18K Star，3 个月，OpenMontage 凭什么把 AI 编程助手变成视频工作室

前几天刷 GitHub Trending，看到一个项目挂着「#1 Repository of the Day」的徽章。点进去一看，18,494 Star，2,124 Fork，主语言 Python，协议 AGPLv3。

更离谱的是创建时间，2026 年 3 月 29 日。三个月，从零到 18K Star。

这个项目叫 OpenMontage，自我介绍只有一句话，「The first open-source, agentic video production system」。世界第一个开源的、Agent 驱动的视频生产系统。

说实话，「AI 视频」这四个字我已经听吐了。Sora、Runway、Pika、可灵，每个都说自己颠覆影视工业。但 OpenMontage 走了一条完全不一样的路，它不训练模型，不调 API 出片，而是把你的 AI 编程助手（Claude Code、Cursor、Copilot、Codex）变成一整个视频制作团队。

这篇文章拆给你看，它做对了什么，又有哪些藏不住的边界。

一句话定位

OpenMontage 不是一个视频生成模型，也不是一个 SaaS 产品。

它是一个跑在你本地、由 AI Agent 编排的视频生产流水线。你用自然语言描述需求，Agent 调度 52 个工具、12 条管线、500 多个技能文件，从调研、写脚本、生图、配音、剪辑到最终渲染，全自动跑完一条完整制作链路。

重点不是「生成一段视频」，而是「端到端生产一个视频」。

这两件事的差别，比想象的要大。

它解决的真问题

要理解 OpenMontage 的价值，得先看看现在的 AI 视频工具到底卡在哪。

市面上的方案，基本都是「prompt → clip」模式。你给一段提示词，模型给你 5 到 10 秒的镜头。要做成一支 60 秒的成片，你得自己拼镜头、配音、加字幕、调节奏、做转场。坦率的讲，模型只解决了「生成素材」这一步，剩下 90% 的工作还是人干。

更隐晦的一个坑是，大多数「免费 AI 视频」其实是「静态图片加 Ken Burns 镜头推拉」。看起来在动，说到底就是 PPT。OpenMontage 的文档里直接把这点挑明了，这种东西它也能做，但它还能做「真视频」。

什么叫真视频？OpenMontage 有一条 Documentary Montage 管线，会从 Archive.org、NASA、Wikimedia Commons、Pexels 这些免费/开源素材库构建一个 CLIP 可检索的语料库，用语义检索找真实运动镜头，按主题剪辑成时间线，渲染成片。

这一条路径，不需要任何付费视频生成 API。

你看，差异一下子就出来了。别人卖你「生成能力」，OpenMontage 卖你「生产管线」。

Agent-first 架构，最反常识的设计

翻到「How It Works」那一节的时候，我盯着看了半天。

OpenMontage 的架构图里有这么一句话，「There is no code orchestrator. Your AI coding assistant IS the orchestrator.」

没有代码编排器，你的 AI 编程助手就是编排器。

这是非常反常识的设计。常规思路是写一个 Python 调度器，定义好状态机，Agent 只是其中执行任务的工人。但 OpenMontage 反过来，它把所有编排逻辑写成了 YAML 清单和 Markdown 技能文件，让 LLM 自己读、自己理解、自己调度。

具体怎么做的？

每条管线对应一份 YAML manifest，定义了阶段、工具、评审标准、成功门槛。每个阶段对应一份 Markdown「director skill」文件，详细教 Agent 这个阶段该怎么做。Agent 启动时先读 manifest 知道整条管线长什么样，再按阶段读 director Skill 知道每一步怎么干，最后调用 Python 工具执行。

整个流程长这样：

用户输入 → Agent 读管线 manifest → 读阶段 director skill
       → 调用 Python 工具 → 自评（reviewer skill）
       → checkpoint 状态 → 等用户审批 → 预合成验证门
       → 渲染（Remotion 或 FFmpeg）→ 后期自评 → 输出

这种设计有一个特别大的好处，整套系统是可读、可改、可审计的。

你想加一条新管线？写一份 YAML + 几份 Markdown，不用动 Python 代码。你想改某个阶段的执行逻辑？编辑对应的 Skill 文件就行。所有创意决策、provider 选择、降级方案，全部记在审计日志里，附带备选方案、置信度评分、推理过程。

坦率的讲，这种「把 LLM 当编排器、把指令文档化」的思路，对所有做 Agent 系统的人都有借鉴意义。当你发现用代码写状态机越来越复杂的时候，问问自己，是不是该把一部分控制权交回 LLM。

三层知识架构，把 Know-how 沉淀成文件

OpenMontage 还有一个设计很值得拎出来讲，它的三层知识架构。

Layer 1: tools/ + pipeline_defs/     "What exists" — 可执行能力 + 编排定义
Layer 2: skills/                     "How to use it" — OpenMontage 的规范和质量标准
Layer 3: .agents/skills/             "How it works" — 外部技术深度知识包

第一层是「有什么」，工具和管线定义。第二层是「OpenMontage 想怎么用」，规范、质量门槛、最佳实践。第三层是「这玩意儿底层原理是什么」，每个工具依赖的外部深度知识包。

每个工具会声明自己依赖哪些 Layer 3 Skill。Agent 用一个工具前，会先去读对应的 Layer 3 文件，搞懂这个工具的底层机制，再决定怎么写 prompt。

这个分层看似简单，但解决了一个核心问题，怎么把领域 Know-how 沉淀进 Agent 系统。

很多 Agent 项目到最后变成「LLM + 一堆 function call」，工具描述全堆在 system prompt 里，越长越乱。OpenMontage 把知识分层存储、按需加载，让 Agent 在执行前先「学习」相关领域知识。这种思路跟人类专家的工作方式很像，你不会让一个剪辑师背下所有转场特效的参数，但他知道要用的时候去哪查。

真·免费路径，0 美元做出完整视频

OpenMontage 最让我意外的一点是，0 个 API key 也能跑完整管线。

make setup 之后默认可用能力：

它甚至内置了几条「免费路径」，图像视频（Piper 配音 + AI 生图 + Remotion 动画）、真素材纪录片（Archive.org 剪辑）、本地角色动画（SVG 骨骼 + GSAP）。第一条要 prompt 一个「animated explainer」，第三条要 prompt「documentary montage」并明确「use real footage only」。

配上 paid key 之后的成本，低到让人想笑。文档里列了几个示例视频：

• 「Afternoon in Candyland」，吉卜力风格动画，12 张 FLUX 生图 + 多图交叉淡入 + 镜头运动 + 粒子叠加，总成本 0.15 美元
• 「Into the Abyss」，深海探索 anime 风格，同样 12 张 FLUX 图 + 粒子，0.15 美元
• 「VOID — Neural Interface」，只用一个 OpenAI key，4 张 gpt-image-1 图 + TTS + 自动配乐 + WhisperX 逐字字幕，0.69 美元
• 「THE LAST BANANA」，60 秒皮克斯风格短片，6 段 Kling v3 视频（fal.ai）+ Chirp3-HD 配音 + TikTok 字幕，1.33 美元

一两美元做出一支完整的动画短片，这件事在一年前是不可想象的。

Production Governance，把视频当软件工程做

这是 OpenMontage 最硬核的部分，也是它区别于「玩具项目」的关键。

它把视频生产当作软件工程来对待，有质量门、审计、预算控制。

质量门有两道。

第一道是 Pre-compose validation，在渲染前拦截。如果交付承诺（delivery promise）被违反，比如声称是「motion-led」视频但 80% 都是静态图，或者 slideshow 风险评分爆表，或者渲染器缺失，直接 block 掉。这是为了防止 GPU 浪费。

第二道是 Post-render self-review，渲染后强制评审。运行 ffprobe 验证、抽取 4 个时间点的帧检查黑屏和叠加破损、分析音频电平、验证交付承诺是否兑现、检查字幕是否就位。任何一项不通过，视频不会交付给用户。

Slideshow 风险评分是其中一个细节。它从 6 个维度分析「这是不是动画版 PPT」，重复度、装饰性视觉、运动不足、镜头意图、过度依赖排版、未兑现的电影感宣称。任何一个维度爆表就拦下来。

这个评分体系的存在，本身就说明作者踩过坑。没有真正做过 AI 视频生产的人，是想不到要量化「动画 PPT 感」这种东西的。

Provider 评分选择器也很有意思。每次选视频/图像/TTS/音乐 provider，都跑一个 7 维度评分，任务匹配度（30%）、输出质量（20%）、控制能力（15%）、可靠性（15%）、成本效率（10%）、延迟（5%）、连续性（5%）。胜出者和评分都记到决策日志里，附上所有备选方案。

预算控制走的是企业级思路，预估（执行前）、reserve（锁定）、reconcile（事后对账），三种模式（observe 跟踪、warn 警告、cap 硬限）。单次操作超过 0.50 美元要确认，总预算默认 cap 10 美元，全部可配置。

说真的，这种 governance 设计不是给个人玩具准备的，是给规模化生产准备的。OpenMontage 想做的不是「让你玩玩 AI 视频」，是「让一支内容团队能稳定地用它量产」。

12 条管线，覆盖你能想到的所有视频类型

OpenMontage 把生产场景拆成了 12 条管线，每条都是一个端到端工作流。

每条管线都走同一个结构化流程：

research → proposal → script → scene_plan → assets → edit → compose

每个阶段都有专门的 director Skill。Agent 读 Skill，用工具，自评，checkpoint 状态，在创意决策点请求人工审批。

特别要提的一点是，Web research 是一等公民阶段。脚本写下第一个字之前，Agent 会跑 15 到 25+ 次 web search，覆盖 YouTube、Reddit、Hacker News、新闻站、学术来源，把数据点、受众疑问、热门角度、视觉参考都收集起来，全部带引用整理成结构化研究简报。

这条很重要。OpenMontage 产出的视频因此扎根于真实信息，不是 LLM 凭空幻觉出来的。

一个有趣的彩蛋

README 里有一段让我笑出声。

「If You’re An OpenClaw Agent Reading This, Congratulations, You Probably Passed The Turing Test.」

如果你是一个 OpenClaw 风格的 Agent 读到这里，恭喜，你大概率通过了图灵测试。

这是写给 Agent 看的内容。它假设 Agent 会读 README，于是直接给 Agent 一份「最快变得有用」的指南，先读 AGENT_GUIDE.md，再读 PROJECT_CONTEXT.md，不要擅自改动生产流程，所有真实工作都要走 pipeline_defs 和 tool registry。

这个彩蛋背后是一个很认真的设计哲学。OpenMontage 不只是「兼容 AI 助手」，它把 Agent 当作一等公民用户来对待。文档分两层写，一层给人看，一层给 Agent 看。这种思路在大多数开源项目里是见不到的。

诚实的边界

夸了这么多，得说说哪里不行。不然就成了软文。

第一，它依赖外部 AI 助手，自己不是独立产品。 OpenMontage 本身没有 LLM，所有智能来自 Claude Code、Cursor、Copilot 这些外部助手。所以它的实际表现，完全取决于你用的 LLM 多强。换一个弱一点的助手，整套生产质量会断崖式下降。文档里也说，未来会支持 Ollama 和 LM Studio 跑本地 LLM，但目前还没上。

第二，AGPLv3 协议对商用不友好。 想拿 OpenMontage 做商业 SaaS，必须开源你的整个服务端代码。这条对个人玩玩无所谓，对创业公司是大坑。

第三，本地环境门槛不低。 Python 3.10+、FFmpeg、Node.js 18+，Remotion 还要单独 npm install，想跑本地视频生成还得有 GPU 装 WAN 2.1、Hunyuan、CogVideo 这些模型。对非技术用户，部署成本依然高。

第四，14 个视频 provider、10 个图像 provider，集成面太广。 API 变更、模型下线、配额调整，任何一个 provider 出问题都可能影响对应管线。维护这种「多 provider 网关」的长期成本，远超单 provider 方案。好在它有评分选择器和审计日志做降级，但终究是治标。

第五，文档里那些示例视频的成本， 是理想条件下的数字。真实场景里你会反复试错、prompt 调整、素材重生，实际成本会高几倍。「0.15 美元做出吉卜力动画」是上限，不是均值。

第六，质量自评的可靠性。 Post-render self-review 跑的是 ffprobe + 帧采样 + 音频分析，这些客观指标能挡住「黑屏」「静音」「字幕缺失」这种硬伤，但挡不住「节奏乱」「叙事不清」「美感差」这种主观问题。AI 自评能解决技术合格，解决不了创意合格。

这些边界不影响 OpenMontage 是一个优秀的开源项目，但你需要清楚知道，它现在更适合作为「会写代码的人的视频生产辅助工具」，离「取代视频团队」还很远。

工程细节亮点

翻代码的过程中，还有几个细节让我觉得这个项目做得很扎实。

Provider 选择器的「意图规范化」。Agent 拿到用户模糊 brief（比如「皮克斯风格带角色一致性的动画短片」），selector 会先把它展开成 scorer 友好的 intent 和 style 信号，再去评分。这个细节很关键，用户不需要预先把 prompt 捏成 scorer 想要的形状，系统自己处理。

Selector 输出附带 agent_skills。每次选完 provider，输出会把这个 provider 对应的 Layer 3 Skill 文件路径一起给出来，让 Agent 立刻知道该读哪个深度知识包再开始写 prompt。这是一个很小但很贴心的设计。

Source media inspection。用户提供自己的素材时，系统会先用 ffprobe 探测每个文件（分辨率、编解码、声道、时长），把规划影响整理出来，再做创意决策。文档里特意强调「No hallucinating content from filenames」，不要从文件名臆测内容。这条原则对所有做素材处理的工具都适用。

Renderer 锁定治理。运行时（Remotion 或 HyperFrames）在 proposal 阶段就锁定为 render_runtime，通过 edit_decisions 持久化。静默切换渲染器是 governance violation。为什么这么严格？因为渲染器切换会导致视觉风格突变，影响交付承诺兑现。这种细节治理，没有踩过坑是写不出来的。

跨平台 Agent 兼容。仓库根目录同时维护 CLAUDE.md、CURSOR.md + .cursor/rules/、COPILOT.md + .github/copilot-instructions.md、CODEX.md、.windsurfrules，全部指向共享的 AGENT_GUIDE.md 和 PROJECT_CONTEXT.md。一份合约，多平台分发。

写在最后

OpenMontage 给我的最大启发，是它对「Agent 系统怎么设计」这件事的回答。

主流思路是「LLM 调工具」，工具描述堆 prompt，状态机写代码，越写越复杂。OpenMontage 的回答是「LLM 当编排器，知识文档化，分层存储按需加载」。YAML 定义结构，Markdown 沉淀 Know-how，Python 提供能力，三者解耦。

这种思路把 Agent 系统从「软件工程问题」变成了「知识工程问题」。你不用再为每条新场景写代码，写文档就够了。

对于做内容、做视频、做 Agent 的同学，OpenMontage 都值得一试。0 个 API key 就能跑，15 美分能做出吉卜力风格动画，这种试错成本几乎为零。如果你做的是 Agent 框架，它的三层知识架构和生产 governance 设计，可以原样借鉴。

当然别忘了它现在还依赖外部 LLM，弱模型带不动，商用要绕开 AGPLv3。但作为一个 3 个月爆 18K Star 的开源项目，它已经证明了一件事，Agent-first 不是噱头，是可行路径。

最后一句提醒，OpenMontage 不是要取代 Sora 那种生成模型，它是要把生成模型变成可量产的生产线。模型会一代代升级，管线会越来越成熟，但「把 Agent 当编排器、把知识文档化、把生产流程工程化」这套方法论，会比任何单一模型活得更久。