AI 视频创作全流程实操：Agnes Video 免费模型怎么用、节点画布怎么搭、短剧怎么从一句话走到成片

本文由 莫潇羽@源码七号站（www.fuyuan7.com）撰写，转载请注明出处。

快速摘要

如果你只想花三十秒拿到结论，这里是全部要点：Agnes Video 2.5 视频模型（注意是视频模型，跟写代码的文本模型 Agnes 2.5-Flash 是两条产品线）已经接入国内可用的 Pavo 创作平台，免费 Flash 档支持 720p、4到12 秒、3RPM，标准版写稿时每天赠送 200 积分（约合 100 秒视频量），配合首尾帧生成、节点画布和主体资产，能大幅缓解"抽卡贵、角色变脸、推倒重来"三大痛点；Agent 模式还能把一句话故事自动拆成剧本、分镜和镜头。但注意两条红线：其一，所有价格、额度、速率都是写稿时的快照，随时会变，以官方页面为准；其二，AI 生成的视频在国内平台发布必须按规定主动标注"AI 生成"，带货场景要求更严，别省这一步。

想看完整拆解——免费档的具体规则、画布工作流怎么搭、短剧从故事到成片的每一步怎么走、以及国内发布要躲的坑，往下翻。

我自己折腾 AI 视频有一阵子了，从最早的文生视频"一句话出片"开始玩，到后来慢慢明白一个道理：单条视频的效果早就不是瓶颈了，真正卡人的是三件套——生成成本、角色一致性、还有一整套工作流。你刷到的那些炫技短片，背后是别人成百上千次抽卡堆出来的，到你上手的时候，钱包和耐心先顶不住了。

最近圈子里讨论比较多的一件事，是 Agnes Video 2.5 视频模型接进了 Pavo 创作平台，其中 Flash 档位直接免费开放，标准版每天还给固定积分。消息出来后我立刻去平台上把免费档、积分档、画布、Agent 模式挨个摸了一遍，顺手把《人工智能生成合成内容标识办法》的相关要求也核对了一遍。这篇文章就是我这一轮完整实操的记录，从模型到底什么水平，到免费额度怎么用，再到一条短剧怎么从一句话走到成片，最后是国内发布的合规要点，全部摊开讲。

一、做一条 AI 视频，卡住普通人的到底是什么

先别急着看模型参数，得先把"卡点"说清楚，不然后面的工具都是空谈。我观察下来的结论是：单条视频的惊艳程度，早就不稀缺了。真正让普通创作者做不下去的，是另外三件事。

生成成本。 视频模型的计价方式普遍按秒算，一条 10 秒的镜头看着短，可一个镜头从来不是一次生成的。你得调提示词、换构图、试风格，一个镜头的满意率能到三成就算手气不错。这意味着一条 30 秒的短片，背后可能是几十次生成。按市场主流模型的公开价格粗略估算，几十次试错下来的花费，对个人创作者来说是实打实的负担。很多人的创作热情，就死在这个"每生成一次都肉疼"的阶段。

角色一致性。 短剧和叙事短片里，观众必须相信第 3 秒出场的主角和第 30 秒坐在桌边的主角是同一个人。但文生视频模型天然有随机性，同一段提示词跑十次，脸、发型、衣服颜色可能每次都不一样。过去解决这个问题的土办法是"疯狂抽卡直到撞出同款"，效率极低；进阶一点的办法是固定参考图，但又面临参考图本身风格漂移的问题。一句话：一致性没解决，短剧就无从谈起。

工作流是碎的。 剧本在文档里，角色图在图库 App 里，生成的镜头散落在十几个文件夹里，改了第 5 个镜头，第 6、7、8 个镜头要不要跟着改？全凭脑子记。工具之间切来切去，每切一次都要重新"解释上下文"，这个过程消耗的精力，比生成本身还多。

把这三件事摆在一起看，不同创作路线的差异就很直观了。我做了一张表，把常见路线拉出来对比：

这张表不是要论证哪条路线"正确"，而是想说明：过去那条"文生视频盲抽"的路，对短剧这种连续叙事形态来说，从一开始就是错配的。短剧需要的不是"偶尔能出神片"，而是"每条镜头都在及格线以上、且前后接得上"。

理解了这三个卡点，再去看 Agnes Video 2.5 这轮更新，很多东西就顺理成章了：免费 Flash 档对应的是成本问题，主体资产和首尾帧对应的是一致性问题，无限画布和 Agent 模式对应的是工作流问题。它是冲着这三个卡点来的，而不是单纯秀一条更炫的模型。

二、Agnes Video 2.5 视频模型是什么来头：用榜单与价格看懂模型档位

先交代一件容易看混的事：Agnes 系列里有一款文本模型叫 Agnes 2.5-Flash，专攻写代码和推理，跟视频生成没关系；本文通篇讲的"Flash 档位"，指的是视频模型 Agnes Video 2.5（预览期对外叫 Agnes-Video-2.5-Preview）里的免费档。名字里都带"2.5"和"Flash"，产品线却是两条，看到相关新闻时先确认说的是哪个。

判断一个视频模型处于什么档位，我的习惯是看两类公开信息：盲测榜单的成绩，和官方 API 定价。前者说明"水平"，后者说明"厂商自己觉得值多少"。两者一拼，模型定位就清楚了。

盲测榜单是怎么打分的

先科普一下 AA 榜单（Artificial Analysis 的 Video Arena）的机制，不然分数就是天书。它的做法是：用户提交一个提示词，系统同时用两个匿名模型生成视频，用户不知道自己看到的是哪家模型，纯粹凭观感选一个更好的。投票结果按 Elo 积分制累计——这个 Elo 就是国际象棋那套等级分算法，赢的加分、输的扣分，对手越强赢一场加得越多。因为用户看不到模型名字，刷榜的动机就小了很多，分数相对可信。

榜单地址是 artificialanalysis.ai/video/leaderboard/text-to-video，想查实时排名的朋友可以直接去看，比我在这里贴任何一张截图都新。

此前公开评测中流传较广的一组数据是：Agnes Video 在 AA 盲测里的 Elo 从 2.0 版本的 917 涨到了 2.5 版本的 1082。这里说明一句：这组具体数字我未能在官方渠道找到原始出处，属于第三方评测文章的转述，只能当参考量级看，准确值以榜单页面实时数据为准。这个数字怎么看？给两个参照系就明白了：写稿时榜单头部模型（可灵、即梦 Seedance 这类国内厂商的旗舰，以及海外几家大厂的旗舰）的 Elo 普遍在 1200 到 1300 区间，而 1060 到 1080 这个位置站着一批"实用型"模型。说白了，1082 分意味着它已经从"尝鲜玩具"跨进了"能拿来干活"的区间，但离头部旗舰还有一档差距。60 分左右的 Elo 差距，在两两对决里大约对应 58% 到 59% 的胜率，这个换算关系可以帮你理解分数之间差多少才算"真差距"。

细分项成绩更能说明问题

总分之外，VBench 这类细分评测的公开数据也值得看。写稿时能查到的一组参考数据：Agnes-video-2.5 预览版在 VBench 综合得分约 59.94 分，作为参照的头部模型同榜单约 63 分出头。差距不大，但有两个细分项很关键：运镜一致性得分 52.72，超过了对标模型；物理规律表现约 78.82，接近头部水平。

这两个数字背后是实际体验的差异：运镜一致性好，意味着"缓慢推近""低角度环绕"这类镜头术语能被执行到位，且运动过程中主体不容易崩；物理表现过关，意味着水、烟、尘、碰撞这些特效场景不会一眼假。对短剧来说，这两项比画质参数重要得多——观众对"人物在动但背景在飘"的容忍度，比对"分辨率不够高"低得多。

顺带提一句合规问题：Agnes 系列模型属于境外团队开发的服务，相关信息我以公开资料和榜单数据为准做科普性质介绍，各位使用时请遵守国内网络与内容管理相关规定，以官方渠道和境内平台的接入方式为准。下面要讲的 Pavo 平台就是境内可访问的创作入口，模型能力通过平台层提供给用户。至于 Pavo 平台自身的数据存储位置、数据合规安排等细节，也请以平台官方说明为准，本文不作任何背书。

价格表比广告词诚实

Agnes Video 2.5 官方文档公开的 API 计费规则，写稿时大致如下：

前 5 张输入图不收费，输入视频时长也不单独计费。按 720P 档算，一分钟成片大约 1.5 美元，这也是不少评测文章里被反复引用的"每分钟参考价"。把它放到市场里横向看：不少同档次商业模型的价格在这个数字的两倍以上，而免费 Flash 档直接把试错成本清零。这也是为什么这轮更新在创作圈子里引起讨论——成本结构变了。

当然，AI 视频行业的价格和免费政策变动非常快，上面这些数字是写稿时的近似行情，模型档位、免费额度随时可能调整，请以官方定价页面和平台后台的实时数据为准。

把榜单和价格放在一起，Agnes Video 2.5 的定位就出来了：它不是"最猛的旗舰"，而是"够用水平里最便宜的那一档"。这个定位对个人创作者反而友好——旗舰虽强，用不起也白搭；实用档加免费探路，才谈得上持续创作。

三、免费档 Flash 的规则逐条拆开：白用额度有多大

免费的东西，规则往往藏在细节里。这里再钉一次钉子：本章的 Flash 是视频模型 Agnes Video 2.5 的免费档，不是文本模型 Agnes 2.5-Flash。我把 Pavo 平台上这个视频 Flash 档的免费规则逐条实测了一遍，按"输入、画质、时长、速率"四个方面整理成表，省得你自己去翻公告：

几个容易被忽略的细节值得单独说。

五张图的上限，用在哪很讲究。 首尾帧各占一张是常规用法；剩下的三张可以塞人物参考、道具参考、风格参考。注意是"单次请求"的限额，不是账号总限额，所以每次生成的输入组合可以重新搭配。

4到12秒的时长区间，对分镜设计有影响。 12 秒在短视频分镜里已经算"长镜头"了，足够一个完整动作或一次情绪转折。我的做法是优先按 6 到 8 秒设计镜头，因为 Flash 档是快速验证工具，镜头越短，验证点越单一，翻车时越容易定位问题。

3RPM 的速率限制，决定了 Flash 的用法。 每分钟 3 次，一小时理论上 180 次。听起来不多，但对"验证型"任务完全够用——验证提示词方向、验证构图、验证风格，每次生成之间本来就要留出思考和调整的时间。反过来说，它不适合拿来直接渲染成片素材，那会卡在速率上。免费档的正确定位是"探路"，不是"跑量"。

用一段伪代码把免费档的使用策略写清楚，比啰嗦一百个字直观：

循环（每天创作时段）：
    1. 拿到一个新分镜需求
    2. 用 Flash 免费档生成第一版，720p、8秒以内
    3. 检查三个问题：
       - 主体有没有崩？（脸、手、肢体）
       - 运镜是否符合分镜意图？
       - 首尾帧衔接是否自然？
    4. 如果都不崩 → 记录提示词与种子 → 标记"可升档出片"
    5. 如果崩 → 只改一个变量（提示词/参考图/时长），回到第 2 步
    6. 同一镜头失败超过 6 次 → 说明分镜本身有问题，回改分镜

这套流程的核心思想就一句：免费档的意义不是"零成本出片"，而是把"该不该继续投入"这个判断的成本降到零。一个镜头用免费档跑 6 次发现方向不对，省下的是标准档 6 次生成的额度。

顺带说明，Flash 与标准版是同一代模型体系下的两个档位，画质上限不同，但提示词习惯、首尾帧逻辑、参考图用法是相通的。也就是说，你在免费档上练出来的手感，直接可以平移到标准档，不存在"换了档位就重新学"的问题。

一次完整的免费档实测记录

光讲规则太干，我把自己某天下午用 Flash 免费档做的实测记录贴出来，原样呈现验证节奏。当天任务是为一个"雪夜山道"场景确认三个分镜方案，工具是 Flash 免费档，总耗时约四十分钟：

四十分钟里跑完七个镜头版本，零花费，两个分镜直接确认、一个分镜被推翻重设计。如果这段验证放在计费档做，同样的试错量对应的开销会非常具体。这就是免费档对创作节奏的真实意义——它买回的是"大胆试错"的心态。

四、标准版与每日积分的组合打法：免费探路、积分出片

Flash 免费，标准版不免费，写稿时 Pavo 平台显示每天给用户赠送 200 体验积分。这里得先把话说在前面：200 积分、每秒 2 积分这两个具体数字，我在公开渠道没有找到官方公告出处，属于写稿时平台内的展示口径，无法交叉验证，不同账号、不同时段看到的数值可能有出入。按照写稿时口径，200 积分每天约等于 100 秒标准档视频。100 秒是什么概念？一个常规短视频节奏的短剧片段，每镜 5 到 8 秒，100 秒能出 12 到 20 个镜头，够一条完整小短片的成片素材了。

两个档位怎么分工，先看对比表：

这套组合的真实价值在于"把不确定性留在免费档，把确定性留给积分档"。具体流程我写成这样：

标准创作日流程：
    上午：梳理当日要推进的分镜清单（按优先级排序）
    逐镜头执行：
        1. Flash 免费档：跑首版 → 调提示词 → 最多试到第 5 版
        2. 检查"升档标准"：
           - 主体稳定、动作自然、衔接顺畅
           - 构图与景别符合分镜表
        3. 达标 → 标准版用积分渲染 1 次，作为候选成片
        4. 积分渲染结果不满意 → 不要立刻重渲
           先回 Flash 免费档微调，第二天积分刷新后再渲
    收工前：把当日积分使用情况记在分镜表里，避免超支

有个心态问题值得说：积分档的每一次渲染，都应该是"有依据的下注"，而不是"再赌一把"。我见过不少朋友拿到积分就连续渲同一个镜头五六次，积分烧完发现还不如第一版。正确的做法是，免费档把方案收敛到"只剩最后一两个不确定点"时，积分才出手。

关于积分的获取与消耗规则，不同时期的官方活动会有变化——比如新用户赠送、连续登录奖励、任务积分这些，写稿时平台口径是每日赠送 200，但额度、消耗单价、活动规则都可能调整，请以 Pavo 平台个人中心与官方公告的实时数据为准，别把这篇旧文里的数字当成长期承诺。

如果对画质有更高要求，标准版之上还有更高的输出规格，但消耗也随之增加，个人创作者按需选择即可，没必要盲目追最高档。

五、无限画布：节点化工作流怎么拆掉返工地狱

单个镜头生成得再好，也架不住"几十个镜头连成片"时的混乱。素材散落、人物跑偏、改了开头要重做结尾——这些才是短剧创作的真实日常。Pavo 的无限画布想解决的，就是这个问题。

先弄懂"节点"这个词

"节点"听起来像黑话，其实很好理解：把创作过程中的每一个产物——一段剧本文字、一张角色图、一个视频镜头——都当成一块"积木"，这块积木就叫节点。节点之间可以连线，连线代表"谁基于谁生成"。画布就是摆积木的桌面，无限大，随便摆。

举个例子：你先在画布上放一个"角色设定"文本节点，基于它生成"角色立绘"图片节点，再基于立绘生成"角色动态视频"节点。三个节点连成一条线，哪个环节想改，就从这个节点往下重新生成，上游不动。

画布上的工作流长什么样

一张 Mermaid 图把典型短剧画布工作流画出来：

flowchart LR
    A[故事梗概] --> B[剧本大纲]
    B --> C[角色设定文本]
    C --> D[角色立绘图]
    D --> E[场景设定图]
    E --> F[分镜1 首帧图]
    E --> G[分镜2 首帧图]
    F --> H[分镜1 尾帧图]
    G --> I[分镜2 尾帧图]
    F & H --> J[镜头1 视频]
    G & I --> K[镜头2 视频]
    D --> J
    D --> K
    J --> L[成片拼接]
    K --> L

留意一个细节：D[角色立绘图] 同时连向 J 和 K 两个视频节点。这表示两个镜头都引用同一张角色立绘做参考——一致性就是靠这种"共享上游"实现的，而不是每个镜头重新描述一遍角色长相。

线性工作流和节点画布的差别

传统做法是一条流水线：剧本写完，生成角色图存文件夹；分镜画完，挨个生成视频存另一个文件夹；发现第 5 个镜头角色脸崩了，回头重新抽卡，第 6、7、8 镜全废。节点画布的做法是树状结构：每个镜头都是从公共资产节点长出来的分支，一条分支废了，剪掉重新长，其余分支不受影响。

我拿一个通用化的例子说明实际操作过程。假设做一支两分钟短片，讲"暴雪过后巡线员重启山顶信号塔，让山下小镇恢复联络"这类设定。我会先在画布上定四个主体资产：巡线员（角色）、工具包（道具）、雪中山道（场景）、信号塔（核心场景）。然后按剧情拆成六七个画面：雪停、出发、登山、检修、重启、信号恢复。每个画面先在画布上生成静态图，相邻两张静态图分别作为首帧和尾帧交给视频模型补中间动作。六七个镜头全部连在画布上，哪条镜头不满意就单独重跑那条，已经跑好的镜头完全不动。

这个流程里最爽的时刻是"局部返工"：结尾想加一个"指示灯逐盏亮起"的细节，不需要从第一个镜头开始重做，只需要从"检修"节点之后拉出一条新分支，把结尾展开成两个镜头。前面五个镜头的成果原封不动。对比传统做法"推倒重来"，这种局部手术式的迭代，才是把完整作品真正做出来的底气。

画布上的分支管理习惯

画布用久了会变"密恐现场"，节点一多，管理就成了新问题。我给自己定了三条规矩：

• 一条主线永远在最上方。 把最终要用的镜头按顺序排在一条横线上，实验性的分支全部往下拉。主线干净，导出时不会漏镜、错序。
• 废弃分支不删，只降级。 跑废的版本保留在画布底部区域，标上"废"字。它们有时是宝贵参考——某次失败的分镜，过两天换个思路可能就是新片子的起点。
• 每天收工前拍一张画布截图。 画布是云端保存的，但截图是给自己看的"当日进展照片"，方便第二天快速找回上下文，也方便回顾自己的决策轨迹。

这三条习惯看起来琐碎，实际是防止"画布反而变成新的文件夹地狱"的关键。工具的灵活性是双刃剑，没有管理习惯的人，会在一片无限大的画布上迷路。

（3D 导演台这类辅助功能也是画布体系的延伸，可以在生成前对人物站位、机位做预演，减少纯提示词的随机性。功能细节以平台实际版本为准。）

六、主体资产：让同一个角色跨镜头不变脸

画布解决"流程"问题，一致性则要靠"主体资产"这个机制。简单说：把一个角色的形象、一个道具的外观、一个场景的风格，固化成平台上可重复引用的资产，后续每个镜头都从这个资产出发生成，而不是每次用文字重新描述。

资产为什么要"固化"

设想你写了这样一段提示词："深蓝工装、头戴黄色安全帽、背着工具包的巡线员"。你每次生成都复制粘贴这段话，理论上应该长一样吧？不会。模型的随机性会让第二版的脸型、工装色号、帽子样式全都不一样。文字描述是"近似约束"，而资产是把某个已确定的形象"锁定"下来——后续生成直接引用这个锁定对象，随机性被压到最低。

这个原理和"参考图"类似，但比参考图更进一步：资产是存在平台上的、带名字的、可被所有后续步骤共享的对象，而不是每次手动上传一张图。

资产清单怎么列

动手做短片前，我习惯先拉一张资产清单，把"哪些东西必须跨镜头保持一致"列出来：

建资产时几个要点，我一条条列出来：

• 一张定稿图胜过十段描述。 先集中火力把角色的定稿立绘做好——正面、干净背景、全身或半身——再以它作为资产源，别拿一张角度刁钻、光线复杂的剧照当资产，后续生成会被它的瑕疵带偏。
• 服装道具宁可简单。 复杂花纹、大量配饰会降低后续生成的稳定性。外套一个纯色加一个标志性细节（比如胸前口袋），比满身图案好控制得多。
• 给每个资产起固定名字。 角色叫"老周"还是"阿凯"不重要，重要的是全片统一。后续提示词里统一用名字引用，别一会儿"男主"一会儿"他"。
• 场景资产固定光线时段。 同一场景如果一会儿白天一会儿晚上，观众会出戏。要么固定时段，要么明确做成两个资产（山道·晴天、山道·雪夜）。
• 资产是可以更新的。 片子做到一半想给角色换件衣服，直接改资产再让下游镜头重新生成，比逐个镜头手改快得多。

一致性检验小技巧

资产建好后，怎么确认一致性达标？我的土办法是"同框测试"：把两个不同镜头的成片帧并排截图，遮住背景只看人物，问自己三个问题——脸是同一个人吗？衣服是同一套吗？标志性道具在吗？三问全过，才算过关。这个检查虽然原始，但比任何自动评分都管用，因为观众就是用这套标准看出戏不出戏的。

主体资产加上首尾帧，一致性这条线才算完整：资产管"长得像不像"，首尾帧管"动得对不对"。

七、首尾帧生成：把开盲盒变成可控拼接

"首尾帧生成"是我这一轮实测里最愿意反复用的能力。它的逻辑很朴素：你给模型两张静态图，一张作为镜头开始、一张作为镜头结束，模型负责补出中间的运动过程。结果就是从 A 状态"可控地"过渡到 B 状态，而不是让模型自由发挥。

为什么它比纯提示词可控

纯提示词生成像是"你说要一个苹果，模型给你一个随机品种的苹果"；首尾帧生成像是"你把苹果和苹果派各拍一张照片，模型演示这颗苹果怎么变成派"。起点和终点被钉死了，模型自由发挥的空间只剩中间的运动方式，失控概率天然就低。

这个机制对分镜衔接尤其好用。上一镜的最后一帧画面，拿来做下一镜的首帧；下一镜的关键动作完成态，画出来做尾帧。镜头与镜头之间从"硬切"变成了"连续递进"，叙事节奏顺滑很多。

首尾帧设计的分镜表

我给自己定了一张分镜表模板，每个镜头开跑之前先填完，能省掉大量无效生成：

填这张表时盯住两件事：一是"首帧来源"尽量写"沿用上一镜尾帧"，让全片首尾相接；二是同一场戏里机位别乱跳，跳轴会让观众懵。

生成与失败重试的策略

对每个分镜：
    1. 确认首帧、尾帧两张图已定稿（风格统一、主体一致）
    2. 第一次生成：写最简提示词，只描述"动作"和"情绪"
       （例：他踏雪穿过山道，停在塔基前，摘下工具包）
    3. 检查三个失败类型：
       a. 主体崩坏（脸、手变形）→ 检查资产引用是否生效
       b. 运动不合理（瞬移、倒放）→ 把动作拆成更小的两段
       c. 首尾对不上（跳帧）→ 缩短时长，或让首尾帧差异变小
    4. 成功 → 存进画布，接下一镜
    5. 失败 → 只改一个变量重试，最多 6 次，仍失败回改分镜

有一个反直觉的经验：首尾帧差异越大，模型"自由发挥"越多，也越容易出怪东西。所以相邻两帧的动作跨度要克制——首帧是"抬手"，尾帧就定在"手碰到开关"，而不是直接从"站在门口"跳到"门已大开"。跨度拆小，成功率肉眼可见地上升。这正是分镜拆解的意义：一个动作复杂的长镜头，先拆成两三个短镜头，每个短镜头的首尾帧差异都在模型舒适区里。

还有一点，首尾帧的静态图可以先用图片生成功能做，风格与主体资产保持统一。图定稿了再进视频生成，别让"图的随机性"和"视频的随机性"叠加在一起。

首尾帧提示词模板

首尾帧模式下，提示词只负责"中间过程"，不用再描述起点和终点。我总结了几组常用句式，直接套用能明显提高首版成功率：

几个附带经验：句式里写"自然""平稳""克制"这类词，比堆砌风格形容词有用；负向约束（比如"不要出现人物变形"）在部分模型上效果有限，与其写否定句，不如把动作描述写得更具体；时长参数和首尾帧差异要匹配——差异大就缩短时长，差异小可以拉长到 10 秒以上，让中间过程有足够的呼吸空间。

八