AI视频工具都在卷“可控”，Buzzy却换了个思路：先解决创作者“做什么”的难题。它能刷TikTok、懂梗、会“P视频”，像私人运营员工一样帮你找创意、二创爆款。本文对话创始人，拆解视频Agent如何从创意环节介入，让AI真正理解流行。

过去一年，视频AI赛道最热的关键词是“可控”——怎么让AI生成的内容更稳定、更精准、更符合用户意图。

创业者们在模型的缺陷上做补丁：更精细的画布、逐帧调节、分镜编排，试图让AI听懂人类的每一个指令。

这是一条有价值的路，但它有一个盲区：它假设了用户已经知道自己想做什么。

事实上，卡住大多数创作者的不是“怎么做”，而是“做什么”。商家不知道现在什么内容格式在火，小创作者不知道为什么某个Meme能传染给几百万人，品牌方不知道自己的产品该接进哪个流行模式。

这是一个Context的问题，模型再强也解决不了，因为它活在一个封闭的生成室里，看不到外面的世界。

Buzzy的答案是，让AI从创意环节开始介入，给Agent接入互联网上活的、会传染的创意数据流，然后和你一起创作视频。

这个体系里有两个核心能力。

一是，你与Agent一起脑暴。

在网页端打开Buzzy，告诉Agent你想找什么风格的内容，它去各平台帮你搜、帮你刷，根据你的品味推给你。你可以把喜欢的加进list，也可以直接跟Agent讨论：这个视频哪里吸引你，想再找什么方向的。

Buzzy也接入了Messaging app，手机上看到好玩的，直接把链接发给它，它记下来，可以了解你的taste，帮你找类似的、做类似的。

二是，Agent帮你P视频。

当你找到想复刻的方向，不管是精美特效，还是百万转场，Buzzy都可以帮你复刻一个新的版本。

比如我们搜到了一个Ins上1.4M观看的热门穿搭换装视频，选择进行Recreate，上传自己的穿搭，就可以得到一个这样的效果。

除了复刻，用户还可以让Buzzy精准修改任何一处，想加一个水杯，想把logo换成黄色——说出来，AI去执行，其他部分不动。

过去一年，从OpenClaw住进用户的电脑、钉钉开放CLI让Agent进入办公环境、到“Harness”概念的兴起——整个行业都在做同一件事：把模型从对话框里拉出来，放进用户真实所在的上下文环境里。

因为模型只有和你所在的环境打通，理解这个环境的运作逻辑，才能真正持续进化，而不只是接受一次性指令然后产出结果。

Buzzy做的是这件事在视频创作里的具体形态。

以下是硅星人与Buzzy创始人Ella的对话：

01 模型在变强，但创意依然很难

硅星人：Buzzy做这件事的底层逻辑是什么？现在视频AI赛道这么热，你们切入的角度和大多数人不太一样。

Ella：我们做这个产品有一个前提——我们认为模型会足够强。你要做一个更长期的事情，就得假设最后模型一定能解决所有生成层面的问题。那我们就想，当模型足够强的时候，大家的卡点还在哪儿？

我们发现卡点其实在两个环节。第一个，也是最关键的——大多数用户根本不知道自己要做什么内容。不管是商家、创作者还是普通用户，大家都想做内容，都希望自己的内容有人看、能带来流量和收益。但什么样的内容能做到这一点？这件事对他们来说非常难。

你会发现所有人做内容，包括你们写文章也是，大量时间花在research上——找方向，找适合自己的、有热度的、有创意的切入点。

硅星人：所以核心痛点不在“怎么做视频”，而在“做什么视频”？

Ella： 对。痛苦的点在两个层面。第一，世界上90%的人，他可能都没有那么有创意。不可能今天想一个灵感，明天又想一个，后天又想一个。

第二，就算有了一个灵感，你要把它变成一个prompt也很痛苦。视频是很视觉的事情，它有运镜、有节奏，你要让普通人用一段文字把这些描述清楚，其实挺难的。

Buzzy一开始就想先解决这个入口问题——你得让大家很容易地开始。假设模型够强，用户也知道自己想做什么，模型又能全部做好，那不就可以了吗？

02 你的灵感不该是“搜”出来的

硅星人：你们怎么解决用户“不知道做什么”这个问题？Agent具体是怎么工作的？

Ella：我们先说一个认知，人的灵感不应该是坐在电脑前狂搜一两天搜出来的。灵感是迸发出来的。它可能是跟朋友聚餐的时候，可能是在打车路上。它是碎片化的东西，不是说你拿到一个工具，坐那儿死搜就一定会有灵感。

所以我们的方法是这样的——我们有一个bot，或者说一个Agent。用户平时刷抖音，或者在某个moment突然有了灵感，就一键分享给这个bot。就像在微信或者飞书里发消息一样，直接分享过去。可以是一个视频，也可以是一个想法，比如“我要做一个狗跟电脑说话的视频”。

这就是我们所说的capture——收集你平时的碎片灵感。

你分享给它之后，这个bot会帮你全网去搜。它会说，这个用户想要“狗跟电脑说话”相关的东西，那我去看一下各个平台上相关的素材都有哪些，有没有视频、文章、动画提到这个。

搜完之后，它会做两层筛选：第一层是数据——如果一个视频是近期发布的、播放量几百万、点赞很高，说明它是比较火的。火过的东西会再火，既然它火了，肯定有它的原因。

第二层是用户的taste。每个用户喜欢的内容不一样，有人喜欢大片感的，有人喜欢搞笑的，有人偏爱可爱风。Agent会根据你平时的偏好，在同一个话题下找到符合你风格的方向。

最终呈现给用户的，就像一个个人化的灵感版——我们的slogan叫“find video ideas to recreate”，就是说你先找到一个不错的idea，然后starting from this，在它基础上加入你自己的东西。

硅星人：我觉得这里最吸引人的是，Buzzy的Agent是在“用户互联网环境”中思考的。它能主动去看全网在发生什么，一起冲浪、交流，这更偏向营销和账号运营员工。

Ella：对，这是关键。我们在登陆的时候，还有会用户个人账号绑定，你可以把你的产品主页、TikTok主页传上去，让Buzzy和你一起运营。

我们认为用户很难先想好做什么——他都已经想清楚了，那还需要什么帮助？最痛苦的那一关，就是想不出来。

硅星人：Buzzy能实时连接、搜索TikTok、ins等等，和人直接在这平台上搜索一样吗？

Ella：不一样。抖音搜索是纯关键词逻辑——你搜“可爱的猫和丑猫打一架”，在抖音很难搜到，因为它只是匹配标签。我们做了视频理解，是语义搜索——把视频里的风格、动效、运镜这些语义信息提取出来，再帮你搜跟这种“感觉”相似的视频。

所以出来的结果第一是更准，第二它不再是一个纯工具。用户不用自己跨平台去搜、一个一个去看。Agent已经帮你搜完了，帮你全部看过一遍了，最后推给你的是质量不错、数据不错、有二创空间的内容。

03 教AI理解“梗”有多难

硅星人： 视频理解能力是这套系统的核心之一。但AI理解视频里的“梗”应该非常难——有些梗连人都看不懂，怎么教AI？

Ella： 难点确实在这里。举个例子——有一个面粉整蛊视频，一个人在面粉袋底部贴了胶带，她老公拿起来的时候，胶带一扯，面粉直接扑到脸上。这个梗的关键在胶带，但AI一开始完全看不到胶带，不理解为什么好笑。

还有一个是把真人变成可爱卡通小人在跑步机上跑，AI没理解“可爱的小人”才是关键，直接把真人大人放跑步机上——那就不是梗了。

核心要求是：你要先理解梗，才能帮用户复述这个梗。

硅星人： 但怎么让AI做到这件事？你们接的是API，不能去微调Gemini？

Ella： 我们的方法分两层。

第一层是context指导——给AI更多上下文，告诉它这类视频要关注什么。比如有些视频核心是音乐卡点，你要告诉它“这是卡点视频，节奏才是关键”，它后来就懂了。

但你一定不能一开始cover所有情况。AI在做的过程中会有遗漏，这时候我们会给它feedback：为什么这个点你没注意到？缺了什么context，你再去调。这是一个持续进化的过程。

第二层是在大模型上搭载了一个小模型。因为只靠context还不够，有些情况还是会出错。出错的时候，每次feedback都会让这个小模型存下一些东西——不完全是memory，更像是存参数。你越给AI这些context和feedback，它就越来越准。

硅星人： 所以这个小模型输出的“参数”是什么？

Ella： 可以这么理解：大模型（比如Gemini）本身我们改不了，但在它外面我们搭了一个小模型，这个小模型积累了大量“什么叫梗”的判断经验。每次新视频进来，小模型先做分析——这个视频的创意点在哪、梗的类型是什么——然后把这些判断结果作为输入传给大模型。大模型拿到的不只是视频本身，还有小模型预处理过的“理解框架”。这样大模型的输出就会更准。

硅星人： 靠不断出错、不断feedback来进化，那这样效果总是滞后的，怎么办？

Ella： 确实需要前期大量调教。但我们发现，当你cover了差不多大部分视频类型之后，准确率就会越来越高，后面就不用那么频繁地去干预了。关键是先把主要的梗类型都让AI见过，它就能泛化到类似的情况。

我们的目标是让AI真正有创意。推创意的前提是它先得理解这些视频的创意点在哪。如果它看了这么多视频，数据也喂给它了，它不能理解为什么这个视频火，那它永远不会有创意。

04 自然语言修改视频——跟Agent说人话就行

硅星人：找到灵感之后，用户具体怎么在Buzzy上把视频做出来？

Ella：用户选一个觉得不错的视频作为开始，然后就跟Agent对话。可以做简单的二创，比如说“把这个角色换成我的脸”“把橘黄色改成我的品牌色”，像“口喷P视频”一样，当然，也可以没有参考视频，在对话中按照生剧情、关键帧、图生视频的方式做，但我们目前核心做的还是前者——二创。

背后的Agent会根据不同的视频自动选择不同的模型。我们不让用户选模型——用户选视频就好了，模型Buzzy来判断。

硅星人：你们的自然语言修改P视频，想比视频模型自带的参考图、主体替换等功能，做了什么额外的工程吗？

Ella：有几个点，首先，seedance直接修改主体其实并不是很稳定，我们做了很多主体的智能识别能更稳定的替换；

其次， 我们可以修改剧情，对白，背后做了比较多的工作让剧情修改后更加平滑的链接上 。

最后是我们可以做到时间轴上某一段修改，其他段完全不变，衔接的自然。

硅星人：花费大量精力做自然语言P视频的意义在哪里？这是基础模型厂商比如Kling、Vidu等等一直在做的事情，你们要跟他们比效果或者速度吗？

Ella：是这样的，我们认为视频编辑是一个非常重要的生成的后处理环节。

但大部分的生成工具，目前做的是先生成很多分镜，再基于分镜生成分段视频，再进行拼接，因为用户一旦生成好就不好改动了，前期需要大量的确认环节。

但我们认为这不是一个最优的路径，大多数用户想要的还是一口气生成完整视频，然后看到哪里不满意再指哪打哪的修改。

特别是用户和商家日常自己拍摄的视频。使用Buzzy直接视频，可以节约大量重新录制的时间和成本。

基础模型厂商一直做生成的视频片段的修改，他们是我们的基础，但是整体的视频修改有很多很细的部分，交互不是模型层能做好的。

比如Photoshop，用户需要精细的框选画面物体或者编辑某一段时间轴上的内容，这个不仅是自然语言模型的解决的，更多还有应用层的交互和工具设计。

所以我们并不是在和基础模型厂商比拼，我们更多是建立在基模不断进化的基础上，给用户提供更多的工具体验和用户个人品味沉淀下的视频修改agent。

当然我们相信随着基模越变越好，我们的效果也会越来越好，因为我们就像船，基模就像水，水涨船高。

硅星人：这跟现在很多做画布、做分镜的视频AI工具路线完全不同。

Ella：我们走的是完全相反的路。那些产品希望做得越来越复杂——更精细的画布控制，逐帧调节，每个分镜都可以单独编辑。他们服务的是非常专业的创作者，就是要做电影，分镜要特别好的人。

他们算video editor，我们算video recreator。你让做账号的人每天去研究画布？他们更多是看数据——最近三天播放量超过十万的视频拉出来，看看有什么跟我相关的，好，做。

或者做广告的人看一下竞品跑了什么广告效果不错，把我的商品放进去，就是这样的需求。

05 Agent越用越懂你

硅星人：如果Buzzy定位是一个私人的视频创作运营员工，那么参考人类员工会看视频发布数据，你们的Agent也会去看吗？

Ella：用户把视频发到TikTok、Instagram这些平台之后，我们是能拿到一些数据的——播放量、互动率、广告ROI这些。我们再把数据反馈给Agent，跟它说：你这次的创意只拿到了50分，但别人的拿到了80分。

这本质上就是Agent的“饥饿游戏”——让Agent发现另一个视频做得比它好，那它就应该向别人靠拢，把好的方向反馈回来，说我们应该往A这个方向去做创意，而不是B。

硅星人：但流量有时候是不可预测的，同样的创意可能因为发布时间、账号属性等因素有不同表现。

Ella：对，Buzzy不能保证说发这样的内容一定更好。但从更大的维度来看，它会不断迭代，比如发三个不同的角度，小猫跳舞，雪山飞狐，然后发现你的账号就是做雪山飞狐数据更好，那就继续做，和人类员工的AB test是一样的。

06 从Creati到Buzzy——为什么是这条路

硅星人：你之前的背景是什么，团队之前做过什么，是怎么走到Buzzy这条路上的？

Ella：我们从GANs时代就开始做视频AI了。上一个产品叫Creati，有点像Pixverse——用户选一个模板，把照片传上去，一键生成。那个产品用户量也比较大。

我们在做Creati的时候看到了一个核心问题——小商家和大多数创作者，他们其实非常需要所见即所得，无论是创作视频还是修改视频，都是希望先给到一个结果，基于可视化的结果去做修改。

大部分人有一个Spark、一个灵感的碎片，但它不清晰，需要很多工作来把它具体化。或者很多人其实有灵感，后来就懒得做了。

之前Creati是把做好的模板给用户选，buzzy要做的就是AI员工帮用户找到可视化的灵感，用户直接告诉agent这个才是我想要的风格，然后直接给到用户结果。

硅星人：现在产品到什么阶段了？

Ella：Buzzy是2025年底开始做的，两三个月做出来，正式环境已经上线了，也欢迎大家来使用https://www.buzzy.now/。

我们想做一点不太一样的东西。现在做视频的人很多，我们一直在想到底哪一块对用户长期有价值。我们觉得长期有价值的还是沉淀用户的taste——因为当AI能做所有事情的时候，人的品味和选择才是最后的堡垒。