前阵子有个朋友问我：AI Agent 到底能不能真的自己做出一条视频？从写脚本、找素材、配音、剪片子到加字幕，整个过程不让人插手，最后直接丢给你一个能发的 MP4。我决定不猜，直接拿一个项目来实测。我选了 OpenMontage 这套面向媒体生产的 Agent 工作流，在本地完成部署，让它独立跑完一条完整的视频制作链路。这篇文章就是把整个过程摊开，从概念、部署、配置到踩坑，一步步讲清楚。如果你也在研究 AI Agent、本地部署、自动剪辑这些方向，这篇内容应该能帮你少折腾几个晚上。
先说结论，给你个心理预期：一条结构完整的视频，AI Agent 确实能独立做完，但这个“独立”是有条件的，不是说你扔一句话过去就万事大吉，中间有几个关键环节需要你提前把环境、工具和边界设置好。下面我把这套东西的细节全部展开。
1. AI Agent 到底能不能做视频？
1.1 先厘清：Agent、LLM、大模型到底是什么关系
很多人一上来就被这三个词搞迷糊，尤其是看到“今天又出了一个 Agent”和“DeepSeek 新版本”这种消息，总觉得它们是同一个东西。其实关系很清晰：DeepSeek 属于大语言模型，也就是 LLM，它的核心能力是理解和生成文本，它不主动干活，你问一句它答一句。Ollama 这类工具是帮你把开源模型在本地跑起来的运行环境。而 Agent 是在 LLM 之上封装出来的一套“会主动干活”的系统，它负责拆解目标、规划步骤、调用工具、看执行结果然后决定下一步做什么。
我用一个比较好理解的说法：LLM 像一个专业知识很强但坐在屋里不动手的顾问，你问什么都能给建议，但它不会自己去改文件、跑命令。Agent 则像一个项目经理，它背后可以调用顾问的大脑，同时它手里握着工具列表，能去执行操作、检查结果、再回来汇报。所以真正能“做视频”的，是 Agent 这套编排系统，而不是单纯一个模型。
这也是为什么我只跑本地模型是不够的，得把模型、剪辑工具、音频工具、素材库全部串起来，让它们被 Agent 调度。OpenMontage 干的就是这件事，它把 LLM 的规划能力、TTS 的声音生成、FFmpeg 的渲染能力、图像模型的画面生成能力，统一封装成一套可编排的媒体生产管线。
1.2 做视频这件事，拆给机器到底难在哪
视频制作看起来是一条流水线，但它其实跨了好几种数据形态，这是机器自动化最难的地方。你从“给我做一条讲本地部署 AI 的视频”到最终成片，中间至少要经过：选题拆解、写脚本、设计分镜、生成画面素材、生成旁白、合成音频、剪辑拼接、添加字幕、压制导出。每一步的数据形态都不一样，文字变成语音是
