和安全機制等工程支撐，並與產品團隊共同完成 Skill 能力沉澱、效果優化和品質驗證。
通過這種協作方式，產品方向可以在真實場景中快速驗證，技術能力也能在不同 Agent 的構建過程中持續沉澱和複用。
以小影已經落實到具體的交付流程中 Kiva 智能體為例，用戶提供文字、圖片和音色素材後，系統會圍繞業務目標組織成片。當產品進入真實使用階段，AgentOps 的核心價值就不只是調度模型和工具，更在於將用戶行為轉化為可複用的場景資產：明確用戶是誰、要完成什麼任務、核心訴求是什麼、怎樣才算成功，以及這個場景的優先順序。經過整理的場景數據，會同時服務於測試、產品和市場三個團隊。
例如，用戶在創作過程中反復修改電話和價格。這個看似細小的操作，實際上是一個重要的需求信號：
產品團隊：據此判斷用戶所處的具體場景，並追溯問題究竟出現在交互、流程還是內容生成環節；
市場團隊：結合用戶主動提供的業務資訊和創作場景，識別其可能對應的經營需求，進一步分析相似場景的共同特徵 ;
測試團隊：圍繞同一任務驗證不同版本，判斷產品是否真正解決了用戶的問題。
這份場景數接下來會進入評測流程。視頻生成之後，系統還要繼續回答一個問題：這條內容是否真正達到了要求？
與此同時，團隊會針對不同場景建立數據集，由評測 Agent 批量驗證多個版本，再由人工完成最終校準。評測結果則繼續用於調整 Prompt、Skill、工具和模型選擇，形成從生成、驗證到優化的閉環。
過去，團隊想知道用戶喜歡什麼，往往需要人工翻看案例，再憑經驗判斷。現在，系統可以定期匯總不同場景的使用情況、用戶規模和實際效果，讓哪些場景正在被使用、哪些需求更高頻、哪些環節仍有問題變得更加清晰。
在此基礎上，團隊還可以進一步判斷場景的覆蓋人群、使用頻次和效果缺口。高頻場景優先打磨，並沉澱為可複用的 Skill；低頻場景則通過引導和範本補足覆蓋。用戶行為由此同時進入產品調優、市場洞察和效果評測，成為 Agent 持續改進的共同依據。因此，小影內部的協作方式也隨之發生了變化。技術團隊不再圍繞單個功能重複開發，而是建設能夠支撐多條業務線的基礎平臺和能力組件；產品團隊也不只是提出需求，而是參與模型選擇、Agent 組裝、效果驗收和場景沉澱，和研發共同對最終交付結果負責。
5. 用戶行為成為新的產品資產
在小影的實踐中，Agent 得到的關鍵信號，往往不只來自用戶說了什麼，也來自他們在創作過程中如何修改、反復嘗試，以及最終是否採納結果。
小影將這些線索整理為用戶畫像、場景標籤和 JTBD （Jobs To Be Done）洞察，並共用給測試、產品和市場團隊。測試團隊可以基於同一場景複現問題，產品團隊可以定位具體環節進行調優，市場團隊則圍繞明確的人群和需求開展觸達。這樣，一次真實創作就不再止於一次交付，而是進入“真實使用 > 行為分析 > 場景提煉 > Skill 發佈 > 效果驗證”的迴圈。產品也不再只是積累功能和代碼，還包括用戶偏好、成功標準以及專家經驗。
這種沉澱也有清晰的邊界，只有獲得用戶明確授權的行為資訊，才會進入迴圈鏈路，用於產品評測和持續優化；原始創作素材會按用戶授權、數據許可權、不同市場的合規要求嚴格分類管理。尊重用戶邊界，是確保“用戶行為成為產品資產”這套邏輯成立的前提。
在韓晟看來，這套閉環最終指向兩個目標：更快驗證需求，讓每一次實踐都留下可複用的經驗。同時，他將小影下一階段的重點概括為：
“第一，快速迭代；第二，可積累。”
圖片隨著場景數據、用戶偏好和評測標準不斷沉澱，這套積累將持續轉化為產品能力，幫助小影更好地服務不同國家、不同人群。
6. 模型趨向通用，場景能力形成差異
隨著通用模型持續演進，模型能力本身正逐步成為 AI 應用的基礎設施。韓晟在演講中提到，通用模型遲早會變成“水電煤”。
在這樣的背景下，小影選擇了一條更具體的路徑：把 14 年積累的全球用戶經驗、不同市場的內容偏好、真實創作場景、用戶行為數據和交付標準沉澱為企業資產。模型負責提供通用能力，Agent 負責理解任務並組織執行，平臺負責保證穩定性，數據和 Skill 則承接並複用這些場景經驗，讓系統在持續使用中更加瞭解用戶。
因此，Content Agent 帶來的變化並不局限於視頻產品本身。它正在同時推動產品形態、技術架構、評測體系和研發協作方式的調整。
過去，用戶需要學習工具，團隊圍繞功能開發產品。現在，用戶直接表達目標，Agent 負責完成任務，團隊則圍繞場景、平臺和數據持續建設能力。
韓晟在演講中也追問過一個問題：一家 AI 應用公司的門檻究竟在哪里？如果只是把通用模型封裝成一個產品，能力很容易被複製。真正難以替代的，是企業對用戶、場景和成功標準的長期理解。
這正是小影從工具走向 Agent 的核心變化：內容創作的競爭重點，正在從功能數量轉向結果交付。誰更理解用戶想完成什麼，誰就更有可能把 AI 真正做成一項穩定、可複用的產品能力。
留在企業手中的，將是那些通過真實場景積累下來的用戶理解、交付經驗和持續迭代的能力。