AI端侧应用、氛围编程

开源视频编辑器Velorn：让agent剪片先预览后执行

#AI智能体Agent #AI端侧 #AI视频 #GitHub工具库推荐
6K

Velorn 是一个开源的 AI 原生视频工作站，定位为“AI 视频编辑器”，专为使用 ComfyUI 的创作者设计。它将项目规划、素材生成、资产管理、时间线编辑、字幕、特效和导出整合到一个基于项目的桌面应用中。

核心理念

Velorn 的口号是“一个提示词，AI 智能体生成素材、搭建时间线、混音——通过 MCP 实时完成”。它并不是要取代 ComfyUI，而是作为 ComfyUI 之上的“生产层”：在 Velorn 中规划工作、向 ComfyUI 发送生成任务、收集输出结果，最后完成剪辑。

技术核心

Velorn 用 Electron、React、Zustand 管理项目和时间线状态，用 FFmpeg 处理和导出媒体，用本地 Whisper 转录，用 ComfyUI 的 API 生成内容，用本地 MCP 服务器提供结构化的编辑操作。

主要功能

  • 生成（Generate）：支持运行内置的本地工作流、云端/合作伙伴工作流，以及用户自定义的 ComfyUI 工作流。涵盖本地图像、视频、音频生成，以及 Nano Banana 2、GPT Image 2、Seedance、Kling 等云端工作流。
  • 时间线编辑：提供完整的多轨道视频/音频时间线，支持剪辑、转场、特效、字幕、代理/缓存工具和导出。
  • 项目化管理：生成的素材、提示词、工作流输出和时间线都在项目内统一组织。
  • Velorn Bridge 支持：兼容的 ComfyUI 工作流可以直接从 ComfyUI 发送回 Velorn 的对应面板。
  • 工作流管理：提供工作流设置检查（缺失节点、模型、凭证等），以及内置/收藏/模板工作流浏览器。

适用场景

  • 根据歌词、节奏、角色、关键帧等制作音乐视频
  • 制作 UGC 风格的创作者广告和小型企业广告
  • 在一个生成工作区中运行精选的本地和云端图像/视频工作流
  • 在应用内运行自定义的 ComfyUI 图像、视频、关键帧和音乐视频工作流

 给 AI agent 一把剪刀，它剪出来的东西你敢直接导出吗？

四百多个 GitHub 星标，一个独立视觉特效艺术家用 Electron 堆出来的桌面视频工作站，宣称能让 Claude Code 和 Codex 这类编程 agent 直接操作视频时间线。听起来像是视频剪辑的终极自动化——告诉 AI“做个酷炫的动态图形视频”，然后喝杯咖啡回来收工。

但事情没那么简单。

一个让视频剪辑师后背发凉的问题

视频时间线不是代码仓库。

代码改错了可以看 diff，可以回滚提交。视频工程的代价分散在时间线、磁盘文件、GPU 队列和外部服务额度里。一句“把节奏慢的镜头删掉并导出竖版”，AI agent 可能把“慢”理解成错误的片段，可能忽略一个被禁用但仍需保留的镜头，可能因为删除片段而搞乱整个转场和音频同步。调用生成工作流还依赖本地 ComfyUI、模型和节点，消耗显卡时间或云端额度。导出、导入媒体、创建项目与生成资产会写入文件，并不都进入普通的撤销栈。

这就怪了。

一个宣称“让 agent 控制编辑器”的项目，首先面对的拷问是：agent 控制编辑器，到底是解放生产力，还是制造灾难的捷径？

Velorn 的答案：给 agent 一把带锁的剪刀

Velorn 的做法不是在时间线旁边塞一个聊天机器人。它在桌面应用内部跑了一个本地 HTTP MCP 服务，暴露超过一百个工具。

关键不在于“能做什么”，而在于“怎么做的”。

MCP 服务限定在 127.0.0.1:19790。这不是云 API，不是可以暴露到局域网或公网的东西。只要桌面应用运行，本机能连接此端口的进程就能请求 MCP。这个默认边界本身就传递了一个信号：agent 的权限被物理性地锁在了本地。

连接命令长这样：

plaintext
codex mcp add velorn --url http://127.0.0.1:19790/mcp
claude mcp add --transport http velorn http://127.0.0.1:19790/mcp

连接成功不代表 agent 已经“看懂”工程。Velorn 的文档推荐的首轮指令是：调用 get_mcp_recipes、get_project 和 get_timeline，只总结当前项目、活跃时间线、可用审查步骤和风险，不进行任何修改。

先确认三件事：当前是否真的打开了目标项目、时间线快照是否可用、后续工具是否需要项目上下文。

这套逻辑的核心是什么？

先预览，后执行——反直觉的 agent 设计

Velorn 给高成本、不可轻易回滚的视频操作加上了可检查的阶段边界。

这不是让 agent“直接剪片”，而是让 agent“先读项目、返回修改预览、经人工批准再执行”。生成和导出另作确认。

开发者 Jaime 做了一个演示：用 Codex，几乎没给任何创作指导，只说“你现在在 YouTube 上直播，用 Velorn 做一个超酷的动态图形视频。随便做点什么就行”。视频长约三分半钟，快进了 agent 思考的部分，但交互和最终结果都展示了出来。

agent 确实做了东西出来。

但这里藏着一个更大的问题。

生成不是编辑，编辑才是真正的生产层

Velorn 的定位非常清晰：它不是 ComfyUI 的替代品。它是 ComfyUI 之上的生产层——规划工作、发送任务给 ComfyUI、收集输出、完成剪辑。

AI 生成的素材只是原材料。真正的创作在于后续环节：素材选择、时间轴调整、声音处理、节奏把控、特效制作、字幕添加、叙事结构构建。

编辑、添加字幕、MCP、项目管理或导出都不需要 ComfyUI。Velorn 目前的所有生成操作都通过同一台机器上本地运行的 ComfyUI 实例完成。对于本地模型，工作由自己的 GPU 完成，Velorn 不收取积分。部分 ComfyUI 工作流还可以使用付费的合作伙伴节点或 API 服务，需要 Comfy.org 的凭证和积分，但工作流仍然通过用户本地的 ComfyUI 提交。

Velorn 目前没有独立的云端生成后端。

这意味着什么？

下载 Velorn 可以把它当作 MCP 编辑器使用，无需配置 ComfyUI。只有在使用生成功能时才需要 ComfyUI。

这个架构选择把“编辑”和“生成”拆成了两层。编辑层是稳定的、本地的、不需要额外算力的。生成层是可选的、依赖外部服务的、消耗资源的。

但问题是——如果 agent 只能做结构化的编辑操作（检查项目、查看媒体和帧、提出并执行编辑建议、处理字幕和特效、整理素材、准备导出和生成任务），那它本质上还是一个高级的宏命令执行器。

技术栈揭示的真相

Velorn 用 Electron、React、Zustand 管理项目和时间线状态，用 FFmpeg 处理和导出媒体，用本地 Whisper 转录，用 ComfyUI 的 API 生成内容，用本地 MCP 服务器提供结构化的编辑操作。

选择 Electron 是因为它提供了一个跨平台的编辑器实现，同时允许与文件系统、FFmpeg、本地进程、ComfyUI 和 MCP 集成。

这套技术栈透露了一个事实：Velorn 本质上是一个包装得极其精致的 Electron 应用，把一堆开源工具（FFmpeg、Whisper、ComfyUI）和一套 MCP 协议粘在一起。它的创新不在底层技术，而在“把生成和编辑放进同一个项目-based 应用”这个产品决策上。

但“放进同一个应用”和“让 agent 真正理解视频创作”是两码事。

四百颗星背后的未解之谜

Velorn 目前获得了四百多个 GitHub 星标。作为一个独立开发者项目，这个数字不算小。

但星标不等于实际使用。开发者本人也承认，特别想听听实际编辑视频或正在尝试使用智能 agent 的人的意见。

Velorn 是免费开源的。任何人都可以下载、试用、反馈。

但有一个细节值得注意：在演示中，开发者让 Codex“随便做点什么”。agent 确实做出了东西，但“做出来”和“做得好”之间隔着整个视频创作的鸿沟。agent 能识别哪些镜头该保留、哪些该删掉吗？agent 能判断节奏快慢、情绪高低、叙事连贯性吗？agent 能理解“这个转场太生硬”这种主观评价吗？

答案大概率是否定的。

Velorn 给 agent 提供的是“操作编辑器”的能力，不是“理解视频”的能力。一百多个 MCP 工具可以让 agent 精确地移动片段、添加特效、调整音量。但工具再多，也不等于 agent 知道什么时候该用哪个工具、为什么用、用了之后会产生什么艺术效果。

这就回到了开头那个问题：给 AI agent 一把剪刀，它剪出来的东西你敢直接导出吗？

Velorn 的“先预览、后执行”机制是一种妥协——承认 agent 可能犯错，所以让人类在关键节点踩一脚刹车。但这种妥协本身也说明了一个事实：至少在目前，agent 是副驾驶，不是驾驶员。

Velorn 的 MCP 服务暴露了超过一百个工具，但每个工具调用之前，都需要人类确认项目状态、时间线快照是否可用。这种“人机协同”的模式确实比“让 agent 全权接管”更安全，但它也意味着效率的提升是有上限的——人类的审批速度就是瓶颈。

四百颗星背后的真实问题是：当 agent 可以执行一千个精确的编辑指令时，谁来告诉 agent 这一千个指令应该是什么？

Velorn 把生成和编辑塞进了同一个界面，但它没有解决“agent 不懂创作”这个根本矛盾。它只是让“不懂创作”的代价变得更低——预览之后再执行，错了可以不改。

但预览本身需要人类去看。看完了还要判断。判断完了还要决定批准还是拒绝。

这跟直接手动剪辑相比，到底省了多少时间？

Velorn 的官方文档没有给出答案。开发者的演示视频也没有对比手动剪辑和 agent 辅助剪辑的效率差异。四百多个星标的人里面，有多少人真的用 Velorn 完成过一个完整的视频项目？

不知道。

Velorn 是一个有趣的项目，它把“AI agent 控制视频编辑器”从一个抽象概念变成了一个可以下载、安装、运行的桌面应用。但它也把一个问题赤裸裸地摆在了桌面上：当 agent 的操作权限被精确地定义、限制、审查之后，它到底还是不是“智能”agent？

或者换个问法：一个需要人类在每一步都盯着看的 agent，跟一个高级的键盘宏有什么区别？

Velorn 的存在本身就是一个实验——实验的结论还没有出来。四百颗星只是实验的开始，不是答案。

后记

项目作者自爆有20年以上视觉特效经验：

为了观察更长的 MCP 交互过程而不快进智能体的思考过程，我还录制了两个未剪辑的示例：

https://www.youtube.com/watch?v=_r4jf7ZDT2o

https://www.youtube.com/watch?v=AT9usQS3m48

这是我和 Velorn 仅用两天时间制作的音乐视频，已经引起了一些关注：

https://www.youtube.com/watch?v=iX-YdjVMDhg