LibTV来了！带Skills的TapNow出现了

这两天看 LibTV 这一版产品页面，我脑子里冒出来的第一个词，就是 TapNow。

画布、节点、素材流转、从灵感到视频的一整套工作区，很容易让人产生Tapnow既视感。

说实话，这种感觉很正常。因为 AI 视频走到今天，产品形态本来就在快速收敛。你要同时调度文本、图片、音频、视频，还要兼顾脚本、参考图、镜头、复用资产，最后大概率都会长成一个大画布，外加一堆节点。所以我先说结论。如果只是 UI 像，讨论还停留在第一层。真正值得写的地方，是它把 Skills 也接进来了。

我为什么第一眼想到 TapNow我专门去翻了一下 TapNow 公开文档，它自己对外讲得很直接，产品核心是 AI 原生创意画布，画布上靠节点来组织文本、图片、视频这些不同能力。

这说明什么。说明现在这类产品，前端形态已经有了一个行业共识。谁来做，只要目标都是让用户在一个空间里调度多模态模型、串起创作流程，最后看起来都会有点像。就像今天你去看很多设计软件、代码编辑器、白板工具，布局上都会趋同。因为大家面对的是同一类任务。UI 趋同，本质上是工作流趋同。但话说回来，趋同不等于可以随便照搬。如果只是画布结构像，按钮位置接近，图层逻辑相似，我会把它看成行业收敛。如果连命名、视觉节奏、交互细节、信息架构、营销文案都高度重合，外加核心页面一比一复刻，那这个问题就会变得严肃很多。到了法律层面，也很少只盯着几个按钮像不像，通常还会看整体表达、独创性、商业混淆，以及有没有系统性复用别人的成果。这件事很难一刀切，但也没有那么玄。

Skills 这一步，意义比页面更大我更在意的，是这次产品变化已经开始往 agent 那边走了。用一个 API key，就能让 Codex、Claude Code、OpenClaw 这类 agent 去调用平台能力，这和过去互联网那种调 API 的感觉已经很接近了。

区别只是，当年的 API 面向开发者，如今的 Skills 和工具层，开始直接面向 agent。很多人会把 Skills 理解成一个提示词包，我觉得这个理解还是浅了一层。Skills 更像一层可复用的业务能力封装。里面可以放指令、工作流、脚本、模版、领域知识，agent 在合适的时候自动发现、自动调用。这样一来，平台就不只是给人点点点用的工具，它开始变成一个可以被 agent 持续消费的能力市场。这一步一旦成立，平台的主要用户界面就会慢慢变轻。人看到的，可能只是一个聊天框，或者聊天框加一个很轻的画布。真正重的部分，会沉到后面。沉到 skills。沉到模型路由。沉到素材资产。沉到 agent 的长期记忆和执行链条里。

未来真正有价值的平台，不只是把模型接得多。它得让 agent 知道什么时候该调用什么能力，调用完以后怎么继续往下做。

这也是为什么我会觉得，LibTV 这波更像一个信号。以前大家比的是谁模型多，谁界面炫，谁生成按钮更顺手。往后看，平台会越来越像一个 agent 的操作系统。人给目标。agent 负责拆解。skills 负责调度领域能力。模型负责生成。平台负责把成本、速度、资产和结果接起来。OpenClaw 为什么会把这件事推到台前如果没有 OpenClaw 这波热点，很多人可能还不会这么快意识到，平台形态已经开始变了。因为 OpenClaw 把一件事做得非常直白，它让越来越多普通用户第一次认真去想，原来 agent 真可以自己装 skills，自己调工具，自己把事情往下做。从 OpenClaw 官方文档看，skills 本身就是一套可安装的能力模块，可以来自本地目录，也可以来自 Git 仓库。放到 LibTV 这里，你会发现它做的动作很明确，直接把 libtv-skills 放到 GitHub，再给一个 Access Key，让 OpenClaw 这类 agent 去接。这就不是单纯在做一个新网站了。它是在告诉市场，AI 视频平台接下来要服务的对象，已经不只是在页面上点按钮的人。还有一类越来越重要的用户，是站在对话框后面的 agent。

天下苦 TapNow 久矣，但贵这件事也不能只看表面现在很多人都在说 TapNow 贵。这句话我完全理解。站在用户视角，任何平台只要价格上来，第一反应肯定都是值不值。但如果把视角稍微往底层放一点，这件事就没有那么简单。AI 视频本来就是一个高算力、高试错、高返工 的赛道。尤其是最近的视频模型，已经不是单纯的文生视频了。比如火山引擎公开介绍 Seedance 2.0 时，提到它支持文本、图片、音频、视频四种模态输入，最多可以吃 9 张图片、3 段视频、3 段音频，最长生成 15 秒。

你把这种能力真正塞进一个可商用平台里，背后牵扯到的就不只是推理成本，还有素材管理、工作流编排、失败重跑、版本对比、预览、存储、多人协作这些一整套系统成本。所以很多时候，大家骂的是价格，平台扛的是一整条链路的成本。这当然不代表谁贵谁就一定合理。功能不够强，体验不够顺，定价又高，用户照样会用脚投票。但至少在现阶段，AI 视频这门生意，天然就很难便宜。有人觉得 TapNow 贵，某种程度上也说明我们已经开始用商业化产品的标准去要求它了。这个要求本身没问题，只是别把账算得太轻。更关键的一点还在后面。等 Seedance 2.0 这类接口进一步放开之后，大家最终拼的，还是功能和价格。谁能把最强的视频能力以更稳定的方式接进来，谁能把成本压到用户能接受的区间，谁就更有机会把这场仗打下来。到那个时候，页面像不像，已经没那么重要了。真正重要的是，用户一句话下去，agent 能不能把片子做出来，做得够稳，做得够便宜。而 LibTV是和 liblib 平台的会员积分共同的，也就是你在一个平台上开会员充积分，两边都能使用，这种方式对于用户来说很方便。

从公开讨论看，用户要的东西其实很朴素我这次专门去翻了一圈公开讨论，越看越觉得，用户的诉求一点都不复杂。他们最后要的就是四个词。便宜。好用。少折腾。能稳定出结果。这个结论，不只是我自己脑补出来的。AI博主在 X 上发 LibTV 相关内容后，下面就有人直接留言，问得很现实，佬你收费了吗？如果收了的话请标注一下付费。这个评论一下子就把用户情绪点出来了。大家现在对新平台、新测评都很敏感，先看你是不是广告，再看值不值得试。再看 OpenClaw 那边，用户讨论更直接。Reddit 上最近高频出现的帖子标题，焦点已经从能力炫技，转到 Can I Use OpenClaw without being Rich??、Way too many input tokens in OpenClaw、Does the revenue cover the costs? 这些话翻成大白话就一句，别让我为了一个还不稳定的工作流，先把成本烧穿。所以从用户视角看，LibTV、TapNow、后面的更多平台，最后都得回答同一组问题：

我甚至觉得，这部分比产品宣发里的各种新概念更重要。用户不会为一个概念长期付费。用户会为稳定、省钱、省时间的结果付费。我们自己实操下来，有三个点确实挺有用说了这么多判断，再落回实操。这次看完你给的参考资料，我反而更确定一件事，LibTV 真正能打动创作者的，不是那些大词，还是你能不能在具体创作里省下一步、两步、三步。我们自己会重点看三个功能。1. 多角度，不用重写一堆提示词这一点其实很实用。同一张图，直接切鱼眼、倾斜、正面俯拍、正面仰拍、全景俯拍、背面视角这些预设角度，本质上是在帮你做同一资产的镜头扩写。

做 AI 视频的人都知道，最烦的从来不是没灵感，是你明明已经有一张对的图了，还得为了补机位重新生成一轮。重新写提示词，重新抽卡，重新对角色一致性。如果一个平台能把这件事往前推一步，那它就不是在炫功能，它是在替你省返工的时间。对我们这种长期做角色和场景资产的人来说，多角度不是炫技，是效率工具。2. 九宫格拆分，适合把一个好画面继续榨干九宫格这部分，我觉得特别适合做细节镜头延展。先把一张已经不错的九宫格点击 9 宫格选择。

直接裁出来的图会糊，因为尺寸只有原图九分之一。接着再对单张裁剪结果重新生成，让模型去提取这一格里的动作和信息，最后把画面重新拉回到精细状态。

这个动作听起来有点绕，但真做过图的人会明白，它很适合补手部、饰品、背影、局部情绪这些镜头。

你不用从零再生成一张。你是从一个已经对的世界观里，继续往下扩。这就很关键了。因为 AI 视频最怕的就是补镜头的时候突然换了一个人，或者突然换了一个空间。3. 二十五宫格，已经有点分镜预演的味道了二十五宫格就更进一步了。它不只是裁切，更接近把一个复杂场景拆成一整组可继续生成的镜头单元。

你可以把它理解成一种轻量级分镜板。先把整体氛围、人物关系、动作状态放进去，再从里面挑出值得继续放大的那几格，往下做图，往下做视频。这个思路和我们平时做 AI 视频其实很像。先把大世界搭出来。再挑有效镜头。最后把有效镜头做细。很多时候，真正拉开效率差距的，不是模型多强，是你有没有办法把一个好结果持续复用下去。

它更像一个中间层，能把灵感和成片之间那段最乱的流程接起来。抄袭和创新的边界，到底该怎么看这个问题很难，但我这几年看产品看下来，心里有一个比较朴素的判断。创新很少从真空里长出来。几乎所有新产品，都会站在旧产品肩膀上。你看到一个好交互，一个好页面，一个好组织方式，拿来学习，本身就是产品迭代的一部分。真正让人反感的，往往有两种情况。第一种，学了表面，没学明白底层逻辑，结果只复制了一个空壳。第二种，明明吃的是别人验证过的路径，却连自己的理解和增量都不愿意给。我觉得判断边界，可以看三个问题：你有没有解决一个新的问题、你有没有把旧问题解得更顺、你有没有在关键链路上给出自己的判断。如果三个问题都答不上来，那大概率只是换了个 logo。如果你确实把人和 agent 的关系往前推了一步，把 skills 接进来了，把外部工具开放出来了，把工作流从人操作升级成了人指挥 agent，那这个产品就已经在往前走。哪怕它看起来还有熟悉的影子，市场也会慢慢给出自己的答案。创新从来都不靠一句我们和别人不一样。它靠的是用户真正用过之后，发现这玩意儿确实更丝滑了，更强了，更省了。我更关心的，是 AI 视频平台和人之间的关系正在变以前的软件交互，核心是点。点菜单，点按钮，点下一步。这几年开始变成聊天框加画布。人一边说，系统一边生成，一边改。再往后，我真觉得很多场景会收缩成一个更纯粹的对话框。画布不会消失，但它会退到第二层，变成 agent 的工作现场，不一定一直暴露给人看。人只负责表达目标。平台负责理解目标。agent 负责执行目标。这时候平台真正的核心资产，也会慢慢从前端页面转移到另一边。沉淀在 agent 里的经验。沉淀在 skills 里的方法。沉淀在工作流里的 know-how。这和传统互联网时代调 API 已经很像了。只是今天调用接口的角色，越来越多时候已经换成了 agent。最后LibTV 这波让我最有感觉的地方，从来都不是它像不像 TapNow。我更关心的是，AI 视频平台终于开始往下一个阶段走了。从工具，走向基础设施。从给人直接操作，走向给 agent 调用。从拼页面，走向拼 skills、拼模型、拼价格、拼交付结果。这条路接下来一定会越来越卷。也一定会越来越贵。但它会越来越接近真实生产。下一阶段真正决定胜负的，不是页面像不像。是你的 agent，能不能用更低的成本，把更复杂的视频任务稳定做完。感谢你看到最后。如果你想先把素材资产这一步做得更丝滑一点，我们这边也把一个免费的 Gemini 二十五宫格图片智能体 gem 封装好了。

它最适合拿来做剧情分镜图、角色关系图、连续动作图。你先用它把二十五宫格跑出来，再把图上传到 LibTV 里面继续裁剪、重绘、生成，整条链路会丝滑很多。

文末扫码添加好友，备注gem，就可以直接领取。如果你也在关注 AI 视频平台接下来会怎么变，欢迎把这篇文章转给做产品、做内容、做 agent 的朋友一起聊聊。