郭列 2013 年做出脸萌，之后是 FaceU 激萌，2018 年被字节跳动以 3 亿美金并购，随后在字节孵化了轻颜相机、剪映和醒图。2025 年创业做 Flova，入局视频 Agent 赛道

我关注郭列这次创业，不只是因为他连续做出了脸萌、FaceU 激萌、轻颜相机、剪映和醒图，也不只是因为 Flova 获得了两轮、累计超过 8000 万美元的融资。

更值得研究的是，他在 2025 年重新创业时，没有把视频 Agent 理解为一个更方便的视频生成器，而是把它当成一种新的创作组织方式。

我的判断是：视频 Agent 的价值，不在于替人生成几个漂亮镜头，而在于接管复杂项目里的执行、资产和上下文，让人把注意力重新放回故事、审美与取舍。

这也是郭列从消费产品转向 Agent 产品后，最值得观察的变化。

从亲自做短片开始，而不是从赛道概念开始

Flova 的起点很具体。

郭列曾经用 Midjourney 做图、用可灵生成视频，再用剪映辅助剪辑，花两周做出一部三分多钟的 AI 短片。人物一致性不好，需要反复“抽卡”；不同镜头的素材要人工收集和整理；大量时间消耗在创作者并不享受的工作上。

这段经历让他看到，问题不是缺少一个模型，而是创作过程被切成了太多互不相连的步骤。

单个模型可以生成图片、视频或音乐，却不会主动理解完整项目，更不会替创作者管理角色、镜头、素材、版本和修改关系。

所以 Flova 选择做 Agent。它试图把原来由人承担的规划、调度和管理工作交给系统。

我认为，这个出发点比“AI 视频是大赛道”更可靠。真正的产品机会往往不在技术最耀眼的地方，而在用户为了得到结果，不得不反复承担的麻烦里。

郭列重新选择了自己的能力边界

郭列在采访中谈到，此前做游戏让他意识到，自己并不是“天才制作人”。他喜欢电影、剧本和视频，也学习过剪辑、拍摄和剧本，但这不等于他适合成为导演。

他更擅长的，是把复杂能力产品化，让更多人可以使用。

这是一个很重要的创业判断。

创业者选择方向，不能只看自己喜欢什么，也要看自己能把什么变成组织能力和产品能力。喜欢创作，不一定要亲自成为最好的创作者；为创作者制造更好的工具，同样可以形成很大的价值。

从脸萌到 FaceU，再到轻颜相机、剪映和醒图，郭列过去一直在做一件事：把专业或复杂的视觉表达，转化为普通用户可以理解和使用的产品。

Flova 延续了这条路径，只是产品对象从功能和工具，变成了能够自行推进任务的 Agent。

视频 Agent 不是模型聚合平台

现在很多视频产品都可以调用多个模型，也都可能采用对话或画布界面。但是否使用多模型、是否有聊天框，并不能证明它是 Agent。

区分两者的关键，是谁在组织创作过程。

在模型聚合平台里，用户仍然要理解不同模型的能力边界，自己写提示词、拆分镜、保持一致性，再把一次次生成的结果组织起来。

视频 Agent 则要理解用户的创作目标，选择模型和工具，管理素材与版本，并在修改发生后处理它对整个项目的影响。

例如，一个十镜头项目删除了某个角色，这不只是重新生成一个片段。相关镜头、参考素材和音频都可能需要调整。只有把这些关系放在同一个上下文里，Agent 才有可能真正接手工作。

因此，我认为视频 Agent 的产品单位不是“一次生成”，而是“一个持续推进的项目”。

如果产品只是把多个模型装进一个界面，它解决的是调用便利性。如果它能够理解项目状态、维护资产关系并连续行动，才开始接近真正的 Agent。

真正困难的是多模态资产管理

Coding Agent 给视频 Agent 提供了重要参照，但两者并不相同。

代码天然以文件存在，可以用 Git 管理版本，可以通过测试验证结果。视频项目里的上下文则包括图片、视频、音频、提示词、角色设定、分镜和用户上传的素材，它们之间还有复杂的引用关系。

同一张图既可能是某个镜头的参考图，也可能成为另一个镜头的关键帧。用户最终选中的版本，可能不是第一次，也不是最后一次，而是中间某次偶然出现的结果。

这意味着视频 Agent 的基础设施不能只是对话记录。它还必须知道用户选了什么、放弃了什么，某项素材被哪些镜头使用，以及哪种风格需要继续保持。

项目从十个镜头发展到几百集、几千个镜头后，这个问题会迅速放大。

所以我更愿意把视频 Agent 的核心看成一套多模态项目系统。生成模型决定单次输出的能力，资产、版本、记忆和引用管理决定它能不能完成长期而复杂的创作。

人的 Taste 不是等待被消灭的缺陷

创作与编码还有一个根本差异：许多结果没有唯一、可验证的答案。

一个画面是否合适，一个角色是否有感觉，一种镜头语言是否符合故事，最终都需要人的判断。模型可以批量探索，人可以凭直觉比较，但这类判断很难完全交给自动评价。

因此，视频 Agent 不应该把“人仍要参与”视为产品不够先进。

恰恰相反，好的产品应该让 Agent 自由执行，让人低成本地比较、选择、确认和纠偏。执行尽可能自动化，判断尽可能直观化，两者之间的信息保持同步。

一句话生成一分钟视频，可能越来越容易。但生成速度提高，并不会自然产生高质量作品。作品的价值仍然来自创作者在故事、画面和情感上的持续选择。

我的判断是，Agent 不会替创作者拥有品味，它会放大创作者已有的品味。产品真正要减少的不是人的参与，而是人的无效劳动。

Flova 学 Claude Code，学的不是代码界面

Flova 团队重点研究 Codex、Claude Code 和 Manus，不是因为视频产品要模仿编程产品的外观，而是因为 Coding Agent 更早进入了真实项目环境。

代码库、文件、diff、测试、Git、权限和 review，共同构成了 Agent 可以行动、用户可以检查的工作空间。Agent 不只是回答问题，而是理解目标、读取状态、调用工具、处理错误，再把结果交给人接管或验收。

Flova 想把这套产品思想迁移到视频创作。

视频里的对应物，是素材、版本、分镜、时间线、工具和用户判断。Agent 要在项目边界内推进任务，用户要随时知道它做了什么，并能比较、修改和接管。

这说明 Agent 产品的竞争，不只是模型能力竞争，也不是加一个对话框。更深层的竞争，是谁能为 Agent 建立一个真实、完整而可控的工作环境。

Skill 是方法，不是壁垒

Flova 把不同创作场景中的任务拆解、工具使用、生成顺序和人工判断沉淀为 Skill。这可以降低进入某类创作任务的门槛，也允许专业用户按照自己的流程继续修改。

但团队并没有把 Skill 数量直接等同于壁垒。

我认同这个判断。

技术方案会变化，Skill 只是当前组织经验的一种方式。今天有 Skill，明天可能出现新的插件、协议或上下文组织方法。静态积累了一批 Skill，不代表产品能够长期领先。

真正重要的是，能否从真实项目中不断发现哪些方法可复用，哪些环节该交给 Agent，哪些判断必须留给人，并把这些认识持续更新到产品里。

Skill 的价值不在于像模板商店一样堆数量，而在于把经过真实创作验证的方法变成 Agent 可以执行、用户可以改造的能力。

壁垒来自同时观测用户和 Agent

传统互联网产品主要观察用户：他点了什么，在哪一步流失，是否完成转化。

Agent 产品多了另一个需要被观察的对象——Agent 的行动过程。

团队不仅要理解用户为什么接受或拒绝一个结果，还要理解 Agent 如何拆解任务、调用了什么工具、在哪里失败，以及怎样调整路径。

这两类观察合在一起，才可能发现人和 Agent 之间真正的摩擦。

有些问题会随着模型进步自然改善，有些问题则必须由产品长期解决。能否分清两者，决定了团队是在等待模型，还是在建设自己的能力。

所以我认为，Flova 所说的“观测”并不是一般意义上的数据分析，而是一套新的产品学习机制：同时理解人的意图、Agent 的行为，以及两者交换信息的方式。

在模型和交互方案快速变化的阶段，这种持续学习能力，比任何当前功能都更接近长期壁垒。

商业化要先服务愿意为结果付费的人

视频 Agent 还没有进入大众普及阶段。

素材提到，国内普通用户愿意为一条日常表达视频支付的金额，大约是几元到十几元，而当前实际成本仍可能达到几十元到上百元。两者之间存在明显错位。

这决定了 Flova 现阶段要优先服务专业或有明确商业回报的场景。

团队把 ARPU 和付费渗透视为两个关键指标：用户愿意为结果支付多少，以及服务人群中有多少人拥有持续付费动机。

这不是简单地追求高价用户，而是在生成成本仍然较高时，先找到价值大于成本的闭环。

美国、日本和中国构成了 Flova 当前用户量最多的三个地区，但需求结构并不相同：美国更偏社交营销和品牌内容，日本更多由兴趣和持续的角色故事驱动，中国则因为短剧、漫剧已经形成生意，专业创作者更愿意投入。

我的判断是，视频 Agent 的大众市场要等成本、质量和使用门槛同时下降。在此之前，先进入有溢价、有复购、有明确结果价值的专业场景，是更现实的生存路径。

模型越强，应用层未必越薄

外界常担心，基础模型能力不断增强，会吞掉应用公司的价值。

Flova 提出了相反的判断：模型越强，Agent 可以组织的能力越多，用户对可控性和完成度的要求也越高。

这个逻辑在视频领域尤其明显。图片、视频、音乐和语言模型的领先者可能来自不同公司，效果、速度和成本也各有取舍。应用层需要根据任务调度这些能力，而不是只分发某一个模型。

当模型支持更多参考素材和更复杂的控制条件时，普通用户反而更难手工准备全部输入。Agent 可以帮助生成、筛选和管理这些素材，把模型的新能力转化为可用的创作流程。

因此，应用层是否会被模型吃掉，取决于它只是包装模型，还是掌握了复杂项目的组织与协作。

如果价值只来自一个更方便的调用入口，确实容易被替代。如果价值来自多模型调度、项目上下文、资产关系、用户判断和长期工作流，模型进步反而会扩大应用的发挥空间。

AI-Native 组织的核心是共享上下文

Flova 团队把产品文档、代码和用户 Trace 放进可共享的上下文里。产品、技术、设计和市场人员可以从各自角度理解同一个产品状态，角色之间的边界因此变得更淡。

产品人员可以用 Coding Agent 实现功能，再由技术人员 review；设计可以直接在实现基础上调整；市场人员也可以结合代码和用户场景理解功能。

这里最重要的变化，不是每个人都会写代码，而是过去分散在人、文档和系统里的信息，开始能够被共同读取和调用。

我认为，AI-Native 组织不是把所有工作都交给 AI，也不是重新给 AI 安排一套部门和职位。它首先是让关键上下文可以流动，再让最了解问题的人更直接地推动结果。

如果当面聊几句更快，就直接沟通；如果任务复杂、需要持续执行和 review，就交给 Agent。AI 是提高效率的手段，不是组织表演先进性的形式。

先留在牌桌上，再等待视频 Agent 的普及

郭列把今天的 AI 类比为 iPhone 发布三年后的移动互联网，仍然处在很早期的阶段。

这个类比是否准确并不重要，重要的是它反映了他的创业策略：相信模型和 Token 会越来越便宜，视频生成会越来越普适，但不押注今天的产品形态就是终局。

对早期 Agent 创业公司来说，既要有长期信念，也要接受短期形态会反复变化。Skill 可能变化，交互可能变化，领先模型也可能变化。

真正需要长期保留的，是理解用户、理解 Agent、组织多模型能力，并把复杂创作变成可持续项目的能力。

从脸萌、FaceU 激萌到轻颜相机、剪映和醒图，郭列过去证明了自己能够把新技术转成大规模消费产品。Flova 面临的挑战更难：它不只是要设计给人使用的工具，还要同时设计 Agent 的工作环境，以及人与 Agent 的协作关系。

这一次，决定成败的可能不再是某个爆款功能，而是团队能否比别人更早看清：人把什么交给 Agent，Agent 如何接住，以及最终什么必须由人来决定。