学习 OpenMontage 的 12 条流水线
在前面几篇文章中，我们已经把 OpenMontage 跑了起来：装好环境、用 make demo 渲染了第一个零成本视频，体验了零 API key 的图片动画和真实素材纪录片，还学会了从一个参考视频出发让 agent 生成差异化方案，以及怎么接入各家 provider、让打分选择器替我们挑工具。
这些能力散落在不同场景里，今天我们把它们串起来，从一个更高的视角看 OpenMontage 是怎么组织一次完整生产的。答案是 pipeline（生产流水线）。OpenMontage 自带 12 条 pipeline，每一条都是一套从想法到成片的完整工作流。我们今天就来看看它们分别做什么、agent 怎么选、以及我们怎么用。
Pipeline 概览
OpenMontage 把不同类型的视频制作抽象成了不同的 pipeline，全部以 YAML 清单（manifest）的形式放在 pipeline_defs/ 目录下。每条 pipeline 对应一个真实的制作场景，这些我们在入门篇里曾提到过，这里再展开来看下：
标 beta 的 pipeline 还没经过完整审计，能用，但可能有些粗糙的边角。OpenMontage 的 agent 在你选到 beta pipeline 时会主动提醒这一点。
除此之外还有一条 framework-smoke，那是一个最小的两阶段冒烟测试，用来验证框架本身是否正常，不参与真实生产。
这 12 条 pipeline 覆盖了相当宽的需求面：想做知识科普选 animated-explainer，想做吉卜力风动画选 animation，想剪一段电影感预告选 cinematic，想把一期两小时的播客拆成十几条社媒短片选 clip-factory，想把视频翻译配音成其他国家语言选 localization-dub。
实际选择时，可以按几个问题往下分：
有现成素材吗？
- 有自己的录屏 →
screen-demo - 有一段长视频要拆条 →
clip-factory/podcast-repurpose - 有别人的参考视频 → 任意 pipeline 配上参考输入（第三篇讲过的玩法）
- 有自己的录屏 →
从零开始，要真人或数字人吗？
- 要数字人讲述 →
avatar-spokesperson - 要真实动态素材、不要 AI 画面 →
documentary-montage - 纯 AI 生成，再看偏哪种：低成本动画走
animation，电影感预告走cinematic，知识科普走animated-explainer
- 要数字人讲述 →
Rule Zero
在动手之前，有一条贯穿 OpenMontage 的硬规则，官方文档把它叫做 Rule Zero：任何视频生产请求都必须走 pipeline 系统，没有例外。
这条规则写在 AGENT_GUIDE.md 里。当我们让 agent 做、生成、制作任何视频时，它必须：
- 选定 pipeline：把请求匹配到
pipeline_defs/里的某一条；不清楚就直接问我们 - 读 manifest：搞清楚这条 pipeline 有哪些阶段、用哪些工具、有哪些质量门禁
- 跑 preflight：通过 registry 发现当前可用的工具，把能力菜单呈现出来（上一篇学习过）
- 逐阶段执行：每进入一个阶段，先读该阶段的 director 技能，再干活
- 调工具前先读 Layer 3 技能：用任何带
agent_skills的工具前，先读它引用的 provider 专属技能
反过来，agent 被明确禁止这么做：
- 写临时 Python 脚本直接调工具
- 跳过 pipeline 直接调 API
- 没读 stage director 技能就生成资产
- 绕过 preflight、checkpoint 或 review
这条规则背后的设计取向很明确：智能在技能里，不在临时代码里。一个完整读过 director 技能和 Layer 3 知识再动手的 agent，产出质量会明显高于一个拿着通用提示词直接调工具的 agent。
简单来说，我们该把每一个视频需求都当成一个 pipeline 选择问题：先选对流水线，再读清单，再读阶段技能，最后才动工具。
Pipeline 的阶段流转
12 条 pipeline 各有侧重，但骨架是相通的。一条「从零全生成」的 pipeline（animated-explainer、animation、cinematic 这类）大致是下面这七八个阶段：
- research（研究）：上网调研选题，收集数据点、受众真实提问和视觉参考，产出一份带出处的研究简报。
- proposal（方案）：基于调研给出 2~3 个差异化概念和分项成本估算，等你拍板选一个。
- script（脚本）：把选定的概念写成逐句脚本和旁白文案。
- scene_plan（分镜）：把脚本拆成一个个镜头/场景，定好每个场景要什么画面、多长。
- assets（资产）：按分镜逐个生成或采集素材，图、视频片段、配音、音乐都在这一步。
- edit（剪辑）：决定素材怎么排列、转场、卡点，产出一份剪辑决策。
- compose（合成）：按剪辑决策把素材渲染、拼合成最终视频。
- publish（发布）：输出成片，并生成封面、说明等发布物。
不同 pipeline 会在这条主干上增减。以现成素材为主的那几条（screen-demo、clip-factory、hybrid、talking-head 等）不走 research/proposal，而是用一个更轻的 idea 阶段开场；documentary-montage 干脆没有 script，采到素材就直接进分镜；character-animation 则在脚本和分镜之间多插了角色设计、骨骼绑定两步。但「先想清楚、再写脚本、再分镜、再生成资产、再剪辑、再合成」这条主线是一致的。
每个阶段都有一个专属的 director 技能（一个 Markdown 指令文件），手把手教 agent 这个阶段该怎么做：读技能、用工具、自审、过 checkpoint（阶段检查点），并在创意决策点请我们批准。比如 proposal（方案）之后通常有一道人工批准，agent 会停下来等我们点头再往下走。
这里有一个点值得强调：web research 被放在最前面。在写下脚本的第一个字之前，agent 会先去搜 YouTube、Reddit、Hacker News、新闻站和学术来源，收集数据点、受众真实提问、热门角度和视觉参考，写进一份结构化的研究简报并逐条标注出处。这样产出的视频建立在真实、当下的信息之上，而不是凭空编造。
Pipeline 清单详解
开头提过，每条 pipeline 都是 pipeline_defs/ 下一份声明式的 YAML 清单（manifest）。前面又讲了它有哪些阶段，这一节就以 animated-explainer.yaml 为例，看看这些阶段和规则具体是怎么写的。
开头声明基本信息：
name: animated-explainer
version: "2.0"
description: >
Generated explainer video from topic/idea - fully AI-produced
with narration, visuals, and music.
category: generated
stability: production
default_checkpoint_policy: guided这几行相当于 pipeline 的「身份证」：name 是标识，description 一句话说清它产出什么，stability: production 表示它经过完整审计、可放心用（就是表格里那一列稳定性）。
category 是它的大类，一共七种：
generated：纯 AI 从主题生成，不依赖现成素材（animated-explainer就是这类）animation：动效、动画cinematic：电影感screen_recording：录屏talking_head：真人讲话hybrid：现成素材 + AI 补充custom：其他、自定义
default_checkpoint_policy 定的是默认的检查点策略，一共三档，本条用的是 guided：
guided（默认）：agent 在关键节点停下来征求我们的意见manual_all：每个阶段都要人工过一遍，最稳但最麻烦auto_noncreative：非创意阶段自动放行，只在创意决策点停，最省事
再往下有一段 orchestration，管这条 pipeline 的编排策略和预算：
orchestration:
mode: executive-producer
skill: pipelines/explainer/executive-producer
budget_default_usd: 2.00 # 默认预算
max_revisions_per_stage: 3 # 每个阶段最多返工 3 次
max_send_backs: 3 # 最多打回上一阶段 3 次
max_wall_time_minutes: 20 # 墙钟时间上限，免得 agent 在某个环节死磕，把时间和钱无限耗下去其中 mode 和 skill 用的是影视剧组的说法：这条 pipeline 由一个执行制片人（executive-producer）统筹全局，它像监制一样管预算进度、调度各阶段、把关质量。而下面每个阶段各配一个导演（director），是那一步的行家、只对自己这段负责（比如后面会看到的 proposal-director、research-director）。producer 统筹、director 各管一段，正好对应一个真实制作团队的分工。
接着是 stages 阶段列表，animated-explainer 一共八个阶段：
stages:
- name: research # 研究
- name: proposal # 方案
- name: script # 脚本
- name: scene_plan # 分镜
- name: assets # 资产
- name: edit # 剪辑
- name: compose # 合成
- name: publish # 发布每个阶段都用同一套字段描述。我们挑 proposal（方案）阶段展开看：
- name: proposal
skill: pipelines/explainer/proposal-director # 这个阶段读哪个 director 技能
required_artifacts_in:
- research_brief # 依赖上一阶段的产物
produces:
- proposal_packet # 本阶段产出的工件
- decision_log
checkpoint_required: true
human_approval_default: true # 这一步需要人工批准
review_focus: # 自审要盯的点
- Concept options are genuinely different
- Cost estimate is itemized and honest
success_criteria: # 验收标准
- Schema-valid proposal_packet with at least 3 concept_options
- approval.status is "approved" before proceeding每个阶段都写清了：读哪个技能、依赖什么、产出什么、要不要 checkpoint、要不要人工批准、自审盯哪些点、验收标准是什么。human_approval_default: true 意味着 agent 跑完这一步会停下来等我们点头才继续。验收标准往往是硬指标，比如 research 阶段要求「至少 3 个数据点」「至少引用 5 个带 URL 的来源」，agent 读到就知道这一步要做到什么程度才算合格。
阶段之间靠规范化的产物（artifact）衔接：research 出 research_brief、script 出 script、scene_plan 出 scene_plan、assets 出 asset_manifest、edit 出 edit_decisions、compose 出 render_report。每种产物都有对应的 JSON Schema 做校验，放在 schemas/artifacts/ 下；上一阶段的产物先过校验，合法了才进入下一阶段。
到这里看到的都是单条 pipeline 自己的 manifest。它之上还有一层管全局的配置，在项目根目录的 config.yaml 里：LLM、输出格式、路径这些项目级默认都放在这，预算也是。还记得前面 orchestration 里的 budget_default_usd 吗？那只是这条 pipeline 单次运行的默认额度；config.yaml 里的这段 budget 管的则是整个项目的钱：
budget:
mode: warn # observe | warn | cap
total_usd: 10.00
reserve_pct: 0.10 # 给重试和清理留的余量
single_action_approval_usd: 0.50
require_approval_for_new_paid_tool: truetotal_usd 是全局的总预算上限（$10），单条 pipeline 那 $2 的默认额度也在它之内；single_action_approval_usd 和 require_approval_for_new_paid_tool 则是全局的批准规矩：单次动作超过 0.5 美元、或者要启用一个新的付费工具，都会先问过我们再执行，不会偷偷把账单刷上去。
这套设计的好处是，整条流水线的行为（阶段、工具、审查重点、验收标准、批准与预算策略）全写在可读可改的 YAML 里，我们随时能打开看、甚至照着改一份自己的；Python 那边只负责提供工具和持久化。这正是 agent-first 架构的精髓：把人类制作团队的经验，沉淀成 agent 能读懂的指令。
Prompt Gallery 实战
理论讲得差不多，最后动手跑两个。这一节的例子都来自仓库里的 PROMPT_GALLERY.md，那是一份现成的提示词菜单，按花费和用途分好了组：有零成本就能跑的，有花费很低的，也有配齐全套、效果更好的；还按人群分了类（老师、开发者、独立开发者、内容创作者）。每条都能直接复制，挑一条丢给你的 AI 编程助手，它会照着 Rule Zero 选好 pipeline、逐阶段把视频做出来。下面挑两条我自己跑过的。
第一条是吉卜力风动画，走 animation pipeline，属于花费很低的那一档。
做一条 30 秒的吉卜力风动画：黄昏金光下，一座漂浮在云端的魔法图书馆。
书本在书架之间飘荡，暖光透过彩色玻璃窗洒进来，一只小猫在书桌上打盹。跑完十来分钟，就得到一条带镜头运动和配乐的动画短片。下面是我这次跑出来的效果：
第二条是电影感预告片，走 cinematic pipeline，偏电影质感，花费和耗时都要高一些。
做一条 30 秒的电影感预告片，科幻设定：人类收到一条来自一千年后未来的警告。
请使用动态视频片段、电影感配乐和富有张力的标题卡。我跑出来的结果如下：
两条一对比就能看出来：同样是 30 秒，选的 pipeline 不同，质感和花费能差出一个量级。至于每个环节具体调用哪个工具、花多少钱，取决于你配了哪些 key，你不用操心，agent 会照上一篇讲的打分选择器，在当前可用的工具里自动权衡。如果你想要的是真实素材而不是 AI 画面，还可以试试 documentary-montage，它从 Archive.org、NASA、Wikimedia 等公开库检索真实片段剪成时间线（第二篇细讲过），触发时在提示词里写明 use real footage only 即可。
具体做什么、做成什么样，就随你了。每个人跑出来的内容本就不一样，与其照抄我的，不如打开 PROMPT_GALLERY.md，按预算和用途挑一条中意的，改改主体和风格，做一条自己的视频。
小结
今天我们学习了 OpenMontage 的 pipeline 系统，回顾一下：
- 首先，我们认识了 12 条内置 pipeline。OpenMontage 把不同类型的视频制作抽象成了不同的流水线，从 AI 全生成的讲解、动画、电影感预告，到录屏、数字人、长视频拆条、多语言配音和真实素材纪录片，基本覆盖了主流场景；具体选哪一条，按「有没有现成素材、要不要真人、偏哪种风格」往下分就行。
- 随后，我们学习了 Rule Zero。这是贯穿全系统的一条硬规则：任何视频生产都必须走 pipeline，agent 得先选流水线、再读清单、再读阶段技能，最后才动工具，不允许写临时脚本抄近道。
- 接着，我们梳理了 每条 pipeline 的阶段流转。从研究、构思，到脚本、分镜、生成资产、剪辑、合成，多数还有一步发布；每个阶段都配一个专属的 director 技能手把手带着 agent 做，而 web research 被放在最前面，让成片建立在真实、当下的信息之上。
- 最后，我们打开一份 manifest，看清了 pipeline 到底是怎么声明的。阶段、工具、编排预算、审查重点、验收标准、批准策略，全写在一份可读可改的 YAML 里，再配合全局的
config.yaml；Python 只负责提供工具和持久化，真正的智能沉淀在这些技能和清单里。
至此，这个 OpenMontage 系列也暂时告一段落了。从安装环境，到零成本生成视频，从参考视频生成差异化方案，到工具发现、Provider 选择，再到今天的 Pipeline 架构，希望读完之后，你不仅知道 OpenMontage 能做什么，更理解了它为什么会设计成现在这个样子。
剩下的，就交给你去实践了。挑一条 pipeline，换一个自己的主题，跑出第一条真正属于自己的视频，也许会比继续读更多文档更有收获。
参考
