小影科技韩晟：从剪辑工具到 Content Agent，AI 如何把内容做对

过去做一条视频，通常要先学会使用剪辑软件，再选择模板、调整镜头，最后一点点完成包装。工具降低了创作门槛，却没有替用户回答一个更关键的问题：这条视频究竟要完成什么？

10 月 22 日，在 QCon 上海 2026 主论坛上，小影科技创始人兼 CEO 韩晟以《从工具到 Agent：小影内容创作的三次范式迁移》为题，分享了小影在内容创作领域的长期实践。

在他看来，AI 对内容创作的改变，正从“帮助用户生成素材”，进一步走向“理解用户目标，并交付最终结果”。

小影科技创始人兼 CEO 韩晟

一、从剪辑工具，到能够交付结果的 Content Agent

小影科技成立至今已有 14 年，长期服务全球大众用户的视频创作需求。韩晟介绍，小影相关产品累计下载量已经超过 20 亿。伴随用户需求和技术能力的变化，小影的内容创作产品经历了三个阶段。

第一阶段是剪辑工具阶段。 从 2012 年到 2022 年，小影主要通过移动端软件帮助用户完成视频剪辑。用户仍然是创作的主导者，产品提供时间轴、音乐、转场、滤镜和字幕等能力，降低视频生产的操作门槛。

第二阶段是 AIGC 应用阶段。 从 2022 年开始，生成式 AI 进入内容生产流程。用户可以通过文生图、图生视频、图生音乐等能力，更快地生成素材和内容。设计师、剪辑师和专业创作者的部分工作被模型辅助完成。

但在韩晟看来，AIGC 应用仍然主要是一类“更强的工具”。用户依然需要提出想法、选择功能、编排流程，并对最终结果负责。

第三阶段是 Content Agent 阶段。 从 2025 年开始，小影尝试让 AI 从生成单个素材，进一步走向理解目标、调用工具和交付结果。

产品的核心对象从“功能”转向“任务”。用户说“帮我做一条促销视频”，Agent 需要进一步理解商品、受众、品牌、渠道和营销目标，随后选择合适的模型、素材和工作流，最终交付一条能够使用的视频。

同时，内容创作产品的核心问题，也从“如何让用户更好地使用工具”，转向“如何帮助用户完成一件事”。

二、为什么一句话生成视频，仍然很难？

模型能力不断增强，但“普通用户只需要说一句话，就能生成任意视频”在短期内仍然很难实现。韩晟总结了视频创作 Agent 面临的三个核心问题：指令空间无限发散、结果难以自动验证，以及长上下文带来的内容一致性问题。

首先，普通用户的需求往往并不清晰。韩晟在演讲中反复强调，用户说出的往往只是表层需求。一个用户说“帮我做一条营销视频”，背后可能对应完全不同的目标。

一个美甲店老板说“帮我做一条营销视频”，真正想要的可能是吸引顾客预约到店；奶茶店关注的可能是折扣和即时下单；电商商家希望把产品卖点讲清楚；自媒体创作者则更关心内容能否吸引观众看下去。表面上，这些需求都是“做一条视频”，实际对应的 Job to Be Done、创作流程和成功标准完全不同。

其次，视频结果很难用统一规则自动验收。代码任务通常可以通过测试用例和运行结果判断是否完成；但视频创作没有一套适用于所有场景的“标准答案”。画面质量、内容表达、品牌一致性，以及用户是否采纳、是否发布，甚至是否带来预约或交易，都可能成为评价依据。

这意味着，Agent 不仅要生成视频，还要理解在具体场景下什么才算完成。这个标准无法完全依赖通用模型，企业还需要把长期积累的创作经验、场景知识和业务 Know-How，转化为可执行、可复用的评测规则。

第三，视频创作具有跨镜头、跨素材和跨环节的上下文连续性。人物、场景、商品、价格、电话和品牌信息，需要在多个镜头中保持一致。用户可能在创作过程中反复修改某个价格或电话号码，Agent 必须理解这些修改背后的意图，并确保变化能够同步到最终结果中。

因此，小影没有把目标简单设定为“让模型生成更多内容”，而是先寻找能够被验证的真实场景，再把经过验证的场景流程和专业经验沉淀为可复用的 Skill。对于普通用户来说，关键体验不是学习一套新的 Prompt，而是让他发现：“这正是我想完成的事情，而且我可以快速得到结果。”

近期的消费 AI 数据也印证了这一判断。a16z 发布的 2026 年消费 AI 报告显示，美国消费者对 AI 的使用范围正在扩大，但深度使用和付费仍集中在少数高价值用户和专业场景中，创作、编程和生产力工具是主要付费方向。

这意味着，面向大众的 AI 产品需要找到比通用聊天更明确的价值入口。对小影而言，当前阶段更重要的是从具体的内容创作和经营场景切入，通过产品化的 Agent 解决用户在实际工作中的明确需求。

三、从模型拼装到 AgentOps

当产品从单一工具发展为多个 Content Agent，真正的挑战就不只是接入一个更强的模型，而是如何让不同业务稳定、合规地运行起来。

小影面向全球市场，服务不同国家、不同文化和不同创作习惯的用户。这带来了多重工程挑战：

• 不同地区可使用的模型不同，带来的模型效果、价格和稳定性差异；

• 一些特殊场景需要自研算法或 LoRA 模型；

• 历史产品需要持续加入 Agent 能力；

• 内容安全、隐私保护和平台合规必须在产品上线前完成。

面对这些问题，小影没有让每条业务线重复建设，而是开始搭建统一的 AI 智能体基础设施—— AgentOps 平台。

平台通过统一的多模态模型网关和智能路由，将自研模型、第三方模型以及业务团队的垂类模型接入同一套系统，降低不同模型的接入和管理成本。业务团队可以在统一的工程框架下，根据具体任务选择模型和调用策略，更专注于任务目标与最终交付效果。

在模型接入之外，Agent Runtime、可视化编排、Skills 与 Tools、成本控制、安全治理、评测和可观测等能力，也被整理成可直接调用的组件。新业务能按需组合这些组件，降低 Agent 构建、调试和上线的工程门槛。将过去分散在不同团队中的算法和产品经验变成可复用的能力。

对小影来说，AgentOps 的价值最终体现在交付过程中：系统会持续记录和追踪 Agent 运行过程中的对话信息、模型调用、Token 消耗、生成结果、异常情况及用户反馈，并将这些数据沉淀下来，用于后续的问题定位、效果评测和产品优化。从而让更多 Agent 快速进入真实场景，并在持续反馈中变得更加稳定、可控，也更接近用户真正想要的结果。

四、研发流程从串行交付转向产研共建

传统的软件研发通常遵循产品定义、技术方案、编码、测试、调优和上线的串行流程。AI 可以分别提升每个岗位的效率，但如果整体流程不变，团队仍需要等待上游环节完成，端到端的交付速度不会发生根本变化。

小影正在尝试改变这种协作方式。

在 AgentOps 模式下，产品与技术团队围绕真实用户需求和具体业务场景共同构建智能体。产品团队更贴近用户和业务，负责识别需求、定义任务目标，并参与 Agent 的组装与场景验证；技术团队则提供模型能力、Agent Runtime、模型网关、评测平台和安全机制等工程支撑，并与产品团队共同完成 Skill 能力沉淀、效果优化和质量验证。

通过这种协作方式，产品方向可以在真实场景中快速验证，技术能力也能在不同 Agent 的构建过程中持续沉淀和复用。

以小影已经落实到具体的交付流程中 Kiva 智能体为例，用户提供文字、图片和音色素材后，系统会围绕业务目标组织成片。当产品进入真实使用阶段，AgentOps 的核心价值就不只是调度模型和工具，更在于将用户行为转化为可复用的场景资产：明确用户是谁、要完成什么任务、核心诉求是什么、怎样才算成功，以及这个场景的优先级。经过整理的场景数据，会同时服务于测试、产品和市场三个团队。

例如，用户在创作过程中反复修改电话和价格。这个看似细小的操作，实际上是一个重要的需求信号：

• 产品团队：据此判断用户所处的具体场景，并追溯问题究竟出现在交互、流程还是内容生成环节；

• 市场团队：结合用户主动提供的业务信息和创作场景，识别其可能对应的经营需求，进一步分析相似场景的共同特征;

• 测试团队：围绕同一任务验证不同版本，判断产品是否真正解决了用户的问题。

这份场景数接下来会进入评测流程。视频生成之后，系统还要继续回答一个问题：这条内容是否真正达到了要求？

与此同时，团队会针对不同场景建立数据集，由评测 Agent 批量验证多个版本，再由人工完成最终校准。评测结果则继续用于调整 Prompt、Skill、工具和模型选择，形成从生成、验证到优化的闭环。

过去，团队想知道用户喜欢什么，往往需要人工翻看案例，再凭经验判断。现在，系统可以定期汇总不同场景的使用情况、用户规模和实际效果，让哪些场景正在被使用、哪些需求更高频、哪些环节仍有问题变得更加清晰。

在此基础上，团队还可以进一步判断场景的覆盖人群、使用频次和效果缺口。高频场景优先打磨，并沉淀为可复用的 Skill；低频场景则通过引导和模板补足覆盖。用户行为由此同时进入产品调优、市场洞察和效果评测，成为 Agent 持续改进的共同依据。因此，小影内部的协作方式也随之发生了变化。技术团队不再围绕单个功能重复开发，而是建设能够支撑多条业务线的基础平台和能力组件；产品团队也不只是提出需求，而是参与模型选择、Agent 组装、效果验收和场景沉淀，和研发共同对最终交付结果负责。

五、用户行为成为新的产品资产

在小影的实践中，Agent 得到的关键信号，往往不只来自用户说了什么，也来自他们在创作过程中如何修改、反复尝试，以及最终是否采纳结果。

小影将这些线索整理为用户画像、场景标签和 JTBD （Jobs To Be Done）洞察，并共享给测试、产品和市场团队。测试团队可以基于同一场景复现问题，产品团队可以定位具体环节进行调优，市场团队则围绕明确的人群和需求开展触达。这样，一次真实创作就不再止于一次交付，而是进入“真实使用 > 行为分析 > 场景提炼 > Skill 发布 > 效果验证”的循环。产品也不再只是积累功能和代码，还包括用户偏好、成功标准以及专家经验。

这种沉淀也有清晰的边界，只有获得用户明确授权的行为信息，才会进入循环链路，用于产品评测和持续优化；原始创作素材会按用户授权、数据权限、不同市场的合规要求严格分类管理。尊重用户边界，是确保“用户行为成为产品资产”这套逻辑成立的前提。

在韩晟看来，这套闭环最终指向两个目标：更快验证需求，让每一次实践都留下可复用的经验。同时，他将小影下一阶段的重点概括为：

“第一，快速迭代；第二，可积累。”

随着场景数据、用户偏好和评测标准不断沉淀，这套积累将持续转化为产品能力，帮助小影更好地服务不同国家、不同人群。

六、模型趋向通用，场景能力形成差异

随着通用模型持续演进，模型能力本身正逐步成为 AI 应用的基础设施。韩晟在演讲中提到，通用模型迟早会变成“水电煤”。

在这样的背景下，小影选择了一条更具体的路径：把 14 年积累的全球用户经验、不同市场的内容偏好、真实创作场景、用户行为数据和交付标准沉淀为企业资产。模型负责提供通用能力，Agent 负责理解任务并组织执行，平台负责保证稳定性，数据和 Skill 则承接并复用这些场景经验，让系统在持续使用中更加了解用户。

因此，Content Agent 带来的变化并不局限于视频产品本身。它正在同时推动产品形态、技术架构、评测体系和研发协作方式的调整。

过去，用户需要学习工具，团队围绕功能开发产品。现在，用户直接表达目标，Agent 负责完成任务，团队则围绕场景、平台和数据持续建设能力。

韩晟在演讲中也追问过一个问题：一家 AI 应用公司的门槛究竟在哪里？如果只是把通用模型封装成一个产品，能力很容易被复制。真正难以替代的，是企业对用户、场景和成功标准的长期理解。

这正是小影从工具走向 Agent 的核心变化：内容创作的竞争重点，正在从功能数量转向结果交付。谁更理解用户想完成什么，谁就更有可能把 AI 真正做成一项稳定、可复用的产品能力。

留在企业手中的，将是那些通过真实场景积累下来的用户理解、交付经验和持续迭代的能力。

热度延续

12 月 18–19 日，AICon 全球人工智能开发与应用大会将在北京举办。本届大会以探索 A 应用边界为主题，设置 13 大技术专题，覆盖大模型后训练、推理优化、Agent 工程、知识工程、智能体评测与安全、自进化系统、AI 软件交付、原生架构及组织变革等核心方向，汇聚一线技术专家，深入分享 AI 技术突破与企业规模化落地的真实实践。