Grok Imagine Agent 保姆级实操教程！低成本跑通 AI 视频工作流
前天我用 GPT-5.6 + GPT Image 和 Grok Imagine Agent，做了一支国风新中式爱豆后台 Vlog。
GPT-5.6 负责前期编导，GPT Image 负责人设、场景、道具和故事板，接着用 Grok Imagine Agent 生成视频
这是我第一次正经做AI视频，随手把练习过程发上来，没想到火了。戳中了痛点啊，想学AI视频又不知道如何下手从哪里开始，AI视频成本又很高不想一开始就烧钱
对比了市面上各种视频Agent，Grok Imagine Agent（无限画布模式）是目前性价比极高、学习曲线友好、生产逻辑最清晰的 AI 视频工具之一
我自己也找了一圈 Grok Imagine Agent 的教程，非常少，那我就做一个保姆级教程
看完这篇，你马上能清楚 Grok Imagine Agent 做视频的流程+核心功能的使用！
这是一个 9:16 竖屏的国风新中式爱豆后台 Vlog 项目。
@人物设定图 是全片唯一主角“林见夏”的人物锚定图。
@服装参考图 用于固定她的舞台服装、发型和配饰。
@场景板 包含后台梳妆室、木质走廊、舞台入口和正式舞台。
@道具板 包含竹叶发簪、团扇、无线麦克风和节目流程表。
@故事板 是本片的镜头顺序参考。
请先分析全部素材，并把故事板拆成 4—6 个独立镜头。
每个镜头请列出：
1. 镜头内容
2. 人物主要动作
3. 镜头运动
4. 需要引用的素材
5. 建议时长
6. 生成难点
7. 更容易成功的简化方案
暂时不要生成图片或视频。一、 Grok Imagine Agent 的整体结构
Grok Imagine Agent由两部分组成：
Agent 负责理解、规划和执行；无限画布负责承载素材、结果和镜头关系。
两者组合起来，才是 Grok Imagine Agent。
普通 Imagine 的工作方式更接近：
输入提示词 → 生成一张图或一段视频。
Agent 模式则是：
上传素材 → 让 Agent 理解项目 → 生成或编辑图片 → 转成视频 → 抽帧续写 → 裁剪拼接 → 继续迭代。
图片、视频和中间结果不再散落在一长串聊天记录里，而是保留在同一张画布上。这里可以进行项目管理、多个 Agent 并行和素材搜索/生成，并支持图片转视频、视频延长和多个片段拼接。
1. 项目列表（Projects）：
项目文件夹，管理不同的视频项目，建议一支视频单独建立一个 Project； 进入项目后，这次创作使用的人物图、场景图、提示词、生成视频和中间版本，都会集中保存在一起。
2. Agent 对话区：
核心指挥中心，在这里向 Agent 下达任务，对话任务式做视频
它不只是输入单条生图提示词，还可以让 Agent：
- 阅读和分析画布上的素材；
- 根据故事板拆镜头；
- 判断哪些镜头生成难度较高；
- 调用图片生成和图片编辑；
- 将图片转成视频；
- 修改已有视频；
- 延长某个镜头；
- 并行尝试多个版本；
- 帮助整理和拼接结果。
让 Agent 先完成理解和规划，再执行具体操作。 不过 grok 的视频 Agent 并不是全自动导演，也不够聪明，建议优先使用 GPT或其他模型做主导演的工作，grok Agent作为辅助
3. 无限画布：
可视化的 AI 视频生产地图，无限画布可以自由摆放角色、场景、道具、故事板、图片和视频。
无限画布最下面是工具栏，最常用操作都在这里，包括： 抓取工具&选择工具的切换、可生成图片/视频、增加文本和图片节点等
严格使用 @林见夏-性感元气爱豆锚定 作为人物主参考，
同时以 @上一帧提取图 作为起始帧，保持动作、表情、姿态、服装完全连续。
生成6秒视频，480p。
从上一帧的结束状态自然接着往下演：
[这里写接下来的动作]二、 核心按钮&功能详解
1. @ 引用（最重要！）：
连接 Agent 与画布素材，把画布上的图片/视频作为参考喂给 Agent
- 点击画布上的图片/视频（选中） - 在对话框输入 @，会弹出菜单选择 - 或者直接点击图片后，它会自动变成引用芯片 - 多参考同时用（@人物锚定 + @上一帧 + @服装图 + @道具图）
例如生成梳妆镜镜头时，可以同时引用：
使用 @人物设定图 作为唯一主角，使用 @后台梳妆镜 作为场景，佩戴 @竹叶发簪，构图参考 @故事板镜头1。保持人物五官、发型、服装和配饰一致。
2. 素材卡片与快捷按钮：
选中什么，就处理什么。无限画布中的每张图片和每段视频，都可以看成一个独立的素材节点。 选中不同类型的素材，界面会出现不同的快捷操作。
选中图片/视频后，常见功能包括：
3. 按钮功能详解：
Trim（裁剪）
- 作用：剪掉视频开头/结尾多余部分
- 怎么用：选中视频 → 点剪刀图标 → 拖动时间线两端
- 常用：把 6 秒视频精准裁成 2 秒 / 2.5 秒
Stitch（拼接）
- 作用：把多个视频合并成一条完整视频
- 怎么用：按顺序多选视频（Ctrl/Cmd + 点击） 点 Stitch 按钮
- 协同：先 Trim → 再 Stitch → 最后再整体微调
Extend / Extend from Frame（延长）
- 作用：从当前视频最后一帧继续生成后续内容
- 怎么用：选中视频 → 点 Extend → 输入后续动作描述
- 注意：延长后画质可能下降，建议只延长关键镜头
Duplicate（复制）
- 作用：一键复制当前图片/视频
- 怎么用：选中 → 点 Duplicate 或右键
- 用途：备份原片、做变体前先复制
Animate / Image to Video
- 作用：把静态图片转成视频
- 怎么用：选中图片 → 点 Animate 或对话说「转成视频」
Upscale to 720p（升级画质）
- 作用：把 480p 视频升级到 720p
- 怎么用：选中视频 → 点「Upscale to 720p」或「HD」
- 最佳实践：先全部用 480p 试错，满意后再升级（最省额度）
Duplicate（复制）
- 作用：一键复制当前图片/视频
- 怎么用：选中 → 点 Duplicate 或右键
- 用途：备份原片、做变体前先复制
严格使用 @林见夏-性感元气爱豆锚定 作为人物主参考，保持脸部、妆容、发型、服装、耳饰、身材比例100%一致。
生成6秒 9:16 竖屏视频，先用480p。
【镜头】：CUT X - 这里写镜头描述
【动作】：具体动作和情绪
【台词】：如果有台词就写在这里，语气自然
【运镜】：手持自拍 / 跟拍 / 微距 / 快速推近 等
【环境】：杭州临水古建园林后台休息室，暖白梳妆镜灯 + 窗外蓝调时刻
要求：真实手机Vlog感，有轻微手抖和呼吸感，皮肤真实有毛孔，动作符合物理惯性，长发和轻纱自然摆动。不要僵硬，不要过度磨皮。请按以下顺序 Stitch 合并成一条完整视频：
CUT1 → CUT2 → CUT3 → CUT4 → CUT5 → CUT6 → CUT7 → CUT8
要求：
- 总时长控制在15-18秒
- 转场尽量自然（用头发甩动、团扇遮挡、手机翻转、快速转身来衔接）
- 节奏轻快有呼吸感，不要生硬
- 保持人物一致性
- 最终输出一条完整视频三、Multiple Agents：并行执行多个任务
它指的是 Grok 4.2（Grok 4.20） 背后的多 Agent 协作系统。
当你选择使用 Grok 4.2 作为模型时，系统会自动启动 4 个专门的 Agent 一起工作 Grok（Captain）：总协调、任务拆解、最终决策 Harper：负责搜索、信息收集、实时资料 Benjamin：逻辑、推理、细节核查、代码/数学类 Lucas：创意、反常识思考、避免思维定式
建议使用策略： 前期快速试错、大量生成，用Composer 2.5，速度快生额度； 最终关键镜头、复杂控制、角色一致性要求高，或者整体规划分镜 / 长流程指挥，用 Grok 4.2
Trim（裁剪）：裁掉开头或结尾
Extract Frame（提取帧）：从视频中提取静态帧
Stitch（拼接）：将多个片段拼接
Extend（延长）：从最后一帧继续生成
Animate / Image to Video：将图片转成视频
Upscale to 720p / HD（升级画质）：把 480p 视频升级到 720p
Duplicate（复制）：备份原视频或建立分支四、协同工作流实操演示
以我这次做的国风爱豆后台 Vlog 为例，具体做法概括为：
上传锚定图和关键帧 → 全部用 @ 明确引用 → 先用 480p 快速试错生成所有镜头 → 满意镜头抽帧续接下一镜 → 全部确认后再升级 720p → Trim 裁剪 → Stitch 拼接 → 导出到剪映精修。
这是成片：
1. 项目初始化：先让 Agent 认识全部素材
先把 人物设定图、服装参考、场景板、道具板、关键帧或故事板 全部拖进无限画布。
2. 生成单个分镜视频
通用模板（每个CUT都用这个改）：
示例（CUT1）：
严格使用 @林见夏-性感元气爱豆锚定 作为人物主参考。
生成6秒 9:16 竖屏视频，480p。
镜头：手臂长度手机前置自拍。
动作：林见夏用淡绿色折扇突然往下一收，露出脸，微微挑眉后笑出右侧梨涡。窗外轻风吹动碎发和耳边竹叶流苏。她把折扇靠在下巴旁，像分享秘密一样靠近镜头。
台词：（小声、轻松）“偷偷带你们看一下，我今天的后台。”
要求：真实Vlog感，表情自然活泼，有一点临上台前的兴奋。3. 用上一帧保证连续性（Extract Frame后）
4. 按顺序选中镜头，用 Stitch 拼成完整视频
所有镜头都裁完以后，再按时间顺序多选视频，执行 Stitch，把它们拼成一条完整的粗剪版本。
https://x.com/@zhongying145. 最后导出到，完成精修
粗剪确认没问题后，再导出做最后处理，包括：
- 删除冗余空白；
- 按音乐鼓点调节节奏；
- 加转场音效和环境音；
- 上字幕；
- 微调速度；
- 完成最终成片导出。
五、正确使用 Grok 的方式：把它当成 AI 视频训练场
Grok Imagine Agent 当然不是能力最强的视频 Agent，但可能是最适合新手学习 AI 视频工作流的工具之一。
它便宜、速度快，图片、视频、修改、抽帧、续写和粗剪都能放在同一张无限画布里。更重要的是，它还没有聪明到替你解决所有导演问题。
你仍然要亲自判断镜头怎么拆、人物怎么锁定、动作怎么简化、失败素材怎么补救、前后画面怎么连接。
这反而是它最大的学习价值。
当我以后再使用 Seedance 2.0 或更昂贵的视频 Agent 时，真正帮我节省额度的，不是更长的提示词，而是已经知道什么镜头能生成、什么镜头应该拆开，以及什么时候该放弃一段素材。
对刚开始学习 AI 视频的人来说，第一步不一定是买最贵的模型，而是先找一个成本可控的训练场，完整走通一次从视觉资产到最终成片的过程。
这里是麻酱AI实验室 @zhongying14 ，主要关注 AI 应用、运营提效、AI SaaS 站、AI人像图片和视频的实操路径。持续分享我自己正在验证的方法、踩过的坑，以及普通人也能直接上手的经验。感兴趣的话，欢迎关注，一起边学边做。