OpenMontage 自称”世界首个开源智能体驱动视频制作系统”，4.5 个月内拿下 45K Star。它不做视频编辑器，也不做 SaaS——而是把 AI 编码助手变成视频制作编排器。这个定位本身值得拆解。
技术定位：Agent-first，没有代码编排器
OpenMontage 的核心设计理念是”智能体优先”——系统中不存在传统的代码编排引擎，AI 编码助手（Claude Code、Cursor、GitHub Copilot、Codex、Windsurf）直接充当编排器。OpenMontage 提供的是能力层：100+ 个可执行 Python 工具、12 条制作流水线定义、700+ 个技能与知识文件。智能体读取技能文件 → 调用工具 → 自审产出 → 检查点状态 → 请求人工审批，形成闭环。
与 Runway、Pika 等端到端 SaaS 方案的本质区别在于：OpenMontage 不锁定任何单一提供商，15 个视频生成模型、11 个图像生成工具、5 个 TTS 引擎均可按需切换，选择依据是 7 维度评分（任务契合度 30%、输出质量 20%、控制功能 15%、可靠性 15%、成本效率 10%、延迟 5%、连续性 5%）。
核心能力：四个工程化设计
三层知识架构实现决策可追溯。 Layer 1（tools/ + pipeline_defs/）定义”存在什么能力”，Layer 2（skills/）定义”如何使用”，Layer 3（.agents/skills/）提供”底层原理”。每个主要创意和技术决策都有审计日志，记录替代方案、置信度分数和推理过程。这不是黑盒生成，而是可审查的制作流程。
统一流水线 + 导演技能制。 所有 12 条流水线走同一路径：research → proposal → script → scene_plan → assets → edit → compose。每个阶段配有 Markdown 格式的”导演技能”文件，智能体按技能指令执行。流水线覆盖动画解说、虚拟人发言、电影预告片、纪录片蒙太奇、播客再利用等场景。
预算治理是工程级实现。 三种模式（observe / warn / cap）覆盖不同成本控制策略，默认 10 总预算上限，单次操作 0.50 需确认。执行前估算、执行中锁定、执行后对账，形成完整的成本闭环。这在 AI 内容生产工具中并不常见。
Backlot 实时分镜板提供过程可视化。 本地面板在流水线运行时自动填充，阶段灯实时亮起、脚本落地可视化、场景卡片动态生成。配合人工审批门禁（提案、脚本、场景计划、生成资产、发布五道关卡），制作过程从”黑盒等待”变为”透明可控”。
风险与局限
🔴 AGPLv3 商用限制。 Affero GPL 的网络使用条款意味着：如果你的产品通过网络提供服务且包含 OpenMontage 的代码，你必须向用户开放你的修改源码。对于商业闭源团队，这基本排除了直接集成的可能，只能考虑独立部署或联系作者协商商业授权。
🟡 社区成熟度存疑。 45K Star 的增长曲线极为陡峭（4.5 个月），但项目核心贡献者主要是仓库所有者 calesthio 一人。209 个 Open Issue 的处理节奏尚未形成稳定模式。项目创建于 2026 年 3 月，尚无正式版本号（Tag/Release），API 可能频繁变更。
🟡 部署链路重，无容器化方案。 前置依赖包括 Python 3.10+、Node.js 18+（HyperFrames 需 22+）、FFmpeg，可选 GPU 依赖另行安装。没有官方 Docker 镜像或 docker-compose 方案，环境一致性问题需要团队自行解决。完整生产级使用还需配置多个第三方 API Key（FAL、OpenAI、ElevenLabs、Suno、Kling、Google 等）。
🟡 零 API Key 模式能力有限。 虽然 Piper TTS + 免费素材 + Remotion 合成的零成本路径可用，但输出质量与付费 API 路径差距显著。本地 LLM 支持（Ollama / LM Studio）尚在开发中，当前仍依赖云 AI 助手作为编排器。
选型建议
推荐采用： 技术团队搭建内部视频内容生产线；需要多提供商灵活切换、避免锁定的 AI 视频工作流；开源项目或接受 AGPLv3 协议的团队；有 Python + Node.js 运维能力的工程组织。
不推荐采用： 商业闭源产品直接集成（AGPLv3 限制）；无技术运维能力的内容团队；需要稳定 API 承诺的生产环境（项目尚无正式版本）；对供应商单一性敏感的关键业务路径。
竞品取舍： 相比 Runway/Pika 等 SaaS 方案，OpenMontage 的优势在于提供商无关性和流程可审计性，劣势在于部署门槛和输出质量依赖配置。相比自研流水线，OpenMontage 节省了工具集成和流程设计成本，但 AGPLv3 是硬约束。
落地实践
部署建议从 make setup 一键安装开始，先用零 API Key 模式验证流水线流程。
Backlot 面板（python -m backlot open）是观察智能体行为的关键窗口，建议首次使用时全程开启。
合约测试（make test-contracts）无需 API Key，适合 CI 环境验证工具链完整性。
生产环境务必配置预算 cap 模式，并逐条审查 .env 中的 API Key 权限范围。
GPU 本地视频生成（make install-gpu）可显著降低 API 成本，
但需评估显存需求——WAN 2.1 14B 模型建议 24GB+ 显存。
