实测 LibTV Agent：将 100 多个 AI 视频工作流重组为 Skills，释放创作自由

LibTV 发布了一款 Agent。根据原始报道所引用的公司信息，该 Agent 可将 100 多个预设视频工作流转化为模块化 Skills。

用户输入一个创意后，Agent 会询问创作方向、生成故事板，并将各个步骤串联成一个可运行的工作流。每个步骤都可编辑。LibTV 还表示，该系统会检查生成的镜头并提出修复建议，但我们并未对此功能进行独立基准测试。

测试披露：本评测由 ContentMaster 编辑团队于 2026 年 7 月 14 日撰写，测试使用的是账号可访问的 LibTV Agent 网页版本；页面未显示构建版本号。我们与 LibTV 不存在任何商业关系。访问权限、生成额度和可用模型可能因账号而异。

Agent 将预设工作流转化为可选择的 Skills

LibTV 表示，其 Skill Hub 上线时提供了 100 多个工作流，包括武侠场景、动画风格广告和电商口播视频。该数量及相关示例来自原始报道转载的公司信息，并非独立盘点结果。

用户可以选择或组合 Skills，无需手动构建每一个节点图。随后，Agent 会生成时间线并分配语音、字幕和动作参数，同时开放提示词，供用户在节点层级进行修改。LibTV 的官方开源 Skill 文档还单独确认，其支持通过自然语言生成和编辑图像与视频、制作故事板、上传文件以及查询进度。

故事板视图和时间线编辑减少手动修正

界面会在共享故事板中展示生成的图像和片段。在测试项目中，用户可以打开单个镜头，修改时长、镜头运动或光照，而无需完全重新生成。

本次测试使用了一段简短的叙事需求，要求包含粤语对白和双语字幕。原始报道并未保留确切的提示词、所选模型、随机种子、分辨率、宽高比、采样设置、最终片段时长或处理时间，因此无法依据现有记录复现此次生成过程。报道未提及生成失败，也未进行手动音频重新对齐。

播放时，粤语台词与画面中呈现的对话大体一致，双语字幕也遵循了语音顺序。这只是评测者基于常规播放得出的观察，并非源自带时间码的转写、音素级口型同步分析或粤语母语者评分。因此，它只能支持有限的对齐结论。

创建自定义 Skill 仅需三个文件

根据原始报道，创作者可以上传一组提示词、一个示例片段和一张参考图像，无需编写代码即可创建新的 Skill。我们并未独立完成该创建流程，因此文件要求、验证规则和账号资格均应视为厂商提供的信息。

生成的 Skill 旨在展示于 Hub 中，供 Agent 后续调用，有望帮助团队重复使用成熟的内容形式。LibTV 的官方 CLI 页面确认，Skills 还可以将 LibTV 与受支持的外部 Agents 连接起来；其公共代码仓库则记录了经过身份验证的会话创建、文件上传、生成查询和结果下载功能。

自检循环在导出前发现异常镜头

LibTV 声称，工作流运行后，Agent 会扫描输出内容，检查曝光问题、连续性不一致和音频同步问题，随后提出替换镜头或修改提示词的建议。据称，用户可以在渲染前接受或拒绝这些建议。

我们的简短测试并未故意引入曝光、连续性或同步缺陷，也没有产生可供独立验证的自检失败日志。因此，自动检测和修复仍属于厂商声明，而非实际观察结果。本次测试也未确定误报率、修复成功率，或反复修改后是否必须进行人工干预。

规模化应用仍有哪些不明确之处

本次测试仅覆盖一个短片，而非数分钟的视频制作。随着镜头数量、角色连续性和音频复杂度增加，较长的视频序列可能需要更多人工监督。

目前尚未发现针对 LibTV 在数分钟叙事作品中的自检性能所开展的独立审计基准测试。与 LibTV 以 Agent 为核心的方法相比，Runway Workflows提供了一套更明确的节点式系统，支持分支、可复用流程以及对各个阶段的精细控制。这可以让调试和模型替换更加清晰，但也要求用户自行组装更多工作流。LibTV 的优势在于引导式编排；目前的局限则是缺乏已发布的评估数据和可复现的控制细节。

接下来值得关注的信号

新 Skills 的发布将揭示仍然存在的覆盖空白，但任何工作流数量的增长都应对照 LibTV 官方目录进行核实，而不能根据宣传材料推断。

用户对长视频项目的反馈将检验自动修复循环能否实现规模化应用。公开发布的基准测试应披露提示词、模型、设置、处理时间、手动编辑内容、失败判定标准以及完整输出。

未来如果有更新加入更深入的时间线级 AI 调整功能，将有助于判断 Agent 内部还保留了多大程度的控制权。这些观察指标将说明，随着项目规模扩大，当前设计能否继续保持实用性。