PConline 实测 LibTV Agent：收藏夹能清空，判断力还得留着 (2026)

原文信息

项目	内容
主文	PConline《测完这个 Agent，我觉得收藏夹里的视频教程可以清空了》
页面时间	2026 年 7 月 15 日
页面署名	页面显示「差评 XPIN」，页尾注明「本文来源：差评」
内容类型	AI 视频创作产品实测，带有推广属性的体验文章
核心测试	一句话 TVC、商品视频替换、科普视频改题、两分钟原视频复刻、恐怖短片修改、自建 Skill

触发信息将这篇文章归为 PConline 编辑纳西的 7 月 15 日实测，但当前可读页面显示的署名和来源如上。以下只按页面能核验到的内容分析，不把未显示的署名补进正文。1

PConline 页面还标注「由华为云驱动」。这不是产品功能证据，却提醒读者：文章既是实际体验，也承担产品推广任务。LibTV 官方产品页目前只能看到「专业视频创作工具」这一简短定位，无法从页面文本独立核对 Skill 数量、价格或模型清单。2

全文速读

这篇文章最有价值的地方，不是证明 LibTV Agent 能够「一句话出片」，而是把一条从输入到交付的路径完整走了一遍：用户上传一张火锅公仔图，输入「给这个公仔做一个 TVC 短片」，Agent 负责追问素材和偏好、生成分镜、组织画面与声音，最后交出带双语字幕的短片；随后作者又拿电商视频、科普视频和一条两分钟原视频做复刻与改题测试，最后用故事板、Node 视图和自建 Skill 处理更复杂的创作。

这条路径确实把入门门槛压低了。普通用户第一次可以不理解节点连线，也能从一个模糊想法走到一支能播放的短片。1

但文章中真正能支撑产品判断的，恰恰是那些不够顺滑的地方：五分钟做出的商品广告仍比不上人工拍摄；科普视频的文字有问题；两分钟复刻片出现台词顺序颠倒；七个同时生成的片段在色调和环境上发生漂移；最终成片经过了 6 版修改。作者的结论更接近「Agent 把第一轮生产和大部分重复劳动接过来」，而不是「人已经可以退出创作」。

所以「收藏夹可以清空」更像一个传播性很强的标题，文章正文给出的实际答案是：教程里那些关于软件操作、节点搭建和素材搬运的部分，确实正在被产品吞掉；创意、审美、叙事判断和知道该在哪个镜头下刀，仍然要由人来完成。

功能细节拆解

一句话入口，背后是一条工作流

作者先上传火锅公仔照片，再选择「韦斯安德森电影美学」相关 Skill，只输入一句「给这个公仔做一个 TVC 短片」。Agent 没有直接盲生成，而是连续询问人物图、场景和细节偏好，随后生成较完整的分镜表。文章称，系统为了还原色彩，调用 Midjourney 生成场景图，成片还带有双语字幕。1

这里的产品变化并非把提示词变得更长，而是把创作顺序藏进 Skill：先问什么，后生成什么，哪些素材需要用户确认，以及最后怎样把镜头、字幕和声音合在一起。用户看到的是一个对话入口，背后仍然是一套多步骤的制作流程。

从成品复刻到快速变体

第二组测试把一条电商带货视频上传，再替换成网红小蓝伞。Agent 重新处理剧情、人物图和分镜，作者称大约 5 分钟得到一支小广告，但也承认效果与人工拍摄还有差距。第三组测试则把「差评君」的视频换成新的科普主题，结果保住了视频边框，图表动效还能用，但文字出现问题。1

这两次测试说明，Agent 很适合做内容变体：有一个参考成品，再换产品、主题或表达方式，生产速度会比从空白开始更有优势。可它也把风险暴露得很直接。画面布局可以保留，不代表文字、信息顺序和品牌表达也会自动准确。对广告和科普内容来说，后者反而更容易造成返工。

两分钟视频仍要人工收尾

作者选择「爆款拉片 Skill」，把一条原视频改成原始人版本。Agent 会先分析原视频的关键帧，再生成场景和道具；故事板中，每个镜头卡片都带有时长、运镜和台词信息，用户可以直接改某个镜头，也可以引用片段让 Agent 重新剪辑合成。1

但这次测试出现了一个很典型的逻辑错误：为了少生成两个分镜，Agent 把两句台词的顺序搞反了。作者手动剪了一点，才展示出最终效果。这个细节很重要，因为它说明「理解视频」和「按正确叙事交付视频」之间还隔着一层编辑判断。能识别关键帧，不等于能理解台词的因果关系。

故事板和 Node 视图承担两种用户路径

恐怖片测试里，Agent 先把「误入后室、困在昏暗走廊」拆成一组镜头，但第一幕最后出现画风变化，作者认为问题部分来自自己给出的表达和分镜速写。于是他在故事板里逐镜头改提示词，再切换到 Node 视图查看底层连线。

这一设计同时照顾两类人：不熟悉工作流的用户可以在故事板里按镜头修改，熟悉节点的人仍能深入底层调整。作者后来发现，7 个片段同时生成时，不同场景的色调和环境会变化，只能手动逐个修改；整支片子改了 6 版，才得到「有头有尾」的版本。1

这也是全文最关键的产品证据。Agent 并没有消除修改，而是把修改从跨软件搬运，变成同一个项目里的局部编辑和重新合成。返工的成本可能下降了，返工本身并没有消失。

自建 Skill，把提示词变成可复用入口

文章最后测试了自建 Skill：作者把收藏夹里的角色板提示词改成指定格式，上传为自己的 Skill，再生成战锤主题的混沌四神角色板和古代中国战争场面。文中还称，相关视频的 BGM 和环境声也由 Agent 生成，并提到官方提供 1000 万激励金鼓励创作者上传 Skill。1

自建 Skill 的价值不在「把一句提示词存起来」，而在于把角色规则、画风约束、镜头顺序和输出格式一起固化。它可能让个人经验从一次性技巧变成可重复调用的工作单元。不过这次只展示了一个角色板和一组主题生成，没有证明 Skill 在跨人物、跨镜头或跨项目中的稳定复用能力。

目标用户场景

用户	文章展示的有效场景	仍需自己负责的部分
第一次做视频的普通用户	用一张图和一句话先做出 TVC 或短片，快速获得可播放的第一版	提供清楚的创意，筛选素材，判断成片是否能发布
电商和品牌内容团队	以既有带货视频为参考，替换商品并生成新的剧情、人物和分镜	产品卖点、品牌禁用词、字幕准确性和商业版权
自媒体创作者	沿用已有视频的版式或边框，尝试快速更换科普主题	核对文字、数据、口播逻辑，避免图表只是看起来像对的
有经验的 AIGC 创作者	用 Node 视图查看底层链路，把自己的提示词和方法沉淀为 Skill	设计规则、调参、镜头取舍，以及跨镜头一致性控制

PConline 这篇文章对小白用户最有说服力的地方，是作者自己承认「没学明白」却完成了第一支能发出去的片子。对专业用户而言，价值则更像是减少拉节点、导出、导入和重复合成，把时间留给镜头判断。1

竞品坐标

这篇实测没有对 Seedance、Runway 或其他视频产品做同条件测试，所以不能据此排出性能名次。它能确定的，是 LibTV Agent 试图占据的产品位置：把单段视频生成器、节点工作流、故事板和剪辑交付放进同一个项目空间，再用 Skill 预置一套创作顺序。

产品范式	用户主要得到什么	文章暴露的边界
单段生成入口	用提示词快速得到一个镜头或片段	仍要自己处理剧本、镜头衔接和后期交付
传统节点工作流	过程透明、控制细、方便逐节点调整	学习和搭建成本高，普通用户容易被复杂连线劝退
普通剪辑软件	时间线、拼接和声音处理更可控	不负责从创意到素材的前期生成与拆解
LibTV Agent	让 Agent 组织 Skill、模型、故事板和剪辑，入口更接近自然语言	台词顺序、文字准确度和跨片段一致性仍要人工检查

它的竞争点不只是「生成得更好」，而是把专业工作流折叠成普通用户能启动的项目。若模型能力继续趋同，Skill 的质量、素材组织方式、局部修改成本和成片交付体验，才会决定这种产品能否留住创作者。

行业影响

竞争从模型入口移到生产组织

PConline 的实测把一个常被忽略的环节摆到了台面上：视频生成模型负责产出镜头，真正耗时的部分还包括拆剧本、定人物、排分镜、处理声音、检查顺序和反复返工。LibTV Agent 的产品命题，是让 Agent 负责安排这些动作，并让用户在故事板或 Node 视图中接手需要判断的地方。1

这会让视频工具的竞争标准发生变化。过去用户比较的是画质、运动效果和模型风格，接下来还要比较：一个镜头改错后会不会牵连全片，已有素材能否被继续利用，经验能否被保存，最终成片是否真的能交付。

Skill Hub 让创作经验进入产品供给

Skill Hub 把专业团队的工作顺序包装成可调用的 Skill，自建 Skill 又允许个人把自己的角色板和提示词转成生产工具。对平台来说，这是一种比单纯堆模型更容易形成差异的供给方式；对创作者来说，收益取决于 Skill 是否真的减少了下一次制作的重复劳动。

同期东方财富可读文章从公司层面介绍了演语科技的近 3 亿美元 B+ 轮融资、超过 20 亿美元投后估值，以及 LiblibAI、星流和 LibTV 组成的产品矩阵；文章还转述公司披露的 ARR 和 LibTV 收入增长数据。3 这些数字能说明资本和商业化叙事的背景，却不能替代对单个 Skill 的稳定性、成本和留存进行验证。虎嗅对应链接当前返回「该内容找不到或已被删除」，因此不把搜索摘要当作独立证据。

待验证点

时间和成本：文章给出了「几分钟」和「5 分钟」等体验描述，却没有记录模型调用次数、等待时间、费用和人工时长。需要同一素材在不同 Skill 下重复测试，才能知道效率提升来自哪里。
跨镜头一致性：7 个片段出现色调和环境变化，说明多镜头连续性仍是硬问题。后续应测试只修改一个镜头时，人物、场景和声音是否会被连带破坏。
叙事与台词顺序：两句台词被调换，且系统给出的理由是少生成两个分镜。商业广告、科普和短剧都不能把这种错误交给人工事后兜底。
文字和字幕：TVC 测试中双语字幕可用，但科普视频文字「有点崩」。需要检查中文专名、数字、品牌信息和字幕时间轴，而不只看画面是否漂亮。
复刻与版权：文章使用了下载的电商视频、他人科普视频和战锤题材做演示，没有讨论来源授权、改编边界和商业发布风险。平台的素材处理规则和版权责任需要单独核对。
Skill 的真实复用率：一组角色板和一次主题生成不足以证明 Skill 好用。要看它能否在不同人物、镜头、画幅和项目中稳定工作，也要核对 1000 万激励金的官方规则、评审和结算方式。
公司数据与产品数据的关系：同期融资稿中的 ARR、收入倍数和产品矩阵是公司层面的商业叙事，不能直接推导出 LibTV Agent 的用户留存、毛利或付费转化。3

原文关键句

「从头到尾就只用了一句话提示词，剩下的全是 LibTV 的 Agent 自己干的。」1

这句话概括了产品的入口体验，却没有覆盖后面的人工判断。

「因为 Agent 为了省事，把这两句话的顺序搞反了，这样可以少两个分镜。」1

这是全文最值得保留的反例：自动化在节省生成量时，可能牺牲叙事顺序。

「一键生成解决的是有没有的问题，至于怎么变成作品，那还得咱动点手工。」1

这比「收藏夹可以清空」更接近实测结论。LibTV Agent 把从零到第一版的距离缩短了，也把修改放进了同一个工作台，但作品最后该保留哪个镜头，仍然是人的工作。

PConline 实测 LibTV Agent：收藏夹能清空，判断力还得留着