Tag: ctx) # 每个场景自己画自己

引言 用大模型做视频，大多数人想到的是”生成”：文生视频、图生视频、数字人口播。这条路的问题在于，产出的每一帧都由模型”想象”出来，因此不可控、不可复现，也承载不了真实信息——产品界面上的按钮、报表里的数字、游戏里的操作，它都没法准确画出来。 另一条路几乎没人讨论，但工程上更实在：让 Agent 写一套程序，把”已经存在的事实”搬进一条时间线。画面来自真实运行的软件（浏览器的渲染帧、录屏文件），或者由代码逐帧绘制；时间轴由数据描述；最后由 ffmpeg 合成。模型在这里不像素，它做的是编排：写采集脚本、写时间轴、写合成命令、看渲染结果、改参数重跑。 本文讨论的就是这条路的完整技术栈：一个只有单一工具入口的 coding agent（DeepSeek Harness 驱动 DeepSeek-V4.1-Flash，1M 上下文、可开子代理、可起后台任务），如何从一句话需求走到一支可交付的成片；它在哪些环节必然翻车；什么样的题材适合交给它；以及一次成片的真实成本。 目录 1. 为什么这条路现在成立：四个基础设施条件 1.1 统一工具面：一个 run_code，把整个操作系统收进沙箱…