一次旅行回来，手机里多了上百张照片和不少视频，要把它们剪成一部有故事的短片，却让许多人望而却步。

如何让 AI 接手这部分工作？10 月 24 日，在 QCon 软件开发大会・2026 上海站上，小影科技业务 VP 李琳琳围绕《面向硬件场景的智慧视频创作 Agent 规模化落地实践》展开分享，介绍了公司面向硬件厂商的视频创作解决方案：用户只需用一句话表达创作需求，如“帮我把上周旅行的照片和视频做成一个3分钟、有故事感的 Vlog”，Agent 即可从本地相册中挑选素材、规划故事并输出成片。

这是小影科技 ToB 智慧视频创作解决方案在 Agent 方向的最新成果，希望助力消费电子硬件、手持影像终端厂商延伸视频创作能力，也让普通人能随手做出个性化成片。

端云协同，灵活适配不同机型

一次视频创作涉及素材理解、故事规划与视频渲染等多个环节。全程依赖云端会增加素材传输与处理成本，并带来隐私顾虑；仅依靠端侧，则受限于设备算力、内存和功耗。李琳琳指出，单靠任何一端，都难以同时满足体验、成本与隐私的要求。

为此，小影科技采用端云协同架构，将终端视频创作拆分为端侧内容理解、云端创作规划和端侧渲染执行三个环节。

首先，端侧通过视觉识别算法分析本地照片和视频，检索、筛选素材并提取高光片段，形成结构化的素材上下文。云端 Agent 再结合用户意图与素材信息，决定故事如何组织、生成创作配置。最后，终端视频引擎解析配置，执行时间线构建、剪辑与渲染，生成完整视频。

这套架构让端侧承担本地素材处理等高频计算任务，云端负责更复杂的意图理解和创作决策。系统还会根据设备算力、网络状况调整端云分工，让旗舰机、中端机等不同性能的设备都能获得较好的创作体验，也在效果与成本之间取得平衡。

14 年创作经验，沉淀为场景化 Skill

端云协同明确了任务的分工与执行位置，但成片能否符合用户预期，关键还在于 Agent 如何规划故事。

传统的一键成片通常基于预设模板，创作方式相对固定。小影科技则将 14 年视频创作经验沉淀为场景化 Skill，把专业经验转化为具体的创作规则，并明确输入、约束与输出，让 Agent 能够根据用户需求和素材特点，调用最匹配该场景的 Skill 来组织故事。

以旅行场景为例，行程是组织故事的基本主线，但实际素材可能分布不均，重要的人物互动也未必出现在行程的关键节点。此时，Skill 中的规则会指导 Agent 判断哪些片段值得保留、素材不足时如何调整故事结构，以及如何衔接不同片段，避免机械拼接素材；音乐选择同样需要贴合故事情绪变化。

有了这些规则，系统可以更好地保留关键人物和片段，让故事主线更清晰、配乐更贴合用户预期，创作用时和修改次数随之减少。用户反馈也为 Skill 的持续优化提供依据。

在创作规划之外，稳定交付同样重要。从素材理解、故事规划到视频生成的各个环节由工作流统一调度，确保端云之间有序衔接；即使某个环节超时或中断，也能自动重试与恢复。

对大众用户而言，终端视频创作 Agent 意味着更省心的创作体验、更有故事感的成片；对硬件厂商而言，同一套能力可以覆盖多种场景和机型，为软件层的体验创新打开了空间。这些价值的实现，不只依赖模型本身，更需要内容理解、专业视频创作知识与工程体系的协同。