通用智能体崛起后，AI 工作流还需要手搓吗

过去一段时间，围绕 AI 工作流的讨论大多集中在一个问题上：如何把模型、节点、参考图、控制信号和后期处理串成一条稳定可复现的流水线。很多人花了大量时间研究节点怎么连、参数怎么调、不同模块之间怎么衔接。然而当通用智能体开始能够直接操作专业软件、读取工程文件、修改节点图甚至自己补全依赖时，一个更值得思考的问题出现了：我们还需要手工去搭这些工作流吗？

这个问题并不是空想。已经有开发者尝试让智能体直接进入三维建模软件中创建场景、放置占位模型、规划相机路径，再把结果交给生成模型进行视觉化。这意味着，过去需要人工一步步完成的任务，正在被拆解为“智能体可执行的动作序列”。如果这个趋势成立，那么未来 AI 工作流的竞争点就不再是“谁能搭出更复杂的节点图”，而是“谁能更清晰地定义目标、约束与评价标准”。

一、从“模型生成”到“场景控制”

当前视频生成模型已经能够根据文本描述生成高质量画面，但可控性仍然是短板。一个典型的例子是：要求画面中出现“一个人站在路边等车，远处一辆车突然失控冲过来”，模型可能在画面构图、车辆进入时间、人物反应速度、镜头移动节奏等方面产生大量随机变化。即使更换随机种子，结果也可能完全不同。

为了提高一致性，一些开发者开始采用“白模控制”的方法。所谓白模，就是在三维软件中搭建一个非常粗糙的场景：地面可以用平面替代，人物可以放置简易假人，建筑可以只使用方块体。重点不是画面美观，而是提前确定空间关系、机位运动、人物位置和事件先后顺序。

例如，在上述“等车与失控车辆”的镜头中，可以先在三维场景中设置：

• 人物站在路边某个坐标点；
• 车辆从远处沿特定路径接近；
• 相机从侧面缓慢移动；
• 车辆进入画面后，人物延迟一段时间才转头；
• 如果存在交互动作，可以对假人添加基础约束；
• 需要表现物体下落时，直接使用物理模拟计算运动轨迹。

这些信息不需要渲染成精美画面，只需要作为生成模型的参考输入。模型在生成时可以从白模中提取相机路径、物体轮廓、遮挡关系和动态节奏，从而显著降低随机性。

二、白模为什么要交给智能体来做

白模控制的方法已经有人在用，但目前仍然存在一个门槛：搭建白模本身需要一定的三维软件操作能力。开发者需要理解场景单位、坐标系统、相机动画、约束关系和时间轴等概念。对于不熟悉三维流程的人来说，这依然是一项学习成本。

但如果通用智能体能够直接操作三维软件，情况就会发生变化。用户只需要描述镜头意图，智能体就可以完成以下工作：

1. 创建基础场景元素；
2. 放置占位模型；
3. 设置相机路径；
4. 调整物体运动时间；
5. 添加物理约束；
6. 输出可供生成模型使用的参考序列。

智能体不需要生成精美模型，它只需要把“时空结构”先固定下来。这样一来，用户的工作重心就从“如何操作软件”转移到“如何描述镜头语言”。

举个例子，用户给出这样一段描述：

镜头开始时，一位行人站在路边。画面右侧远处有一辆车逐渐接近。车辆在第三秒左右进入画面中心，行人在第四秒才转头看向车辆。镜头从第一秒到第五秒缓慢向右横移。

智能体可以据此创建对应的时间轴和空间布局，并输出白模序列。即使最终生成结果仍有变化，至少关键节奏已经不再完全依赖随机采样。

三、节点工作流正在被重新定义

与三维白模类似，节点式工作流也面临同样的变化。过去，开发者需要手动连接大量节点：哪个节点负责参考图输入，哪个节点负责姿态控制，哪个节点负责上一镜头衔接，哪个节点负责输出尺寸调整。节点图越复杂，维护成本越高，调试难度也越大。

但从工程角度看，节点工作流本质上是一种结构化数据。节点之间的连接关系、参数配置、输入输出类型，都可以被程序读取和修改。这意味着智能体可以像操作其他数据结构一样操作工作流。

一个可能的执行流程如下：

• 用户描述某一镜头的生成需求；
• 智能体分析需要哪些控制信号；
• 智能体从资产目录中查找对应人物参考；
• 智能体调用此前生成的白模序列作为空间参考；
• 若需要保持前后镜头一致性，智能体读取上一镜头的生成结果；
• 智能体检查本机可用资源；
• 智能体补全缺失的依赖模块；
• 智能体运行工作流并返回结果。

在这个过程中，用户不需要关心节点图最终铺了多少个节点，也不需要手动连接任何一条线。工作流可能只在后台存在，甚至每次执行时都根据任务动态生成。

四、学习重心的转移

如果上述趋势持续发展，那么开发者和创作者需要重新评估“学什么”的问题。

过去，学习 AI 工作流往往意味着学习某个具体工具的操作细节：节点怎么连、面板在哪里、某个功能需要安装什么扩展。这些知识的特点是更新快、迁移性差。一旦工具迭代或流程变化，很多经验就会失效。

未来更有价值的能力可能集中在以下几个方面：

1. 目标定义能力

能否把一次创作需求转化为清晰、可执行的约束条件，是使用智能体的关键。模糊的描述会导致智能体做出模糊的决策。相比之下，能够说清楚“镜头在几秒内完成横移”“人物在何时做出反应”“车辆与行人保持多远的相对距离”比单纯说“画面要有紧张感”更有工程价值。

2. 过程拆解能力

即使智能体可以自动执行任务，复杂项目仍然需要拆解为多个可验证的阶段。例如一个完整视频项目可能包含场景规划、镜头设计、运动控制、生成、后期、一致性检查等环节。能够合理拆解流程，并在每个阶段设置检查点，是保证最终质量的前提。

3. 结果校验能力

生成模型的输出仍然存在不确定性。智能体可以完成大量执行工作，但用户需要具备判断结果是否达到预期、问题出现在哪个环节、下一步应该如何调整的能力。这种判断力不会因为自动化程度提高而失去价值，反而会更加稀缺。

4. 跨领域理解能力

当工作流横跨三维软件、生成模型、物理模拟和视频处理时，理解各个模块的基本原理有助于更好地定义任务。例如，知道相机运动如何影响生成结果，知道物理模拟适合处理哪些动作，知道不同类型的参考信号会对生成产生怎样的影响，这些知识可以帮助用户更准确地指挥智能体。

五、工程实践中的注意点

虽然智能体自动搭建工作流的想象空间很大，但当前阶段仍有一些现实问题需要正视。

可复现性问题：智能体生成的工作流可能每次都不完全相同。对于需要长期维护的项目，建议在关键节点保存配置快照，并记录决策依据。即使流程由智能体自动完成，也应该保留可追踪的日志。

资源管理问题：智能体在查找资产、安装依赖、切换配置时可能产生大量中间文件。需要建立清晰的目录规范和版本管理机制，避免资源散落和版本混乱。

安全边界问题：让智能体直接操作本机软件和文件系统，需要设置合理的权限范围。哪些目录允许访问，哪些操作需要人工确认，哪些外部请求应该被拦截，都应在实际使用前明确。

结果验证问题：自动化程度越高，越容易忽视中间结果的检查。建议在关键环节设置自动校验规则，例如检查生成视频的时长、分辨率、参考一致性指标等，避免错误一步步传递到最终输出。

六、结论：从手搓工作流到编排智能体

当通用智能体能够直接操作专业软件、自动搭建并运行节点工作流时，传统意义上“学工作流”的价值确实会被削弱。但这并不意味着创作者无事可做，而是意味着工作重心正在上移。

未来的 AI 工作流，可能更像一种“目标驱动的自动化系统”：用户负责定义目标、描述约束、设置检查点，智能体负责拆解任务、调度资源、执行操作并返回结果。节点图仍然存在，但它更像编译后的中间产物，而不是需要人工逐行维护的源代码。

对于开发者和创作者来说，真正值得投入时间去学习的，不再是对某个具体工具的界面记忆，而是对创作目标、过程控制和结果质量的深层理解。工具会变化，流程会变化，但定义问题和判断结果的能力，始终是自动化系统中最难被替代的部分。