我用豆包工作做了个学术视频解读生产线

先看这个关于 Navier-Stokes 千禧难题的视频：

OpenAI 宣称解决千禧年难题 · 署名争议四起

这个视频讲的是前几天 OpenAI 宣称攻克 Navier-Stokes 千禧难题、然后署名争议四起的这件事。视频里有分镜、有动效、有旁白、有字幕，还有一堆小火柴人。

而这条视频，从采集素材、写脚本、做动画、配音到合成，全部是豆包工作的 Agent 在云电脑上自己跑出来的。我做了的只有两件事：早上在手机上回了个「1」，看完初版后提出了三条意见。

我之前就有想，如何把最新的论文、技术报告，转成更适合大体容易消费的文章或视频形式，之前偶尔也发过一些短篇文章进行论文的解读，比如：字节新论文：别扔掉草稿纸、AWS 最近发了一篇论文，研究了一个使用...

说回视频。由于我 AGI Hunt 的许多数据和文档都在飞书里，以便于我远程在各种设备上（比如手里没电脑时）方便地进行数据同步和继续处理任务。而且制作视频我当然得实现自动化，不由全程都由我自己来盯着。我希望我就审一下选题、说一下思路、给一些反馈，最后做审核就和发布就好了。

还有一点较为重要的是，我这个 human 一旦在这个流程里，就得保持可以随时介入这个流程，不能出个门就不行了，电脑一关它就没了，甚至会为了盯 AI 而晚出门、晚回家……

这么一想，干这事儿最趁手的，好像就非豆包工作不可了啊。而就在我打开豆包工作之时，它还很大方地弹了个升级提示：给我送上了 30 天的免费订阅！

不是 token 用不起，白嫖更有性价比！

这里说明一下，豆包工作是豆包新出的一个独立端，功能上和豆包 PC 版里的工作任务模式是一样的。上个月我就用那个工作任务模式分析学习过一次宇树上市，所以这次 Agent 升级后，我就计划把上面说的论文/技术报告解读的工作流，交给它来完成。

豆包工作让我最心动的一件事是：云电脑。即使我在地铁上正刷着视频，云端的 Agent 工作完成后会通过手机给我弹出推送，所以我完全不需要打开我的电脑，就可以完成我设定的定时任务的执行。

这是因为，任务是跑在云端的。手机、电脑、网页打开的都是同一个对话，不管我人在哪都能随时查看进度或安排任务。

注意：这和手机远程连回家里那台开着的电脑完全不是一件事，别弄混了。

使用参考见上图，左边是电脑，右边是手机，同一个对话，同一台云电脑。

另外就是，豆包工作还把飞书文档、Skill、TTS、定时任务这些东西全都塞在了一个环境里，我不用再往电脑上装一堆 Agent，也不用再去配什么 API 就可以拎包入住，随时开工了。

好了，开始干活！

第一步，先给豆包接上数据源。

数据接入上的第一步是安装 AGI Hunt 的 SKILL，我便直接让豆包在云电脑里装了一下。本地的技能也是一样的，把文件传上去就行了。

安装、授权、验证，一次就完成了，API key 考虑到敏感性它自己存到了一个配置文件里的。最后还拉了一份最新的 AI 日报回来以确认接口是通的。之后我就可以直接问它「最近 3 天最热的 AI 研究论文」了。

来，先简单试一下：

豆包工作给我拉来了网站上近三天 research 频道的 Top 10，还画了张热度柱状图，并附上了明细表。末尾还总结了一下当期的主线：AI 数学证明。Claude 形式化费马大定理、GPT-6-Astra 用 Lean 证素数间隔，接连霸榜。

好了，数据源搞定了。

接下来的问题是：论文，怎么变成视频呢？

我其实已经有了个初步想法，用 Manim + Remotion（我一直很喜欢 3Blue1Brown 的数学动画引擎，不过还没来得及研究）应该还行？但具体怎么来，我其实也没想清楚，索性就直接把问题抛给了豆包（没想清楚的也可以先问 AI）：

“

我现在有个思路是，将论文转化为视频，使用 Manim、remotion 等工具，当然，也可以使用其他工具配合，一起来输出一个通俗易懂的视频。给我一个可以落地的思路和方案

其实我的预期并不高，我也就只是让他帮我来评估一下思路的可行性。

结果它先是读了一遍我之前的文件，然后给了我这个：

一张四阶段的流水线总览图：内容工程、素材生产、装配合成、成片发布，每个阶段用什么工具、产出什么全都标好了。下面还有一张工具分工表，Manim 承担什么、不做什么、理由是什么，一目了然。

开头还有一句很好的总结：论文是高密度的非线性信息，视频是线性的时间流，转化的本质是提炼故事线，再拆成逐镜脚本。

它还建议我先做个 1 分钟的 MVP 跑通流水线后，再扩到全片，避免一次性返工。

那就先来搞个——

装完后它便开始跑了，不久之后，第一支视频出炉：

一共 27 秒的视频，片头卡、核心对比镜、收尾引用，三个 Manim 场景，配了中文旁白，还在视频中烧录了字幕。最后，它甚至还自己核对了一遍时长、分辨率和音轨，并抽了五帧来做字幕位置检查的抽样。

从出方案到跑通 MVP，全程都在云电脑上，我本机什么都没装。

到这里我就出门吃饭去了。

后面的事，我就全都是在手机上来搞了。

打开豆包 APP，就是刚才电脑上那个对话，能看到哦进度、文件、云电脑状态都还在。

路上我先问了个问题：现在的配音是用的什么，免费吗？

答案是豆包自己内置的 TTS，不需要走任何第三方的 API 在订阅额度里直接就用了，也不额外收费。音色是可以换的，单次最长 120 秒，所以全片得按镜分段生成了再拼（本来也该是按镜配音的）。

这就等于省下了一个配音工具，还有一个 API key（之前还在本地部署过一些开源 TTS 模型，效果得调半天，现在都不需要了）。

然后我便在手机上下了正式的指令：按刚才的方案，把 GlossoGen 这篇论文做成一条完整的视频。

它先是委派了一个 OrganizeAgent 来统筹全片，把分镜表统一掉，然后拆出 4 个子代理并行去干，一个负责生成 TTS 旁白，另外三个则分别渲染 Manim 场景。

终于，全片完成：

时常长 5 分 26 秒，1280×720，共 10 镜叙事结构。

我一边吃饭一边在手机上认认真真看完了一遍视频：

片头、涌现曲线、结论卡，说到的部分都有体现。分镜表、旁白稿和质检报告也都一起交付了，每一镜的画面描述、旁白文本、字幕时间轴都写好了：

当然，第一版往往很难是完美的。

视频里有一镜，字幕和画面底部的内容叠在了一起。我截了张图，发给它，只说了一句「感觉字幕跟内容还是有点重叠，有办法优化吗」。

它先看图，然后定位到了镜 02 的底部：字幕压在右栏第三个气泡上，同时底部的红色结论条也挤在一起，三层重叠。根因是这一镜底部铺得太满，而字幕又固定在底部 8% 且没有底框。

然后它唤醒了子代理，去改全片的字幕安全区。

整个过程我没有说问题在哪一帧、哪个位置，就发了一张截图过去……

手动流程跑通了，接下来是我最想要的部分：让它每天自动跑。

当天晚上，我又给它下了这个：

“

创建一个定时任务，每天自动获取热门论文，整理到云文档表格中，方便记录和筛选，每天一个文档。然后给我筛选最适合转视频的 10 个选题，发给我，让我选，等我选后，开始执行转视频的流程，沉淀 skill，稳定执行

它把这事拆成了三个子任务来做：先搭每日采集的流水线，今天先跑一次把选题产出来，等我选完了再做视频、沉淀 Skill。

搭建的过程，我是在手机上看完的（录屏不知道为啥看不到多维表格的内容，囧）：

它自己建了一张叫「AI 热门论文日报」的飞书多维表格，一共 11 个字段，视频潜力评分、状态管理这些都有。然后拉了 3 天的数据，300 条去重之后剩 287 条，取了 Top 30 写进表格里，再给最值得做视频的 10 个打了分，推荐理由和可视化方向也都写好了。

定时任务定在了每天北京时间 8 点，在云电脑上跑，我这边什么都不用开着。

然后是试运行。我从当天的 10 个选题里挑了那条「Claude 11 天形式化费马大定理」，让它把完整的流程先跑上一遍看看。

出来的是一条 5 分钟的视频，同样是 Manim 做的 3Blue1Brown 风格。

开场，先把 350 年的未解之谜和 AI 的 11 天攻克摆在一起对比，接着讲什么是形式化证明，中间那条 11 天的定理增长曲线是带动效的，一点一点长上去，最后落在 1300 万行 Lean 代码、29511 条定理这些数字上。

看下来确实还可以，动效和讲解的节奏都在线，拿来当 AGI Hunt 视频版的底稿是够用的。只是也还有些细节要调，音画对齐、字幕样式之类的，暂时先放着。

跑完这一遍之后，它便把整条流程沉淀成了一个叫 paper-to-video 的 Skill：

初始化项目、字幕生成、单镜合成、全片拼接、质检，全都在这一套脚本里了。以后每天 8 点跑的，就会直接用到它。

看过 AGI Hunt 文章的朋友应该有印象，我有个火柴人。

我之前专门做了一个插图技能，用来生成火柴人风格的图解文章。既然视频流水线跑通了，那火柴人是不是也可以进视频？

于是我把技能文件直接扔给了它：

它先读 SKILL.md，再读火柴人组件和模板，理解完风格方案，然后开始往 Manim 里移植。

第一次渲染出来，火柴人是倒立的……

原因是截图的时候坐标 y 向下为正，Manim 的 y 向上为正，直接移植就头朝下了。这个倒是它自己抽帧看出来的，然后就重写了组件库、把坐标修了过来。

第二次渲染，又发现坐标大了几十倍，火柴人整个被裁到画面外面去了……于是再缩 40 倍。

到第三次，它干脆用视觉模型（seed 模型的多模态理解能力很强）给自己验收了一遍：

圆头点眼、平直嘴、竖线躯干、分叉的手臂和腿，品牌绿配深色底。它自己的结论是：火柴人渲染完美，符合原有规范。

全程我没有任何干预，就看着它倒立、出画、扶正、点评。

最后，它把这套东西沉淀成了一个火柴人的 Manim 组件库，站立、指向、困惑、领悟这些姿态一共 7 种，画序、抬手净空这几条画法上的铁律也是从原 Skill 里原样搬过去的。paper-to-video 里的角色、配色、文案规则，它也一并按原 Skill 的思路给改了一遍：

所以以后视频里的火柴人，和文章里的算是同一个人了。

定时任务跑起来之后，每天早上 8 点，手机上就会收到它的推送了。比如一天早上这条，当天的 #1 是英矽智能那篇 AI 药物的论文，选定之后它便开始拉全文和背景资料，连进度都是一条一条推到手机上的：

这天早上，选题列表又发了过来：

300 条去重到 287 条，Top 30 写进了表格，10 个视频选题按潜力评分排好了。#1 是「OpenAI 宣称攻克 Navier-Stokes 千禧难题，署名争议四起」，评分 10.0。

它还特意提醒说今天 10 个选题里有 6 个都是 Navier-Stokes，建议选 #1（争议视角最完整）或者 #7（时间线最清晰）。

正好这事我在《ChatGPT Images 2.5 发布，但更火爆的是：一万个 agent 给出的千禧年难题的解答》里写过，所以我在手机上回了个「1」。

收到指令后，它便开始拉论文全文和背景资料，然后按 paper-to-video 的流程走：分镜、Manim 场景、火柴人、TTS、字幕、合成。

首版出来后我进行了 review，并提三条不足之处：

“

有几个问题：1. 语速慢，并且多个场景，音色变了，需要统一一下 2. 出现了配音和字幕甚至画面不同的情况，需要优化 3. 字幕位置，还是固定在底部固定的位置区域吧，不要一直变来变去的

它唤醒之前的视频制作 Organizer，把三条拆给了子代理：重新生成 10 镜旁白，同一音色、正常偏快；字幕按实际音频时长对齐，抽帧验证；字幕统一距底 12% 到 15%，底部有内容的镜调整画面布局上移。

修完后的成片（截图）如下：

Strogatz 上班路上用 ChatGPT 理清奇点的物理意义、陶哲轩发长文回应、美国数学会确认里程碑式进展，三方观点并排，旁边是火柴人的解读。

开头的视频，就是这么来的。

视频这条线跑顺了之后，我又把一件拖了很久、一直懒得弄的琐事也扔给了它：发票。

我的发票之前是零散在各种地方的：微信里转发给自己的、小程序卡包里的、邮箱里的……到了要报销的时候，再手动一张张找出来整理，很麻烦，而且经常会忘。

我现在的做法是，专门用一个邮箱收发票，票通、云票这些平台开的电子发票，全部往这一个邮箱里发：

然后让豆包工作在云电脑上建一个定时任务，每天自动处理。

它建了一个叫「发票每日自动同步」的任务，每天 8:30 天跑：连接邮箱，拉最近 3 天的邮件（回溯 3 天是容错设计，某天没跑也不会漏），识别发票邮件，解析 XML 附件或正文，按发票号码去重，然后追加写入飞书表格「AGI Hunt_发票管理台账」的「发票明细」，同时更新「月度统计」。

表格也是它自己建的，三个 sheet：发票明细、员工配置、月度统计。我看了一下，它已经搞了 20 多张发票到里面了。

定时任务的配置页里，能看到豆包工作把整条流水线写成了一条可以反复执行的指令，还沉淀成了一个 invoice-auto-processor 的技能：

报销的时候，打开表格就好。

最后，来说说一些制作感受。

最大刚需是云电脑 + 手机

任务在云电脑上跑着，我出门吃饭也好、睡觉也好、电脑关机了也好，都不会影响它的执行。

手机上打开的还是同一个对话，截图反馈、选选题、追加要求，全都在手机上做完的。

一个豆包就够了

抓论文也好，写分镜、做动画、配音也好，包括后面的飞书表格和定时任务，全都是在这一个入口合和环境里做完的。

由我来配置过的东西只有 AGI Hunt 的 API key 和那个发票邮箱的账号，本机上甚至都不需要去装 Manim、FFmpeg 这些需要用到的软工具。

内置 TTS 非常省事

不用再找单独的配音工具了，可以直接用在订阅额度使用。

但也有些需要注意的限制：TTS 单次最长是 120 秒，长片视频得分段生成了再拼，不过这个它自己会处理，不用你实际操作了解下就好。

而首版视频的字幕和音色呢，一般是要一两轮反馈才找到你想要的，我因为懒，就只是简单调了一下

最后，记得去薅豆包工作的免费会员，在网页中搜索「豆包工作」，下载电脑版，便可领取限时免费的 30 天订阅权益，目前正在进行中，手慢就无了。

而文中用到的几个 Skill（paper-to-video、火柴人的 Manim 组件库、发票自动处理），我计划再跑上几天，打磨得效果更稳定一些后，再开源出来。