AI视频工具悄悄走到了第三阶段

这两年我看了一堆号称要颠覆AI视频的新产品。看了一阵子，我大概看出了一个规律。

第一代AI视频工具，是文生视频的盲盒。 一句话扔进去，等几分钟，开出来什么算什么，不满意只能重新投币。

第二代多了个Agent入口，AI开始能用对话方式调度。但Agent是悬浮在产品之外的「插件」，对话归对话，画布归画布，AI在另一个房间帮你跑腿。

最近我用了一个国产的画布型AI视频工具，叫RHTV。打开第一眼我就感觉，AI视频工具可能在悄悄进第三阶段了。

这一代的关键词是「画布原生」。Agent不是悬浮在画布之外的服务，而是画布本身的大脑。它住在你的工作流里，看得见你每一步在做什么，也让你看得见它每一步在想什么。

听起来好像只是产品形态的小调整，但用过之后我意识到，它其实在重新定义「人和AI怎么一起做事」这件事。

一、AI视频工具的三阶段演化

把过去两年的AI视频工具按使用体验排一下，能很清晰地看到三个阶段。

第一阶段，文生视频盲盒。

你输入一句话，等模型出片。整个过程是黑盒，AI怎么理解你的需求、怎么选模型、怎么处理细节，全在后端，用户看不到。结果不满意只能重新生成，没有局部修改的概念。

这个阶段最大的问题不是出不出好东西，是不可控。 一支15秒的短片，你想换其中一个镜头，必须把整个15秒重做。这种「一掷定乾坤」的体验，能用来玩，但很难拿来真正干活。

第二阶段，双入口模式。

产品意识到了「全自动」的问题，于是引入了Agent。但很多产品只是在原有的画布旁边加了一个「对话面板」：你跟Agent聊天，Agent帮你生成，结果再回到画布。

看起来「AI智能体」是有了，但本质上Agent是个外挂插件。它不在画布里，它在画布旁边。

这个阶段的体验有种微妙的撕裂感。你在画布里精雕细琢一个分镜，想让AI帮忙优化，得切到对话框，跟Agent解释你在做什么。AI不知道你画布里的上下文，每次都得从头说起。Agent成了一个外接的传话筒，不是真正的搭档。 第三阶段，画布原生Agent。

这就是RHTV在做的事。Agent就在画布里，左下角一个按钮唤起。你选中一个素材或节点，直接对RH智能体说「把这个调暗一点」，它知道你说的「这个」是什么，因为它和你看的是同一张画布。

更关键的是，RH智能体不是只负责执行。它有自己完整的本地决策链：理解需求 → 规划路径 → 生成提示词 → 组装节点。每一步都可见，每一步都可改。你看到的不只是结果，是它怎么得出这个结果的。

这三个阶段，本质上是三种「人和AI的关系」。第一阶段是「使唤AI」，第二阶段是「协助AI」，第三阶段才是「和AI一起想」。

二、什么是「画布原生」

「画布原生」这个词第一次出现的时候，我也没太懂它和「在画布里加个AI按钮」有什么区别。后来在RHTV里跑了一个真实的MV项目，我大概理清了它的样子。

先说背景。我用GPT-Image-2做了一张「MV小提琴演奏场景·分镜脚本与美术设计方案」的综合参考板。一张图里，把这支MV的前期工作几乎全做完了：角色6视角图（JK制服小提琴少女）、法式宫廷场景的平面图+立面图+剖面图、3个分镜的方案（侧面中景、小提琴特写、斜侧情绪特写）、4种灯光参考、还有色调推荐。

这张图本身就挺值得说一下。文生图模型走到今天，一张图就能把一支MV的前期规划全做完。 导演脑子里所有该想的：人物、场景、镜头、运镜、光线、色调，都可以让AI一次性铺出来。

但问题随之而来：前期规划完成度变高了，可下一步怎么走？

按传统玩法，我有两个选项。

选项一是手动拆解：把参考板里的角色图抠出来作为@参考，把场景图抠出来作为另一组@参考，把分镜文字复制成prompt，再分3次手动调度Seedance 2.0。这个流程下来，光准备工作就够你折腾大半天，每改一处还得重来一遍。

选项二是直接把整张参考板丢给Seedance 2.0：它会把这张密密麻麻的板子当成「一张包含人物+场景+小图+文字框的图」整体识别。结果就是稳定性差、可控性差、可拓展性差，输出基本是不可用的。

也就是说，当文生图把「想清楚」这件事压缩到几分钟，AI视频领域反而出现了一个新的工具空缺：能不能有一个工具，看得懂这张参考板，能把它结构化拆解，能把每个分镜变成画布上可调度的节点？

这就是我说的「画布原生Agent」要解决的问题之一。它不止是酷炫，也是真的有能力去适配是最新一代具有agent思维的图像生成模型甩出来的高密度规划素材。

我决定换个玩法：把整张参考板丢给RHTV的画布，对RH智能体说一句话：

「按这张分镜板生成MV，3个镜头」。

然后我就坐着不动了。

RH智能体接到指令之后，没有像传统模型那样直接闷头开生成。它先做了一件事：识别。

它在画布的对话面板里，把这张参考板的核心元素逐条标记出来：

• 角色：JK制服小提琴少女
• 场景：法式宫廷
• 道具：小提琴

这个动作的关键不是它「识别对了」，而是它把识别过程暴露给我看了。我能看到RH智能体对这张参考板的全部解读，确认无误后才让它继续。如果它把JK制服理解成了和服，我可以在这一步就拦住它，不会等10分钟后看到一团离谱的成片再来反悔。

我一直觉得，能不能看见AI在想什么，是判断一个AI产品是工具还是搭档的分水岭。 工具只对结果负责，搭档要对过程透明。

三、透明的力量

确认完元素，RH智能体开始自己建工作流。

它在画布上拉出了两组节点：

第一组叫「MV小提琴-视觉资产生产」，里面是3个image节点，分别承担参考板拆解、角色生成、场景生成。

第二组叫「MV小提琴-最终视频生成」，里面是3个video节点，对应分镜板里的3个镜头：

• 镜头1：侧面优雅演奏
• 镜头2：指尖技艺特写
• 镜头3：沉浸式神情特写

更让我意外的是，RH智能体还把节点之间的参考关系也自动配置好了。哪个视频镜头用哪张图做参考、参考的优先级是什么，全部展开在对话面板里。

这是传统Agent模式做不到的事情。它们的输出是个「黑盒视频」，它知道自己怎么做的，但不告诉你。RHTV的智能体是把它的整个工作思路展开成画布上一张可视化的图，哪个节点干什么、连给谁，一目了然。

AI创作这两年最大的痛点，其实不是模型不够强，是不可控。

你可能听过太多创作者抱怨：「这个镜头明明只有一个细节不满意，凭什么要重做整支视频？」这个痛点的根源就是黑盒。第一代和第二代AI视频工具，把创作过程锁在后端。你输入prompt，等结果，不满意再调prompt，再等结果。整个反馈循环里，你永远不知道AI到底是怎么处理你的话的。

画布原生Agent真正值钱的，可能不是它会自动搭工作流，而是它把整个工作流摊开给你看。

每个节点都带着明确的语义角色，每条连线背后都有可解释的参考关系。我想在哪个环节插手就在哪个环节插手：换衣服只改character节点，换灯光只改lighting节点，调某个镜头的运镜只改对应的video节点，下游会自动适配，不用重跑整条链路。

这一点对专业创作者特别重要。轻度玩家要的是「一键出片」，专业创作者要的是「可改」。 一段广告片、一段品牌视频、一支短剧，几乎不可能一次成型，必然要反复迭代。如果每次迭代都意味着重新跑整条流程，那AI不是在帮你创作，是在浪费你的时间。

四、能力上限的赌注

聊到这里要回答一个问题：为什么是RHTV做出了「画布原生Agent」，而不是其他家？

我觉得答案在生态。

AI视频工具的核心矛盾，是用户的需求边界永远在扩展，而单个产品团队的开发能力是有限的。今天用户要漫剧，明天要TVC，后天要MV，再后天要新的视觉风格。每一个新需求，封闭系统都得自己开发模型、调试节点、上线功能。

这种模式有个天然的天花板：产品能力的上限就是产品团队的上限。

RHTV的解法是站在Runninghub生态之上。RunningHub是目前国内最活跃的AI内容创作者共创的图像音视频内容平台，有国内规模最大的ComfyUI创作者，沉淀了10万+社区AI应用、13681个可用节点、170+标准模型API。每天全球开源社区贡献的新节点、新工作流、新模型，都会自动纳入RHTV的能力矩阵。

这不是「接入了开源」那么简单，是「产品的能力上限由全球开源社区决定」。每天都有开发者在贡献新的节点、新的工作流、新的插件，这些都会自动出现在RHTV用户的能力面板里。

封闭系统在和全球社区赛跑，结果其实是注定的。

短期看，封闭系统可能能通过精打细磨的官方能力赢得用户。但长期看，5万+工作流的复用、10万+应用的可调用、五大模态全覆盖（图像、视频、音频、3D、文本），这种规模一旦展开，单个团队是追不上的。

RHTV的智能体能力不会过时，因为它的能力天花板由社区决定，不由产品团队决定。这是一个关于长期主义的产品判断。

五、Seedance 2.0的特殊化处理

讲完范式和生态，再讲一个具体的、最近半年内创作者最关心的话题：Seedance 2.0。

字节这一代视频模型，业内已经在叫「导演之选」。它支持@参考、首尾帧、上传真人参考视频驱动动作。这些能力让它在动作戏、复杂运镜、人物表演等场景成了第一梯队。

但Seedance 2.0这种顶级模型，有个普遍问题：在大多数平台上，它就是被「接入」了。你能调用它，但调得很基础，等待时间长、画质有限、玩法受限。

回到我刚才那支小提琴MV。Agent建好工作流之后，我点了「确认执行」，Seedance 2.0就接管了视频生成。

配置面板上能看到模型版本（Seedance 2.0）、分辨率（720p）、时长（5秒/帧）、宽高比（16:9），还有「全部参考 / 首尾帧 / 图片参考」三种参考模式的切换，连Seed这种细节参数都可以看。这些东西全部暴露给用户，每一个我都能看到、能改、能针对单个镜头微调。

跑完之后，第一个镜头出来了：一个JK制服的少女在法式宫廷宴会厅里演奏小提琴。水晶吊灯的光在她身上散开，木地板的反光、墙面的雕花、远处虚化的烛台都在。少女演奏的姿态自然，没有早期AI视频里那种「融化感」，运镜平稳。

这是我对Seedance 2.0的最新印象更新。RHTV对它的处理方式叫「增强式接入」：不排队、速度快、支持4K和真人生成，年度会员折算下来等于6折用。

但我觉得最值得说的，还不是价格和速度，而是RHTV把Seedance 2.0的全部能力以节点参数的形式开放给用户。你不只是在用一个模型，你是在调度一个模型。

优秀的AI工具平台和普通的「模型接入商」的差别，就在于对核心模型的特殊化处理。 不是做加法（接入更多模型），而是做乘法（让最好的模型在你的平台上用得最好）。

收尾·新范式

回到开头那个判断：AI视频工具走到了第三阶段。

第一阶段解决「AI能不能做出视频」，第二阶段解决「用户怎么调用AI」，第三阶段开始解决「人和AI怎么一起做事」。

画布原生Agent不只是功能升级，更像是范式更新。 它把Agent从「画布之外的服务」变成「画布之内的大脑」，把AI创作从「开盲盒」变成「看得见的协作」，把产品的能力天花板从「团队上限」变成「生态上限」。

我有个直觉：未来一年，AI视频工具的竞争会沿着这三条线展开。哪些产品在做画布原生，哪些还停留在双入口；哪些把Agent的思考过程暴露出来，哪些还藏在后端；哪些站在开源生态上，哪些还在自研封闭体系里。

这三条线决定了，谁会沉淀成这一代AI视频工具的基础设施，谁只是过渡形态。

回到我那支MV：从我把分镜板丢进画布、说一句话，到Agent自动拆解、配置参考、调度Seedance 2.0生成——整个过程我没碰过prompt，没自己抠过图，没切换过界面。我做的事情只有两件：上传一张参考板、说一句中文。

这种体验对我来说挺新的。它和我过去用过的所有AI视频工具，确实不太一样。

如果你也是创作者，建议你去自己跑一遍，看看「Agent住在画布里」是种什么样的体验。

RHTV.ai