OpenMontage:把你的 AI 编程助手变成一整间视频制片厂

不是「prompt 出一条片段」，而是一间可以审计的制片厂

OpenMontage 是 calesthio 在 2026 年 3 月底开源的「agent 化视频制片系统」，仓库在半年内积累到七万 star 量级，以 AGPL-3.0 发布，官网 openmontage.video。它和市面上大多数「AI 视频工具」的区别不在画质，而在工作对象的粒度：单点工具给你的是一条从 prompt 抽出来的片段，OpenMontage 给你的是一条从选题到成片的完整制片流水线——调研、提案、剧本、场景计划、素材、剪辑、合成，每一段都有明确的产物、审查标准和通过门。

README 里有一句很容易被滑过去但其实是全项目立场的话：多数「免费 AI 视频」栈的真实含义是「把几张静图动起来」；OpenMontage 也能这么做，但它同时支持另一条路——从 Archive.org、NASA、Wikimedia Commons 以及 Pexels、Unsplash、Pixabay 这些免费/开放源里建一个可被 CLIP 语义检索的真实素材库，检索出真正在动的镜头，按意图剪进时间线，渲成一支 finished video。仓库里那支《How Salt Made History》百秒纪录片就是这条路：真实历史 footage 加原创旁白加手工 motion graphics，没有一个付费视频模型。

没有编排器：你的 coding agent 就是编排器

OpenMontage 的架构选择相当激进：代码里没有 orchestrator。Claude Code、Cursor、Copilot、Windsurf、Codex 这类 AI 编程助手本身就是编排器，Python 只负责提供工具与持久化。所有创意决策、编排逻辑、审查标准与质量线，都写在人可以读、可以改的文件里：YAML 流水线清单声明阶段、可用工具、审查标准与成功门；Markdown 的 stage director skill 教 agent 每个阶段具体怎么做；JSON checkpoint 让生产中断后可以续跑，并带着决策日志与成本快照。

flowchart TB
    U["你的一句话 brief"] --> R["research
15-25+ 次联网检索
YouTube / Reddit / HN / 新闻 / 学术"]
    R --> P["proposal
选流水线 · 锁 render_runtime
成本估算 · 风格 playbook"]
    P --> G1{"创意门：你批准吗"}
    G1 -- 否 --> P
    G1 -- 是 --> S["script
剧本 + 旁白与声音指导"]
    S --> SP["scene_plan
场景卡 · 镜头意图 · 时长"]
    SP --> A["assets
七维打分选供应商生成素材"]
    A --> G2{"故事板门：逐场景 contact sheet
takes / prompts / 单价 / 质量分"}
    G2 -- 否 --> A
    G2 -- 是 --> E["edit
检索排序 · 剪辑意图 · 字幕时间轴"]
    E --> C["compose
Remotion / HyperFrames / FFmpeg"]
    C --> V{"pre-compose 验证 + 渲染后自审
ffprobe · 四点位抽帧 · 音频电平
交付承诺 · 字幕在场"}
    V -- 不过 --> E
    V -- 通过 --> F["final.mp4 + 决策审计日志"]

这张图里有两个容易被忽略的工程细节。其一是 render_runtime 在 proposal 阶段就被锁定：Remotion 承接数据驱动的讲解片与既有 React 场景栈，HyperFrames 承接以 HTML + GSAP 表达更自然的 motion graphics（包括 character-animation 流水线的 SVG/GSAP 骨骼输出），FFmpeg 兜底编码与合成；中途静默换渲染器在这个体系里被定义为治理违规，而不是「优化」。其二是每一次供应商选择、风格决定与回退，都要写进可审计的决策轨迹：考虑过哪些备选、置信度多少、为什么选它，跨阶段累积，事后可回放。

三层知识：工具知道「有什么」，技能知道「怎么用」，知识包知道「为什么」

仓库把 agent 需要的知识切成三层。第一层是 tools/ 与 pipeline_defs/：一百多个注册工具（视频生成、图像、TTS、音乐、混音、字幕、增强、分析、avatar/唇形同步）加上 YAML 流水线清单，回答「有什么可用」。第二层是 skills/：流水线导演技能、创意技法、质量清单与 reviewer/checkpoint 协议，回答「OpenMontage 希望它被怎么用」。第三层是 .agents/skills/：外部技术的深度知识包，回答「底层技术本身怎么工作」。每个工具会声明自己依赖哪些第三层技能，agent 读到某个工具时按需下钻，而不是把七百多个技能与知识文件一次性塞进上下文。

配套还有二十多个 JSON Schema 做合同校验（make test-contracts 不需要任何 API key 就能跑），三套视觉风格 playbook（Clean Professional、Flat Motion Graphics、Minimalist Diagram），以及仓库根目录的 CLAUDE.md、CURSOR.md、COPILOT.md、CODEX.md、.windsurfrules——它们全部指向同一对入口：AGENT_GUIDE.md 与 PROJECT_CONTEXT.md。这套「给 agent 读的文档」本身，就是项目最重要的产物之一。

一百多个工具、六十多家供应商，和一个打七维分的选择器

视频生成侧覆盖 Kling（fal.ai 与官方直连）、Veo 3.1、Runway Gen-4、Seedance、MiniMax、Hunyuan、WAN、CogVideo、LTX-Video 等二十多家，含本地 GPU 档；图像侧有 FLUX、Imagen、GPT Image、Seedream、Recraft、本地 Stable Diffusion 与 ManimCE；语音侧有 ElevenLabs、Google TTS（七百多个声音）、OpenAI TTS、Azure 与完全离线的 Piper。选择哪一个，不由 prompt 里的形容词决定，而由一个七维打分选择器决定：

维度	权重	在问什么
task fit	30	这个供应商能不能做这类镜头/这类声音
output quality	20	实测质量与风格匹配度
control	15	可控参数够不够（首尾帧、参考图、种子）
reliability	15	失败率与重试行为
cost efficiency	10	单位产出成本
latency	5	出活速度
continuity	5	与本片已用素材的一致性

打分写成一行就是 score(p) = Σᵢ w · norm(p) / Σᵢ wᵢ，其中 normᵢ 把各维观测值归一到可比区间；选择器还会先把松散的 brief 归一化，再把胜出供应商的 agent_skills 暴露给 agent。决策与备选一起进审计日志，所以「为什么这条镜头用了 Kling 而不是 Veo」在事后是有答案的。

零 key 也能出真视频，成本写在明面上

能力	零 key 工具	说明
旁白	Piper TTS	完全离线免费的文本转语音
开放 footage	Archive.org + NASA + Wikimedia Commons	档案 footage、教育媒体、纪录片质感
补充素材	Pexels + Unsplash + Pixabay	开发者 key 免费申请
合成（React）	Remotion	弹簧动画场景、数据卡、图表、逐词字幕、TalkingHead
合成（HTML/GSAP）	HyperFrames	kinetic typography、产品 promo、rigged SVG 角色
后期	FFmpeg	编码、字幕烧录、混音、调色

README 给出的成本样本是这套治理的直接证据：六支 Kling v3 镜头加 Chirp3-HD 旁白加免版税钢琴配乐的 60 秒动画短片《THE LAST BANANA》，总成本 1.33 美元；五支生成场景加定制 HyperFrames 合成的 50 秒竖片《Reimagine Your Universe》约 4 美元；七世界混剪《Imagine the Possibilities》约 5 美元。想要真 footage 路径，就在 prompt 里明说 documentary montage、tone poem 或 stock-footage collage，并写「use real footage only」。

Backlot：把生产过程摊在一面看得见的墙上

聊天窗口只能告诉你 agent 说了什么，Backlot 告诉你生产正在做什么：阶段灯亮起、剧本以 screenplay 页面落地、场景卡在素材生成时闪烁、每一笔供应商决策与花费上墙。更重要的是故事板现在是一个真正的审批门：素材生成会在逐场景 contact sheet 前停下，sheet 上有 takes、prompts、单资产成本与质量分，你在渲染之前批准视觉，而不是在钱花完之后后悔。

质量门与预算治理：不让 agent 把垃圾和账单一起递给你

渲染前有 pre-compose 验证：交付承诺（delivery promise）核对、幻灯片风险六维评估、渲染器治理检查，先把「看起来像 PPT 轮播」的计划挡在 GPU 时间之前。渲染后是强制自审：ffprobe 校验容器与流、四个点位抽帧目检、音频电平分析、交付承诺复核、字幕在场检查，任何一项不过就不允许把成片递给你。

钱这条线同样是被建模的，而不是靠自觉。预算三段式是 estimate → reserve → reconcile：提案期估出 estimate = Σ 阶段 Σ 动作 单价(供应商, 动作) × 次数，执行期按 reserve = estimate × (1 + contingency) 预留，收尾期对账 actual ≤ reserve 才允许结案；治理模式有 observe、warn、cap 三档，单动作超过默认 0.50 美元要逐笔批准，全片默认上限 10 美元。超支不是报错文案，而是流程上的门。

十一条流水线，八种平台出口

流水线	产出	最适合
Animated Explainer	调研+旁白+视觉+配乐的讲解片	教育内容、教程
Animation	motion graphics、kinetic typography	社媒、产品演示
Avatar Spokesperson	avatar 主播视频	企业内宣、培训
Cinematic	预告片、teaser、情绪剪辑	品牌片
Clip Factory	长视频切一批排序后的短clip	长内容复用
Documentary Montage	CLIP 索引免费素材库剪出的真 footage 片	video essay、 mood piece
Hybrid	源 footage + AI 补充视觉	给已有素材加图形
Localization & Dub	字幕、配音、翻译	多语言分发
Podcast Repurpose	播客高光转视频	audiogram
Screen Demo	精致的屏幕录制 walkthrough	产品文档
Talking Head	以 footage 为主的说话人视频	vlog、访谈

出口侧预置八种平台 profile：YouTube 1080p/4K/Shorts、Reels、Feed、TikTok、LinkedIn 与 21:9 电影感。参考驱动创作也在这里闭环：贴一支你喜欢的 YouTube/Short/Reel/TikTok 或本地片段，agent 分析转录、节奏、场景、关键帧与风格，回给你两到三个有差异的概念、一条诚实的工具路径、目标时长下的成本估计，以及在全量生产之前先出一段 sample。

边界：它不是 SaaS，也不假装是

跑起来需要一个 AI 编程助手、Python 3.10+、FFmpeg 与 Node 18+；make setup 之后一切从一句话 brief 开始。有 GPU 的话 make install-gpu 可以解锁 WAN 2.1/2.2、Hunyuan、CogVideo、LTX 等本地免费视频生成；Ollama 与 LM Studio 的支持标注为 coming soon。许可证是 AGPL-3.0，把它包进闭源服务之前需要先想清楚传染范围。社区在 GitHub Discussions，YouTube 频道 @OpenMontage 每支视频都附完整 prompt、流水线、工具与成本，可以直接复现。对一个想把「AI 做视频」从抽卡变成工程的项目来说，这套把决策、成本与质量全部落到可审计文件里的做法，比任何单点画质都更值得抄。