这段时间我研究用 codex 剪视频，被折磨得够呛。一开始的样片没花多长时间就做成了，而且还可以直接生成剪映草稿做人工调整。就在我以为这条路跑通的时候，AI开始教我做人了。我要剪的视频不是那种简单的口播，而是涉及了多个视频源，多个图片素材的混剪，尤其是素材之间的卡点，要求精度非常高。为了让它剪得稳，我专门写了一个 skill，把每一步的操作规范都列清楚。怎么切原视频，怎么卡点，音频怎么对齐，后面还挂了一整套验收标准，生怕它漏掉什么。我当时挺得意的，觉得这下稳了，规矩都写死了，它照着做就行。结果呢，它压根没当回事。同一个 skill，第一个视频源调好了，但是换一个类似的视频源，它又鬼迷日眼的，产出质量波动太大，大到我根本不敢直接用。刚开始我以为是我规矩写得还不够细，于是我又回去补，把每个模糊的地方都写清楚，能量化的都量化，还加了一堆必须，禁止。skill 越写越长。然后我发现，越长越糟。补得越细，它反而越容易漏。有时候前面几步做得挺规矩，到后面就像忘了自己开头答应过什么，越剪越随意。那一刻我才反应过来，问题根本不在我写得细不细。我一直把 skill 当成一份它必须执行的命令，但对它来说，那只是一段需要理解、然后自己掂量着办的文字。 skill 是提示，不是约束。这是我踩了一堆坑之后想明白的第一件事。
skill跟代码是完全不同的东西，代码写好以后会走固定流程执行，但是skill对它来说只是提示。它读你的 skill，是先领会你大概想干嘛，然后按当前的上下文、注意力还剩多少、对任务的整体判断，来决定哪几条重点照顾、哪几条随手带过。这跟把一份操作手册甩给一个新人是一样的。手册二十页，他真会一条一条抠着做吗？他多半是扫一眼抓个重点，剩下的凭感觉。而且文字越长、条目越多，单条指令被稀释的概率就越高。我写了三十条，它心里的权重可能就摊薄到每条都不当回事。这就是为什么我越补越细，效果反而越差。我在往一段参考文本里塞了太多参考，而不是在给它一个必须遵守的约束。想通第一点之后，我又揪出一个更隐蔽、也更致命的问题。我写了验收标准，但整个流程里，AI并没有真的拿这个标准去逐条核对。模型干完活，自我感觉良好，觉得差不多了，就当完成了。它不会主动回头拿着验收标准严格给自己卡一遍。我规定的那些合格线，对它来说更像是一种氛围，而不是一道必须走的流程。说白了，验收标准写在那儿，但AI也会摸鱼。这才是质量不稳定最大的来源。剪视频这事还有个特殊的坑：它是个特别长的链条。切割，拼接，对齐，一步接一步，前面的输出是后面的输入。链条一长，早期定的那些约束就特别容易失效。开头交代的规矩，做到中段它上下文里已经塞满了别的东西，注意力早就飘走了。到后面，它多半是照着眼前的局部状态在干，早忘了全局要求。更麻烦的是，每一步的微小偏差会往后累积。第一步差一点，第二步在这个基础上又差一点，滚到最后就是天壤之别。这就是为什么我同一个 skill 跑出来的东西方差那么大。不是它每次都错，是长链条把随机的小偏差一路放大了。
复盘到这儿，我抓到了整件事的根子。剪辑里其实有一大半环节是完全确定性的。比如一开始视频源需要分割成n个小的独立片段，分割和验收都是比较细的动作，这些可以根据手册做的比较稳定，实在不行加个人做验收，就像AI生成视频的抽卡工程师一样。后面的环节也可以按照这样的流程，每个环节单独做，单独验收，加上人工审核，每一步的误差降低以后，整个工程的误差就不会离谱。模型的底层依然是概率，因为它的推理更多靠猜测，所以它每次理解都会有那么一点点不一样。你让它复述一个确定的数字一百遍，它多半有那么几遍会飘。这不是它笨，是它生下来就这样。所以很多重复的动作AI做不好，因为它每次都在开盲盒，如果遇到模型降智那更是灾难。想明白之后，我按投入产出比排了个序，一步步改，效果好了不少。这件事最后沉淀下来的，其实是一个更大的认知转变。我们太习惯把 AI 当成一个听话的执行者了。给它写好规则，就默认它会照做，做不好就骂它不听话、怪自己规则写得不够清楚。但它压根不是执行者，它本质上是个会权衡的理解者，它的执行力其实不如人类，比代码更是差远了。我给它的每一条指令，它都会放进当前的上下文里掂量一下轻重，然后自己决定怎么分配注意力。这是它的天性，我改不了，所以我就不该跟这个天性硬刚。想要真正稳定的产出，不是靠把规矩写得更细更狠逼出来的。是靠一个特别朴素的分工：把每个环节拆分的足够细，让他不需要思考太多，不需要幻觉，拿起来就能干的差不多。另外给它一个强制回头检查的动作，把验收从期望变成必须交付的结果。
现在回头看，我一开始那套思路整个是拧着的。我拿着一个概率模型，非要用写规矩的方式把它按成一个确定的执行器，规矩越写越长，人也越来越累，效果还越来越差。真正的解法不是管得更死，而是分得更清。我是敦敦，多年获客操盘手，如果你对流量获客有任何想法或者困惑，欢迎和我聊聊。
有值得继续追问的问题？写信交流 ↗