OpenMontage:把 AI 编码助手变成完整视频制作工作室

你让 AI 帮你做一个 60 秒的科普视频。它给你写了一段文案，然后呢？你需要自己去找素材、自己去配旁白、自己去剪片子、自己加字幕、自己调音乐。AI帮你完成了"写"这一步，但"制作"这一整段流程，它完全接不上。

这就是当前 AI 视频工具的普遍状态：能生成片段，但不能完成制作。你拿到的是一堆离散的素材——一段文案、几张图、几个视频片段、一段语音——而不是一条可以直接发布的成片。把这些素材组装成一条完整视频的工作，仍然需要你自己来做，或者交给一个又一个互不连通的SaaS 工具。

OpenMontage 要解决的就是这个问题。它是全球首个开源的智能体（Agentic）视频制作系统，包含 12 条制作管线、100 多种工具、700 多个智能体技能与制作知识文件。它的目标很直接：把你的 AI 编程助手——Claude Code、Cursor、Copilot、Codex、Windsurf——升级为一个完整的视频制作工作室。

注意，它不是又一个视频生成 SaaS。它不运行在云端，不收取订阅费，不锁定你的素材。它运行在你自己的电脑上，由你自己的 AI 编码助手驱动，所有创意决策都需要你的批准。这是一种和现有AI 视频工具完全不同的范式。

01 问题：AI 视频制作的三重断裂

在理解 OpenMontage 为什么这样设计之前，需要先看清楚当前 AI 视频制作的结构性问题。这些问题不是某个工具的缺陷，而是整个范式的断裂。

第一重断裂：生成与制作之间的断裂。当前的 AI 视频工具几乎都聚焦在"生成"这个环节——文生图、图生视频、文生语音、文生音乐。每个工具都能生成一个高质量的片段，但没有一个工具能把这些片段组装成一条完整的视频。你需要在Midjourney 生成图片、在Runway 生成视频片段、在ElevenLabs 生成语音、在Suno 生成音乐，然后手动导入Premiere 或剪映里剪辑。生成和制作之间，隔着一条需要人工填补的鸿沟。

第二重断裂：创意与工程之间的断裂。视频制作不只是把素材拼在一起，它是一个有严格工程规范的流程：脚本需要分镜、素材需要匹配画幅、音频需要对齐时间线、字幕需要词级时间戳、输出需要匹配平台规格。这些工程细节，AI生成工具完全不关心。它们给你一个1080p 的视频片段，但不会告诉你这个片段在9:16 的TikTok 画幅里该怎么裁剪、背景音乐的高潮点该和哪个画面对齐、字幕的字号在手机上是否可读。创意和工程之间，缺乏一个能把二者统一起来的编排层。

第三重断裂：工具与治理之间的断裂。专业视频制作有严格的质量控制流程：审片、修改、终审、交付。而AI 生成工具的输出是"一次性"的——你点一下按钮，它给你一个结果，好就用，不好就重来。没有中间检查点，没有修改记录，没有质量门禁，没有审计日志。你无法回溯"为什么选了这段音乐""为什么用了这个转场""这个画面是否符合脚本要求"。对于需要可复现、可审计、可修改的专业制作流程来说，这种"黑盒生成"模式是不可接受的。

三重断裂叠加的结果是：AI能帮你生成视频的零件，但不能帮你制造视频这个产品。OpenMontage 的设计，正是针对这三重断裂提出的系统性解决方案。

02 OpenMontage 是什么：把编码助手变成视频工作室

OpenMontage 由独立开发者 calesthio 创建，于 2026 年 3 月 29 日首次发布，采用 GNU AGPLv3 开源许可证。项目的官方吉祥物是"Monty the Clapper"（拍板器蒙蒂），官网为openmontage.video。

从技术栈来看，OpenMontage 主要用 Python 编写，同时依赖 Node.js 运行两个视频合成引擎。它不是一个你需要学习的新软件，而是一套你可以"装进"现有 AI 编码助手的生产系统。你只需要克隆仓库、运行make setup，然后在Claude Code 或Cursor 里打开项目，用自然语言告诉它你想做什么视频——剩下的由 Agent 驱动 OpenMontage 的管线、工具和技能来完成。

它的核心资产可以用三组数字概括：

但这三组数字只是表象。OpenMontage 真正的创新，在于它的架构设计——一种被称为"Agent-First"的全新视频生产范式。

03 核心机制：Agent-First 架构——AI 编码助手本身就是编排器

OpenMontage 最反直觉的设计决策是：它没有用 Python 写一个中央编排器。

在传统的视频制作系统或 AI Agent 框架中，通常会有一个用代码写的"大脑"——一个 orchestrator 类或一个状态机，负责决定下一步做什么、调用哪个工具、如何处理返回结果。但 OpenMontage 完全抛弃了这种模式。它的编排逻辑不写在代码里，而是写在人类可读的指令文件中，由AI 编码助手自己来阅读、理解和执行。

Agent-First 架构：AI 编码助手是编排器，代码只提供工具和持久化

具体来说，OpenMontage 的一次视频制作遵循这样的流程：

1.Agent读取管线清单（YAML）——了解这条管线有哪些阶段、每个阶段需要什么工具、审查标准是什么、成功通过的条件是什么。

2.Agent读取阶段导演技能（Markdown）——学习"如何"执行当前阶段，包括创意方向、技术规范、常见陷阱、质量标准。

3.Agent调用 Python 工具——通过工具注册表发现可用工具，每个工具的选择都经过 7 个维度的评分，并记录可审计的决策日志。

4.Agent自审（元技能）——使用审查者技能对当前阶段的输出进行模式验证、流程合规检查和质量评估。

5.Agent写入检查点（JSON）——保存当前状态、决策日志和成本快照，使整个制作过程可恢复、可回溯。

6.Agent提交人工审批——在提案、脚本、场景计划、生成素材、发布等关键节点暂停，等待你的签字确认。

7.预合成验证门——在渲染前检查交付承诺是否被违反、幻灯片风险是否过高、渲染器是否缺失。

8.渲染（Remotion / HyperFrames / FFmpeg）——根据视觉语法选择匹配的合成引擎。

9.渲染后自审——ffprobe 验证、帧采样检查黑帧/破损叠加、音频电平分析、交付承诺验证、字幕检查。

10.最终输出——只有自审通过的视频才会被呈现给你。

这个架构的核心洞察是：Python只负责工具和持久化，所有创意决策、编排逻辑、审查标准和质量规范都存在可读的指令文件（YAML 清单 + Markdown 技能）中，你可以随时检查和自定义。每一个决策都被记录下来，包括考虑过的替代方案、置信度评分和选择理由。

这种设计带来了三个传统架构无法实现的优势。第一是可解释性——你可以随时阅读 Agent 正在遵循的指令文件，理解它为什么这样做，而不是面对一个黑盒。第二是可定制性——你不需要写代码就能修改制作流程，只需要编辑 YAML 或 Markdown 文件。第三是可移植性——因为编排逻辑不绑定特定的 Agent 实现，OpenMontage 可以在 Claude Code、Cursor、Copilot、Codex、Windsurf 等任何能读文件和执行 Python 的 AI 编码助手上运行。

04 能力全景：12 条管线、100+ 工具、700+ 技能

理解了架构之后，来看 OpenMontage 具体提供了哪些能力。

12 条制作管线

每条管线是一套完整的生产流程预设，包含从想法到成片的全部阶段定义、工具配置和质量标准。你不需要自己设计流程，只需要选择适合你需求的管线。

12 条制作管线覆盖从动画讲解到本地化配音的全场景

每条管线都遵循相同的七阶段结构化流程：research → proposal → script → scene_plan → assets → edit → compose（研究 → 提案 → 脚本 → 场景计划 → 素材 → 剪辑 → 合成）。每个阶段都有专门的导演技能文件，教会 Agent 如何执行该阶段。

100+ 生产工具

工具是 Agent 的"手"。OpenMontage 的工具注册表自动发现所有继承自BaseTool的 Python 工具，无需手动注册。工具按功能分为七大类：

后期制作工具（FFmpeg 合成、视频拼接、精确裁剪、多轨混音、音频增强、LUT 调色、字幕生成）始终可用且完全免费。每个工具的选择都经过 7 个维度的评分，并记录可审计的决策日志——你可以回溯 Agent 为什么选了这个工具而不是另一个。

三个渲染引擎

OpenMontage 不是只靠一个渲染器，而是根据视觉语法选择匹配的合成引擎：

渲染引擎在提案阶段选定（render_runtime），并在整个编辑决策中锁定。静默切换渲染引擎被视为治理违规。

05 实战流程：一条视频从想法到成片的七个阶段

理论说再多，不如看一条实际的视频是怎么被生产出来的。以 Animated Explainer 管线为例，当你告诉 Agent"做一个 60 秒关于神经网络如何学习的动画讲解视频"时，接下来会发生什么。

七阶段生产流程：每个阶段都有导演技能、工具调用、自审和人工审批

这个流程有几个值得注意的设计细节。第一，人工审批不是建议，是强制执行的。检查点写入器会拒绝一个"已完成"的受控阶段，如果没有记录到人工批准。每一个被取代的检查点都会被归档，所以审计轨迹（包括门禁转换）在修改后仍然保留。第二，预合成验证门会在渲染前拦截有问题的方案——比如一个承诺"动态画面为主"的视频却有 80% 的静态图像，或者幻灯片风险评分达到临界值，或者缺少渲染器配置。这些问题在浪费GPU 时间之前就被捕获。第三，渲染后自审是自动执行的，不通过的视频不会被呈现给你——Agent会根据自审结果自动修复后重新渲染。

06 质量治理：把视频制作当成真正的工程

OpenMontage 和其他 AI 视频工具最根本的区别，在于它把视频制作当成了一门工程学科，而不是一个创意玩具。这体现在一整套严格的质量治理体系中。

质量门禁（Quality Gates）。五个关键节点——提案、脚本、场景计划、生成素材、发布——都会暂停等待你的签字确认。这不是可选的"建议你看一下"，而是强制执行的门禁。没有你的批准，Agent 不能进入下一个阶段。这确保了你在整个制作过程中保持创意控制权，而不是在最后拿到一个完全不符合预期的成片。

预合成验证（Pre-compose Validation）。在渲染之前，系统会检查三个维度：交付承诺是否被违反（比如你要的是"动态视频"但方案里 80% 是静态图片）、幻灯片风险评分是否达到临界值、渲染器系列是否缺失。任何一项不通过，渲染都会被阻止。这避免了"花了 20 分钟渲染出来一看是个 PPT"的尴尬。

渲染后自审（Post-render Self-review）。每次渲染完成后，系统自动执行五项检查：ffprobe 验证文件完整性、在 4 个时间位置提取帧检查黑帧和破损叠加、分析音频电平检查静音和削波、验证交付承诺是否被遵守、检查字幕是否存在。如果任何一项失败，视频不会被呈现给你——Agent会自动诊断问题、修复方案、重新渲染。

可审计的决策日志（Auditable Decision Log）。每一个工具选择都经过 7 个维度的评分，每一个创意决策都记录了考虑过的替代方案、置信度评分和选择理由。每一个检查点都保存为 JSON 文件，包含状态快照、决策日志和成本快照。这意味着你可以在任何时候回溯："为什么选了这个 TTS 引擎而不是那个？""这个场景的画面为什么是这样的？""这个视频花了多少钱？"——所有答案都在日志里。

Backlot可视化审片板。OpenMontage 提供了一个名为 Backlot 的实时审片板。你可以用python -m backlot open <project-id>打开一次制作的实时看板，视觉化地审查每个阶段的输出。制作完成后，还可以用"▶ REPLAY RUN"功能从头到尾回放整个制作过程，可拖拽scrub。这让整个制作过程变得透明、可审查、可学习。

07 怎么用：安装、零 API Key 模式与成本

OpenMontage 的安装出乎意料地简单。你不需要注册账号、不需要获取 API Key、不需要订阅服务。只需要三个前提：Python 3.10+、FFmpeg、Node.js 18+，以及一个 AI 编码助手（Claude Code、Cursor、Copilot、Codex 或 Windsurf）。

没有make的系统（Windows 或精简 Linux）可以手动执行等效命令。Windows 用户如果npm install报ERR_INVALID_ARG_TYPE，改用npx --yes npm install。

零 API Key 模式

OpenMontage 最令人意外的设计是：你可以在没有任何付费 API Key 的情况下制作完整的视频。

当没有配置任何视频/图像/语音生成供应商的 API Key 时，系统会自动回退到全本地、全免费的工具链：

•语音旁白：使用离线 Piper TTS（本地运行，完全免费，支持多种语言和声音）

•视频素材：从 Pexels、Archive.org、NASA、Wikimedia、Unsplash 等免费素材库检索和下载免版税视频和图片（Documentary Montage 管线专门为此设计）

•视觉动效：Agent 生成静态图片（或使用免费素材），然后由 Remotion 引擎将其转化为完整的动画视频——弹簧动画、转场、逐词字幕、数据揭示等全部在本地渲染

•音乐：从免版税音乐库获取，或使用本地生成工具

•字幕：WhisperX 本地转录，生成词级时间戳的 SRT/VTT 字幕

•后期：FFmpeg 本地完成合成、编码、调色、字幕烧录

这意味着，只要你有一台能运行 Python 和 Node.js 的电脑，加上一个 AI 编码助手，你就可以零成本制作完整的视频。当然，如果你配置了付费 API Key（ElevenLabs、Suno、Kling、Veo 等），视频的质量和多样性会显著提升——但这不是必需的。

成本

根据项目文档和用户反馈，使用付费 API 的情况下，一条视频的成本大约在$0.15 到 $2.50之间，取决于视频长度、使用的供应商和生成的素材数量。零 API Key 模式下，除了 AI 编码助手本身的费用，视频制作的边际成本为零。

每次制作的检查点文件中都包含成本快照，你可以精确地知道每一条视频花了多少钱、花在哪个工具上。

支持的 AI 编码助手

所有平台的配置文件都指向共享的AGENT_GUIDE.md（操作指南和 Agent 契约）和PROJECT_CONTEXT.md（架构参考）。项目内置合约测试（make test-contracts）不需要任何API Key 即可运行，用于验证工具注册表和管线定义的完整性。

08 判断框架：适用场景与局限

使用时需要注意几个局限。第一，OpenMontage依赖 AI 编码助手的推理能力。Agent的创意决策质量、工具选择准确性和问题排查能力，取决于你使用的底层模型。更强的模型（如Claude Opus）通常能产出更好的结果。第二，AGPLv3 许可证意味着如果你在网络服务中使用 OpenMontage（或修改后提供服务），需要开源你的修改。对于个人本地使用和内部工具，这通常不是问题。第三，项目由独立开发者在业余时间维护（"built nights and weekends"），更新频率和问题响应速度可能不如商业产品。第四，零 API Key 模式的素材多样性有限——免费素材库的覆盖范围不如付费生成工具，复杂的视觉需求可能需要配置API Key。

OpenMontage 最值得关注的地方，不是它有 12 条管线或 100 个工具，而是它代表了一种关于 AI 创作的全新哲学：AI 不应该是一个你按下按钮就吐出结果的黑盒，而应该是一个你可以指导、审查、修改和信任的协作伙伴。

在当前的 AI 视频工具市场上，绝大多数产品都在追求"一键生成"——输入一段文字，等待几十秒，拿到一条视频。这种模式的问题在于，你放弃了对创作过程的所有控制权。你无法中途修改方向，无法理解为什么生成了这个画面，无法在不满意时精确地调整某个环节。你得到的是一个"结果"，而不是一个"过程"。

OpenMontage 走了一条完全相反的路。它把整个制作过程拆解成七个透明的阶段，每个阶段都有可读的指令文件、可审计的决策日志、可回溯的检查点和强制执行的人工审批。AI负责执行繁重的工作——研究、生成、剪辑、渲染——但所有创意决策都需要你的批准。你不是在"使用"一个工具，而是在"导演"一个 AI 制作团队。

这种范式的意义可能远超视频制作。如果任何复杂的创意工作——写作、设计、编程、音乐——都能被拆解成透明的、可审计的、人机协作的生产流程，那么 AI 在创意领域的角色就会从"替代品"变成"增强器"。OpenMontage 用视频制作这个具体场景，证明了这种范式是可行的。