又一个教学神器！输入“量子力学”，它直接给你生成动画视频
反向知识树+六个AI代理：Math-To-Manim如何自动生成数学动画
Math-To-Manim通过反向知识树和六个AI代理，将自然语言自动转换为Manim动画代码，适用于数学、物理等复杂概念的可视化教学。
你提问，AI做动画：这个开源工具把数学概念变成Manim视频
你只需要用日常语言问一个数学或者物理问题，这个项目就能自动生成一个讲解动画。它叫Math-To-Manim，是一个开源工具。你输入类似“解释一下霍普夫纤维化”这样的话，它最终会给你知识树、数学公式、动画设计方案、完整的Manim代码，甚至还带讲解脚本。整条流水线基本不用你手工参与，由AI完成从知识分析到渲染成片的全部工作。
这个工具的工作方式很像一个自动化课程制作团队。它不会只从提示词直接跳到代码。它会先理解你要讲什么概念，拆出这个概念的依赖知识，然后设计每个知识点的动画画面，最后才生成可以运行的Manim脚本。比如说，你想讲“量子电动力学”，你不用自己去画粒子碰撞的三维动画，也不用学Manim的复杂语法，只需要把这个概念抛给系统，它就会一步步还给你一个完整的视频方案。
如果你平时要做教学视频、科普动画，或者你是UP主、物理老师、教材作者，这个项目可能帮你把制作周期从几天压缩到几小时。它把知识拆解、课程设计、动画规划、代码生成四个环节串成了一条流水线。
传统做法往往卡在动画设计这一步
很多人在做Manim动画时卡在两个地方。数学老师脑子里有完整的概念体系，但不会写动画代码。程序员会写代码，但碰到量子场论里的方程和空间结构，设计不出合适的视觉表现。
传统Manim工作流的典型过程如下：
text
理解概念
↓
设计动画
↓
写Manim代码
↓
调试
↓
渲染
↓
继续调试
第二步和第三步消耗的时间最长。Math-To-Manim想做的就是直接跳过这些重复劳动。你只需要说出你想解释的概念，系统会分析知识结构，规划动画流程，生成代码，最后渲染出视频。你不用成为Manim专家，也不用精通数学动画设计，就能得到一个至少可用的讲解动画。
反向知识树是它的核心设计
作者最强调的功能不是代码生成，而是一个叫反向知识树的机制。普通AI回答问题时会直接给你解释。比如你问“宇宙学是什么”，它就告诉你宇宙学研究的对象。但Math-To-Manim会先反问自己：“在理解宇宙学之前，必须先理解什么？”
这个反问会递归下去。理解宇宙学需要先理解广义相对论，理解广义相对论需要先理解时空弯曲，理解时空弯曲需要先理解引力，理解引力又需要先理解质量和运动。系统会沿着这条链一直往下挖，直到找到最基础的知识点，比如牛顿力学里的力和运动。
然后它再反向构建动画的叙事路线。先讲最基础的知识点，再一层层往上搭，最后才讲到宇宙学。这就像拆乐高：你先把一座完整的城堡拆成一块块基础砖，然后按照从底层到上层的顺序重新搭回去。这样做的好处是动画的每个镜头都有扎实的知识基础，观众不会因为突然跳到一个陌生概念而发懵。
六个AI代理组成一条流水线
整个项目目前采用多Agent架构，六个AI代理依次完成不同环节的工作。
第一个代理是概念分析员，它负责理解你到底在问什么。比如你输入“解释量子场论”，它会识别出领域是物理，难度是高级，需要可视化。后面五个代理会根据这些判断选择不同的处理策略。
第二个代理是前置知识探索员，这是最核心的模块。它会不断追问“理解X之前需要知道什么”，然后建立一张依赖图。你要理解麦克斯韦方程组，它会告诉你必须先懂电场、磁场和微积分，缺一个都搭不起来。
第三个代理是数学增强员，它的工作是往知识树里插入真实公式。下面是一些典型的插入内容：
latex
E = mc^2
latex
F = ma
latex
\nabla \cdot E = \rho/\epsilon_0
这些公式不是装饰性的伪数学，而是可以直接用于学术讲解的真实表达式。
第四个代理是视觉设计师，它负责思考每个概念应该长成什么样子。时空弯曲怎么表现，粒子碰撞用什么颜色和轨迹，神经网络里的数据流动用哪种箭头，都在这个环节确定。
第五个代理是叙事编剧，它把知识树变成一个有开头、发展、高潮和结尾的故事。它决定先讲什么、后讲什么、怎么转场、哪里需要强调。最终它会生成一份两千多个token的详细脚本，相当于动画的完整剧本。
第六个代理是代码生成员，它把前面五个代理的所有规划翻译成以“from manim import *”开头的Manim代码。只要这段代码能通过渲染，你就能得到一个完整的数学动画视频。
支持多个大模型自由切换
作者没有把项目绑定在某个特定的AI模型上。仓库里同时支持多个模型，包括Anthropic Claude Sonnet、Moonshot AI Kimi K2、Google Gemini、DeepSeek DeepSeek、Alibaba Qwen和Mistral AI Mistral。
最近新增的两条完整工作流分别是Gemini 3 Agent Pipeline和Kimi K2 Pipeline。你可以根据自己的需求选择用哪个模型。如果更看重代码生成质量，可以选Claude Sonnet。如果更在乎运行成本，可以选Qwen或者DeepSeek。这种多模型支持让项目不容易被单一技术路线卡住。
仓库里的动画题材已经超过五十个
目前Math-To-Manim的示例题材覆盖范围非常宽。从高中三角函数到博士级别的理论物理，基本都能找到对应案例。
具体覆盖的领域包括量子力学、量子电动力学、量子场论、引力波、宇宙学、分形、最优传输、信息几何、Transformer架构、卷积神经网络、强化学习，以及金融数学里的Black-Scholes模型。每个示例都不是简单的演示代码，而是包含完整的知识树、公式、动画方案和可运行的Manim脚本。
如果你想做某个特定领域的科普视频，可以直接拿这些示例当起点，修改提示词就能生成自己的版本。
它和普通AI生成Manim有什么不同
最近两年出现了不少类似的AI生成Manim项目，比如论文里的《Manimator》和《LLM2Manim》。大多数项目走的是直接路线：你给一段提示词，AI直接输出Manim代码。
Math-To-Manim走的是一条更长的路线。它不会直接从提示词跳到代码。它的完整流程是：先从提示词构建知识树，再分析依赖关系，再增强数学内容，再设计视觉方案，再编排叙事结构，最后才生成代码。所以它更像一个AI课程制作系统，而不只是一个AI代码生成器。
普通AI生成的动画可能画面很漂亮，但知识逻辑可能是乱的。因为有了反向知识树和多代理流水线，Math-To-Manim生成的动画既有数学深度，又有清晰的叙事逻辑，更适合用在真实的教学场景里。
适合哪些人使用
如果你是一个数学UP主，想每周更新高质量的知识动画，这个工具可能帮你把制作周期从几天缩短到几小时。如果你是一个物理老师，想把抽象的场论和相对论讲清楚，它能自动生成你需要的三维动画。如果你是一个科普作者，想用视频解释复杂概念但自己不会写代码，这个项目就是为你准备的。
AI研究员可以用它来测试知识表示和推理能力。教材作者可以用它快速把文字概念变成可视化素材。Manim学习者可以直接拿它当代码示例库，看看别人是怎么设计复杂动画的。
但如果你只是偶尔做个最简单的动画，比如画一个圆、画一条函数曲线、画一个三角形，那直接手写Manim代码可能比折腾这条流水线更快。这套系统是为复杂知识讲解设计的，小任务用大工具反而会绕远路。
本质是知识拆解加课程设计加动画规划
一句话总结：Math-To-Manim尝试把知识拆解、课程设计、动画规划、Manim编程四个环节塞进一条自动化流水线里。真正有意思的部分不是代码生成，而是那个反向知识树机制。它把“解释一个概念”这件事拆成了“理解这个概念之前必须知道什么”，然后沿着依赖链构建动画叙事。
这种思路比单纯让大模型直接输出Manim代码更接近教育内容的生产流程。它不是一个用AI偷懒的工具，而是一个用AI模拟人类课程设计师工作方式的系统。如果你想深入了解，去GitHub上搜Math-To-Manim（点击标题），直接看仓库里的示例和代码，比看任何介绍都直观。