一次旅行回來，手機裏多了上百張照片和不少視頻，要把它們剪成一部有故事的短片，卻讓許多人望而卻步。
如何讓 AI 接手這部分工作？近日，在 QCon 軟體開發大會・2026 上海站上，小影科技業務 VP 李琳琳圍繞《面向硬體場景的智慧視頻創作 Agent 規模化落地實踐》展開分享，介紹了公司面向硬體廠商的視頻創作解決方案：用戶只需用一句話表達創作需求，如“幫我把上周旅行的照片和視頻做成一個3分鐘、有故事感的 Vlog”，Agent 即可從本地相冊中挑選素材、規劃故事並輸出成片。
這是小影科技 ToB 智慧視頻創作解決方案在 Agent 方向的最新成果，希望助力消費電子硬體、手持影像終端廠商延伸視頻創作能力，也讓普通人能隨手做出個性化成片。
端雲協同，靈活適配不同機型
一次視頻創作涉及素材理解、故事規劃與視頻渲染等多個環節。全程依賴雲端會增加素材傳輸與處理成本，並帶來隱私顧慮；僅依靠端側，則受限於設備算力、記憶體和功耗。李琳琳指出，單靠任何一端，都難以同時滿足體驗、成本與隱私的要求。
為此，小影科技採用端雲協同架構，將終端視頻創作拆分為端側內容理解、雲端創作規劃和端側渲染執行三個環節。
首先，端側通過視覺識別演算法分析本地照片和視頻，檢索、篩選素材並提取高光片段，形成結構化的素材上下文。雲端 Agent 再結合用戶意圖與素材資訊，決定故事如何組織、生成創作配置。最後，終端視頻引擎解析配置，執行時間線構建、剪輯與渲染，生成完整視頻。
這套架構讓端側承擔本地素材處理等高頻計算任務，雲端負責更複雜的意圖理解和創作決策。系統還會根據設備算力、網路狀況調整端雲分工，讓旗艦機、中端機等不同性能的設備都能獲得較好的創作體驗，也在效果與成本之間取得平衡。
14 年創作經驗，沉澱為場景化 Skill
端雲協同明確了任務的分工與執行位置，但成片能否符合用戶預期，關鍵還在於 Agent 如何規劃故事。
傳統的一鍵成片通常基於預設範本，創作方式相對固定。小影科技則將 14 年視頻創作經驗沉澱為場景化 Skill，把專業經驗轉化為具體的創作規則，並明確輸入、約束與輸出，讓 Agent 能夠根據用戶需求和素材特點，調用最匹配該場景的 Skill 來組織故事。
以旅行場景為例，行程是組織故事的基本主線，但實際素材可能分佈不均，重要的人物互動也未必出現在行程的關鍵節點。此時，Skill 中的規則會指導 Agent 判斷哪些片段值得保留、素材不足時如何調整故事結構，以及如何銜接不同片段，避免機械拼接素材；音樂選擇同樣需要貼合故事情緒變化。
有了這些規則，系統可以更好地保留關鍵人物和片段，讓故事主線更清晰、配樂更貼合用戶預期，創作用時和修改次數隨之減少。用戶回饋也為 Skill 的持續優化提供依據。
在創作規劃之外，穩定交付同樣重要。從素材理解、故事規劃到視頻生成的各個環節由工作流統一調度，確保端雲之間有序銜接；即使某個環節超時或中斷，也能自動重試與恢復。
對大眾用戶而言，終端視頻創作 Agent 意味著更省心的創作體驗、更有故事感的成片；對硬體廠商而言，同一套能力可以覆蓋多種場景和機型，為軟體層的體驗創新打開了空間。這些價值的實現，不只依賴模型本身，更需要內容理解、專業視頻創作知識與工程體系的協同。