首款智能体蜂群系统实测：解锁AI视频制作新高度，助你轻松打造专属视频流水线。
核心内容概览：
1. 多智能体蜂群系统架构深度解析：条件智能体、专家智能体与迭代智能体的协同工作机制
2. 从零开始搭建智能体蜂群的完整实操指南与界面操作演示
3. 系统支持的7大视频创作场景及与传统工作流程的对比分析
上上周我们刚测试完六款视频Agent，其核心逻辑是：手里攒着一堆音频、视频、剪辑、图像生成工具，由Agent自主决定调用顺序来成片。上周又测试了Manus的Wide Research，这款产品有点套娃的意味——一个主Agent可以并行启动100个子Agent，让它们同时完成搜索、总结、数据生成等任务。
那么问题来了：如果把这两个概念融合在一起，打造一个专为AI视频设计的Agent for Agents系统，究竟能一次性输出多长的视频内容？
答案是9分34秒——换算下来就是574秒，相当于115个视频片段，背后消耗了29,996,401个Tokens。
接下来，直接进入正题：手把手教你如何搭建这套「多智能体蜂群」系统，以及这个新范式制作出的视频，究竟能覆盖哪7大使用场景。
先上结论。与隔壁的Dify相比，多智能体蜂群最大的区别在于：它将迭代（while）和条件分支（if）节点重新封装成了新的智能体，而其他节点也全部用智能体来替代。
Dify界面：[图片位置]
多智能体蜂群界面：[图片位置]
与其空谈架构，不如直接从一个完整的智能体实例入手，这样理解起来更为直观。
拿放大镜凑近看看细节——
条件智能体：主要负责判断不同情况。比方说，有时候想直接生成视频片段，有时候则希望Agent先生成脚本、分镜，再落到视频片段。提示语的主体部分直接用AI优化生成，输入“/”还能引用所有上游节点的输出。
专家智能体：专职完成某一类任务，比如搭配视频类MCP来实现视频生成、音频生成和视频剪辑。目前系统支持63个大模型和44个MCP Servers，选择空间相当充裕。
不过有个问题：每次只生成10秒，1分钟的视频就得运行6次，等待时间确实有点长。
迭代智能体就是为了解决这个痛点而生的。从设计上看，它会将上一步的输入转换成二维数组——用人话翻译就是：把大段长文本切割加工成多组提示语，这些提示语可以同时生成，大幅缩短等待时间。
Agent for Agents并不意味着控制权会降低。在实际构建过程中，当流程节点增多后，很需要在中间环节实时观测模型的输出，或者给模型输入场外信息——形式可以是单选、多选，甚至是图文文件。总之，不用写超长提示语就对了。
多智能体蜂群内置了18个UI模板和组件，你可以在中间看到脚本输出后，主动选择是否重新生成。
好，现在你已经拥有了一个从零搭建出来的多Agent蜂群。
热知识：构建好的多Agent在对话过程中如果生成失败，是会退回所有积分的。这操作豪得没边儿了。
冷知识：Agent其实也有等级划分——L1是光聊天不干活；L2是单工作流智能体，流程相对固定；L3就是Manus们，推理模型加工具，模型能在各种任务上自由组合能力去完成目标；而L4，就是今天一起做的多智能体蜂群，把不同类型的L3智能体组合起来，完成更复杂的任务。
坦白说，目前多智能体蜂群制作出的视频在分镜设计和剪辑节奏上，还比不上传统工作流配合AI的效果。但它的故事完整度、画风一致性，以及在AI视频领域里实现的超长时长，已经足以让它在现阶段独立完成一些视频制作任务。更重要的是，它速度快，而且正在朝着又快又好的方向迭代。基于此，我们总结出了7个使用场景：
一、知识科普
先从简单的来。用常见的提示语让蜂群自己脑补：
“帮我生成一个科普类型的动画，要求用简笔画的漫画风格形式讲解中国古人眼里的各种山的形式，其中包括有‘峰’‘峦’‘岳’‘嶂’‘丘’‘岭’，比例是16:9，要求风格一致。”
[图片位置]
二、第一人称
也可以直接丢一个完整的故事进去，不需要指定画风。比如：
“一个写实的小橘猫的冒险故事。用橘猫的第一人称自述的形式来作为故事大纲，故事总是充满自拍，用小猫的自拍镜头来表达画面。故事如下：……‘好的，这是一个以那只猫咪为主角，带有原文语气的纯文字故事，结尾充满自由：朋友，当你看到这里的时候，我已经变成加勒比海上的一名海盗了。这里没有勾心斗角，海盗也没有理想，因为海盗的一生是放荡不羁爱自由的。那天，我正蹲在码头的木桩上晒太阳……’”
[图片位置]
三、非遗故事
结构化的提示语也能发挥作用，可以通过分段的形式指定整个视频的走向：
片名：《一尺方寸，两代春秋》
主题：在光与影之间，操纵的是皮偶，讲述的是人心，传承的是不灭的星火。
形式：采用双线叙事的温情纪录片，一条线是幕后的制作与传承，另一条线是幕前的光影传奇。
故事梗概：主角是一位年迈的皮影戏班主，和他十几岁的孙女。
幕后·雕刻（造物）：阳光透过窗棂，照在老师傅布满皱纹的手上。他正在一块驴皮上雕刻新的皮影人物——孙悟空。刀尖游走，线条流畅。他一边刻，一边给旁边的孙女讲述这个人物的故事。孙女用手机记录下这一切。旁白（孙女稚嫩的声音）：“爷爷说，每一刀下去，都要想着他将来要怎么打，怎么笑。这不叫刻皮子，叫给他注入魂儿。”
幕前·排演（入戏）：晚上，爷孙俩在后台的白幕后排练。爷爷操纵着孙悟空，孙女操纵着白骨精。光影下，两个皮偶打得难分难解。镜头在幕前（观众视角，看到的是完整的神话故事）和幕后（爷孙俩默契的配合和投入的表情）之间切换。
现实·困境（黄昏）：一场正式的乡村演出。台下观众寥寥无几，多是老人。年轻人们低头玩着手机，手机屏幕的光与幕布上的光形成讽刺的对比。演出结束，掌声稀稀拉拉。后台，爷爷默默地收拾着皮影箱，眼神落寞。孙女看着他，心里不是滋味。
传承·新光（破晓）：孙女把自己用手机拍的爷爷雕刻、表演的视频，配上节奏感强的现代音乐，剪辑成了一个酷炫的短视频发布到网上。视频意外地火了，很多人留言说“太酷了”“原来皮影可以这么帅”。
[图片位置]
四、音乐MV
做音乐MV的技巧是：把画面和视频分开描述，完成单个镜头的描述，这样歌词就能跟画面一一对应上。
以《夏天的风》文艺MV分镜脚本为例：
- a.晨曦初照，窗外微风
画面描述：清晨的第一缕阳光透过窗帘缝隙洒进房间，阳光柔和、温暖。窗外，翠绿的树叶在微风中轻轻摇摆，空气中弥漫着早晨的清新气息。镜头慢慢推进，焦点对准女孩的脸庞，她在睡梦中微微皱眉，似乎有些不舍离开梦境。随着她的眼睛缓缓睁开，阳光恰好照亮了她的眼眸。她轻轻地伸了个懒腰，嘴角泛起一丝微笑。她的目光穿过窗外的景色，心中浮现出某种温柔的回忆。房间里安静，时间仿佛在这一刻静止。
视频描述：镜头从房间的一角开始，慢慢拉近女孩的床铺，阳光从窗户射入，柔和的光线打在女孩的脸上。随着镜头的推进，女孩从睡梦中醒来，动作流畅自然，缓慢的节奏给人一种温暖的感觉。光与影的交织营造出清晨的宁静氛围，女孩的眼神从迷离到清醒，带着一丝微笑，展现出她内心的平和与安宁。
[图片位置]
五、IP广告
为蜜雪冰城做一条青提系列的原创创意有趣广告视频，以蜜雪冰城的雪王IP为主，贯穿主线，表达夏日缤纷与青提、凉爽。
[图片位置]
六、图一乐类
放这个案例完全是因为——还能做出直播间的感觉。这是一个第一人称vlog视角的视频，主角是秦始皇嬴政穿越到现代城市上海，骑着北极熊在东方明珠塔下直播，一边直播一边喝着蜜雪冰城的奶茶。突然，上海的东方明珠塔尖射出一道毁灭般的激光，吓得秦始皇骑着北极熊四处逃窜。危急时刻，秦始皇骑着北极熊掏出安卓牌智能手机在东方明珠塔下自拍——快门按下的刹那，东方明珠塔突然坍塌化作一片废墟。结尾是秦始皇戴着安全帽、穿着皇帝的衣服在废墟中重新修建东方明珠塔，北极熊也戴着安全帽在工地运送砖块钢筋等建筑材料。整个画面是第一人称vlog的视角。
[图片位置]
写在最后
AI视频，尤其是最近这两个月，从模型到Agent，一波接一波地更新迭代。生成体验更舒适了，成片更快了，玩法也更多了。虽然它还远远没到“完美”的程度——即使是最喜欢的几个模型，也依然有镜头不顺、节奏感偏弱、配音发干的问题。
但心里很清楚，它们还会变强，而且会越来越强。根本没时间纠结那些瑕疵，因为版本就在一天一个样地更新：剪辑、旁白、情绪、构图、动态生成，这些都在不断改进。与其盯着哪里不好，不如多想想可以做出什么。
距离做到完美的那一天，确实没那么快。但同样确定的是——它真的在靠近了。