这是《残響》的下篇。上篇讲一个想法怎么长出来；这一篇讲把它做出来的过程，为什么一点都不 vibe。做片子用的是一个全流程的 AI 视频 agent——你给它想法或剧本，它负责写 prompt、调模型、剪辑、交付成片。下文统称它"视频 agent"。

#一、vibe 最浓的时刻，都不在视频工具里

先交代一个反直觉的事实：这个 vibe creating day，vibe 最浓的时刻都不在视频工具里。

剧本、概念、歌词——文字部分的创作从头到尾都很享受，跟 AI 把一个模糊的情绪掰开揉碎，看着它变成结构、变成分镜、变成一句能立住的字卡文案，这个过程是有心流的。真正到了视频生产环节，vibe 一点儿都不剩。

第一层原因和工具无关，和关系有关。vibe 的前提是"对方懂你"，而现在的创作者其实都已经有一个非常懂自己的 agent 了——对我来说是 Claude Code。我们之间有磨合好的协作流程、共享的项目记忆，所有没想清楚的事情，我的第一反应是找它聊。这时候再让我去跟另一个外部 agent 交心聊创作意图，就很不自在——不是它不够礼貌，是关系不对。更何况我大概知道它底层挂的是哪个模型，而我手边就有更强的那一个：从模型能力的角度，"创作思路"这种最重的活儿，我也一定会留给更好的那个脑子。

于是视频 agent 在我这里的定位，自然而然地滑向了外包：接单，交付，别聊天。跟它聊创作，像跟一个刚进组的外包聊了一下午心事——话都说了，vibe 没有。

这可能是所有垂直 agent 都要面对的尴尬：**创作层的对话已经被每个人的通用 agent 垄断了，垂直 agent 只剩执行层。**这对普通消费者可能并非如此，但起码对已经和某个通用 agent 处熟了的人来说，是这样的。

#二、vibe 的爽感，本质是反馈回路

vibe coding 的爽感来源其实非常具体——即时修改。写一个页面，看见一个错误，丢给 agent，不到一分钟修完出结果，爽感全部来自这一分钟。

视频生成呢？一条 15 秒的 clip 排队几分钟起步，一个段落的返工以十分钟计。回路一旦拉长到这个尺度，"修改"就不再是对话，是投递。

vibe 死在等待里。

而且这是在过程完全不可见的前提下等待。vibe coding 也有慢的时候——一个需求做二十分钟很正常——但它可控，因为过程可见：盯着 agent 在改哪个文件，就知道它的方向和我想的是不是一回事，不对可以随时打断。视频生产全程只有一句 "working on it..."。它不是逐帧修改，你发出一个需求，然后就是黑箱：agent 在干什么不知道，在改哪一段不知道，很多时候它嘴上说清楚了要改什么，交付回来还是错的版本。

举个真实的例子：一条月台的镜头，电车明明该从右往左驶出画面，生成到结尾，车轨悄悄转了九十度——它对此毫无察觉。

#三、恐惧的结构：不稳定源叠加

把上面两条放在一起，能看出体验差的结构性原因——你在同时面对多个不稳定源：

vibe coding 视频 agent 生产
agent 不稳定 不稳定
介质 代码：稳定 视频模型：不稳定
工具链 编译器：稳定 图像/音频模型：不稳定
过程 可见，可随时打断 黑箱，只有 working on it...
反馈周期 分钟级 十分钟级起步
局部修改 精确到行 不存在，整段陪葬

vibe coding 里，agent 是不稳定的，但代码是稳定的、编译器是稳定的——**不稳定被夹在两层稳定之间，所以敢放手。**视频 agent 的世界里，不稳定源层层叠加，每一次修改带来的不是爽感，是恐惧。

恐惧最具体的形态，是编辑困境：一次生成 15 秒，其中 10 秒我很满意，5 秒不行。摆在面前的两条路都是坑——让 agent 编辑，它理解不了我的编辑意图，正片里一群小学生跑步的那个镜头，我让它改了三四次，全都不对，这种不对已经懒得用语言形容为什么不对了；重新生成，那 10 秒好的部分要陪着一起死。

局部修改的成本高到荒谬，以至于很多时候，编辑一个 clip 不如把 prompt 脚本全盘重写、整段重新生成。放到软件世界里，这相当于每修一个 bug 都要重写整个项目。

#四、我想做实验，它想交付成品

这类产品的设计哲学很清晰：**用户提供 idea，agent 直接交付成品。**这个哲学对很多人可能成立，但我不喜欢这种协作方式——我喜欢在过程中探索：哪些方法 work，哪些不 work，为什么。

问题是，这里根本没法做实验。做实验的前提是控制变量，而黑箱、长等待、模型自身的随机性叠加在一起，让任何实验设计都无从谈起。同一个 prompt 连生成十次，我对这十个片段的打分能从 2 分波动到 7 分——同样的输入，产出质量却是一个宽得吓人的分布。你没法从中得出"这个 prompt 写得好不好"的结论，只能得出"这次运气好不好"。

**不稳定性本身，就不鼓励实验。**而不能做实验的地方，就没有方法论的积累，只有玄学。

#五、五种协作方式

为了绕开这些问题，我把能想到的协作模式几乎穷举了一遍：

  1. 放权版——只给 agent 剧本，prompt 和节奏全让它自己定；
  2. 脚本独裁版——让 Claude 写死完整的 prompt 脚本，每个分镜每条 clip 都写清楚，把视频 agent 当成纯粹的模型调用器，一次性生成后再也不管；
  3. 人工监工版——依然提供完整脚本，但人留在回路里，一轮一轮沟通编辑；
  4. 代理生产版——最重的一版：把风格锚点、角色设定、场景设定全部预先生成、确认、冻结，再让 Claude 直接调 API 和视频 agent 多轮对话对齐制作规范，我完全退出生产过程。

结论是平等的：没有一个版本的成片让我满意。差别只在于不满意的方式不同。

复盘的时候我意识到，其实还有第五种没试：我（主要是 Claude）来全权把握每一秒的设计——把 clip 切到 2-3 秒的碎片粒度，人工验收每一片，最后再拼接。没试的原因很诚实：一是没时间，而且我也没能力主导这种复杂度的项目；二是我压根不相信一个视频 agent 能管理几十上百个视频片段。这个不信任本身，就说明了问题。

但方向我是认的：想用心做一个视频，主导权最好在人手里。我的文字创作从来不是让 Claude 直接生成的——我会自己先写一份底稿，再交给它展开。同步到视频创作，我该交付的"底稿"应该是自己确认过视觉的参考图，甚至参考视频。有创作经验的人，参考图是自己画的。

我没这个能力。这不是工具的错，但工具也没帮上忙。

#六、复杂度错觉，与负反馈循环

还有一个更隐蔽的问题：我到现在都无法估计，这次的创作需求如果映射到 vibe coding，大概是什么规模的工程。

是一个周末项目，还是一个三个月的系统？我不知道。如果它本身就是后者，那这一天的狼狈完全合理——不是工具烂，是我拿着周末项目的心态，开了一个三个月的坑。初次接触 vibe coding 的人应该都犯过这个错：**高估自己的能力，低估需求的复杂度，最后复杂度爆炸。**区别在于，vibe coding 反馈快，爆炸发生在第一个小时，你马上知道该收缩范围；视频生产反馈慢，爆炸发生在你已经投入一整天之后。

更要命的是学习问题。vibe coding 给人的是一个正反馈循环：你在协作里真的会学到东西，而且这些知识能跟着你走进下一个项目——关键在于，**它们不是存在本地 memory 里的，是我这个人类走完流程之后，认知本身发生了变化。**下次开新项目，变强的不是工具，是我。

和视频 agent 的协作里，我没有这种感觉。也可能是需求太复杂，我很早就失去了学习的动力，剩下的情绪只有沮丧。做了那么多个版本，如果你问我这次 vibe creating 学到了什么，我的诚实回答是：不知道。对视频制作依然没什么头绪。

我没有任何视频创作经验，整个过程像个无头苍蝇。但没有经验这件事，在快反馈系统里根本不算问题——我也不是先学会软件工程才开始 vibe coding 的，是在一分钟一次的反馈里现学的。慢反馈加黑箱的系统里，**连学习本身都变慢了。**正反馈循环里，每一次迭代都让人更想继续；负反馈循环里，每一次迭代都在消耗继续的理由。

一整天下来，工具没能让我变成会拍视频的人，它只是让我反复确认了我不会。

#七、语言的边界，就是认知的边界

绕回第一篇里的那个问题：自然语言和视频之间的损耗太大了。每个镜头，我都不知道该怎么用自然语言把它"说"出来；拿到一个版本，我也不知道怎么用自然语言描述我想怎么改。

vibe coding 里其实有一模一样的问题，只是很少有人说破：**语言的边界就是认知的边界。**不知道什么是前后端分离，你的 vibe coding 项目就很难维护；不知道运镜和分镜的术语，你甚至无法清晰地表达自己的需求——"这里感觉不对"不是需求，"这里应该从跟拍切成固定机位"才是。而后一句话，需要的是一门我没学过的语言。

说到这里就得承认：这一天做的所有有效工作——视觉规范、分镜脚本、资产清单、验收标准——全都是在写规范。

**这从头到尾都不是 vibe creating，是 spec creating。**写规范不丢人，软件工程写了六十年规范。只是那就别叫 vibe 了。

#八、对面也不是母语者

写到这里，还有一层更深的错位值得说破。

对 coding agent 来说，代码是它的母语。它读过人类几十年攒下来的项目：架构、设计模式、命名习惯、踩过的坑——哪个设计对应哪个输出，这套映射在它的训练数据里被人类验证过千万遍。所以它写代码的时候知道自己在做什么：你可以说 LLM 只是概率拟合，但它拟合到的是人类共识，而且能用我听得懂的语言给我解释原理——为什么这里要拆两个服务，为什么这个查询会慢。更重要的是，它写下的每一行后面都站着编译器和测试：说错了，立刻被抓住。

那视频 agent 的母语是视频吗？并不是。它的母语依然是文字，外加一点"经验"。

它拟合的是一个生命周期不足三年的行业：没有行业规范，没有沉淀下来的"这样写 prompt 就会得到那样的画面"的映射知识。它确实能写 prompt——但那是照着人类专家写的指南拼出来的，像照着菜谱做菜的人，而不是尝得出咸淡的厨师。而且没有任何编译器替它兜底：prompt 写错了，不会报错，只有十分钟后一条不对劲的视频。

你问它：这条 prompt 具体会生成什么？第 3 秒那一帧长什么样？它答不上来。它能保证的只有一件事——"这段 prompt 的语言结构覆盖了你的需求描述"。覆盖了你的话，和对齐了你的画面，是两回事。

所以上一节说我不会说视频这门语言，其实只说了一半。完整的版本是：**桌子两边坐着的，是两个非母语者。**我不知道怎么把脑内的画面说成文字，它不知道它写下的文字会变成什么画面——我们中间隔着两层翻译，每一层都在漏。

vibe coding 之所以能 vibe，是因为对面至少坐着一个母语者。

#九、一张时刻表

这篇不算劝退，更像一张时刻表，而且表上有两班车。

一班是工具的：文字创作已经有了它的"编译器"——秒级反馈、过程可见、局部可改，所以 vibe 得起来。视频还没有。哪天一条 clip 能像一段代码一样，指着第 7 秒说"改这里"，其他部分纹丝不动，十秒钟后看到结果，这班车就到了。顺便，agent 也坐在这班车上——它得等这个行业攒出自己的"设计模式"和共识，才能从照菜谱的人，变成尝得出咸淡的厨师。

另一班是人的：哪天我能用运镜的语言说清楚"这里为什么不对"，而不是只会说"这里感觉不对"。

两班车都到站，vibe 才会搬过来。

在那之前，vibe creating day 的 vibe，属于文字。