AI视频生成流程 · Harness工程实践

技术教程 · 手把手实战

一篇文章
生成生动知识讲解视频

全面拆解「文章 → 视频」流程，深度解析 Harness 工程实践。不使用视频生成模型，不用 Notebook LM，核心是一个网页，以及一套驾驭 AI 的 skill 协议。

章节拆分

100+

细粒度步骤

生产阶段

人工检查点

◈ 核心结论

                可控性 是网页方案的最大优势。字体、配色、停留时长、关键数字精确呈现，改几行代码即可完成，完全规避视频模型「抽卡」式的不确定性。
            

用视频生成模型：不可控，成本高，难以精确到每一帧。

Notebook LM：只能生成静态图，无法制作动画演示效果。

Remotion 框架：过度限制 AI 发挥，不如让模型直接写代码更自由。

「模型有能力，但需要一套机制去驾驭过程 —— 这就是 Harness 的价值。」

核心四步：从文章到生动演示

文章 → 口语化口播稿

把书面化表达改为短句、口语化、第二人称。像聊天一样自然，而非朗读文章。

口播稿 → 开发大纳

每段话对应一个画面步骤，几步组成章节。每个章节聚焦一个话题，作为稳定开发的地图。

每一步做视觉演示

不是简单把文字放上去，而是用动态效果把抽象概念具体演示出来。

关键步骤随口播节奏

视觉演示严格跟随口播稿节奏，画面与声音自然匹配。

Harness 工程：六大核心模块

执行编排四阶段 + 2个人工节点

让模型知道下一步做什么，关键节点强制暂停确认

上下文管理分文档分阶段读取

每份文档只读该读的，避免注意力被稀释

状态与记忆开发计划作为唯一记忆

把关键决定固化到文件中，跨步骤保持稳定一致

工具系统文件读写 + 物理隔离

每章节独立文件夹 + CSS前缀隔离，支持并行开发不冲突

约束与恢复最小切片修复原则

出问题时定位到层，只改最小区块，不重做整章

评估与观测硬性自检规则

自检→修复→再汇报，不允许主观目测放行

                    关键洞察： Harness 不一定是工业级系统，用 skill 约束 agent 把垂直工作做好，同样是在做 Harness。
                

完整五阶段流程

① 内容编写产出两样东西

同时产出「口播稿」和「开发计划」。口播稿决定节奏和信息方式，开发计划决定每章步骤、画面内容。

⏸ 第一个人工检查点

确认稿子和计划是否要改、选用哪个视觉主题、素材如何准备、开发模式选择「按顺序」还是「并行」。

② 章节开发按顺序或并行

第一章完成必须人工验收，作为后续章节基准。之后可按顺序开发或开多个子 agent 并行，每章完成后逐项对照检查清单自检。

③ 音频合成可选

从口播稿对照页面步骤提取音频清单，调用 MiniMax CLI 批量合成音频，支持断点续传，报错自动重试。

④ 录制视频浏览器录屏

打开网页，开启音频自动播放，直接录屏。音频和画面天然对齐，即可产出成品视频。

推荐工具链

Claude Code

核心执行 agent

命令行 AI 编程工具，负责整个流程的执行与多 agent 调度。

MiniMax

推理 + 多模态能力

提供稳定推理。M2.7 模型适配 Claude Code，自带每天 9000 字语音合成额度，覆盖图片/语音/视频多模态。

CC Switch

模型切换工具

桌面端配置工具，让 Claude Code 无缝切换至 MiniMax 模型。

Tmax

多终端管理器

开源终端管理器，多 agent 并行时，可视化每个 process 的运行状态。

提示： 国内使用 Claude Code 可搭配 MiniMax 模型。开发者需自备 API Key，确保环境变量配置正确。

三种开发模式

📋

模式一：逐章确认

每一章开发完成即暂停，人工验收无问题后继续下一章。适合追求精细控制。

⚡

模式二：首章确认 + 顺序开发

第一张验收通过后，后续章节按顺序自动完成，无需逐章确认。

🚀

模式三：首章确认 + 并行开发

第一张验收通过后，剩余章节用多 agent 并行开发，大幅提升速度。

                    建议：并行 Agent 数量最多同时跑 3 个，每个负责若干章节。必须选能力较强的模型，否则 Agent 调度容易出错。
                

三种视频录制模式

🎤

手动模式

默认模式，不播放音频。可自由切换任意步骤，用麦克风录制自己的声音讲解。

🔊

音频播放模式

URL 增加 audio=1 参数，自动进入音频播放模式。每步自动播放对应音频，手动切换步骤。

▶️

自动播放模式

URL 增加 auto=1 参数，按空格键开始，页面按音频节奏自动播放画面。

实战演示：邮件发出后的 600 毫秒

以文章《一封邮件发出后的 600 毫秒》为例，完整走一遍流程。文章被拆为 13 个章节、100+ 步骤，总项目约 50+ 步，每一步都有对应视觉演示与音频讲解。

⚙️ 过程要点

原始文章 → 口语稿 script.md + 开发大纲 → 第一张验收 → 多 Agent 并行开发 → 音频合成 → 录屏产出。

💡 演示细节

使用 U 模式（dangerouslySkipPermissions）跳过工具调用确认，提升自动化效率。音频合成支持断点续传，已生成文件自动跳过。

「让写代码的 AI 自己来评价自己写的怎么样，
结果大概率是还不错。」
—— 所以必须设计硬性自检规则

行动建议

从一个小的 Demo 开始，搭配 MiniMax 模型跑通整条链路，先完成一个小项目。

把「开发计划」当作跨步骤记忆文件，每次开发强依赖它读回关键状态，而非相信模型的上下文。

遇到反馈，采用「最小切片修复」原则，定位到具体步骤与层级，不做整章重做。

用独立 Reviewer Agent 做质检，取代让开发者自评。没有 Agent Teams 时，用 Subagent 逐项检查。

并行开发时设置独立文件夹与 CSS 前缀隔离，用全局变量兜底视觉统一。

藏在视频背后的，是一套「工程系统」

这套 skill 的本质，是把复杂的内容生产任务拆成
有流程、有状态、有检查点、有自检、有恢复机制 的工程项目。

AI 负责生成，工具负责执行，而 Harness 确保每步稳定可靠、可预测、可恢复。

用「驾驭」的思路，才能让 AI 持续产出高质量结果。

skill 已开源

可访问 Garden Skills 仓库获取
「Web Video Presentation」Skill 试用。

一篇文章生成生动知识讲解视频

① 内容编写 产出两样东西

② 章节开发 按顺序或并行

③ 音频合成 可选