当 AI Agent 从“会聊天”逐渐走向“会做事”，一个越来越重要的问题开始浮现：Agent 除了生成文字，还能不能直接完成图片、视频、音频和设计任务？
SamurAIGPT 开源的 Generative-Media-Skills 正是在解决这个问题。
Generative-Media-Skills GitHub 仓库 将大量生成式媒体能力封装成适合 AI Agent 调用的 Skills，使 Claude Code、Cursor、Gemini CLI、OpenCode 等 Agent 不仅能够理解用户的创意需求，还可以进一步把需求转换为实际的媒体生产流程。
截至 2026 年 8 月，该项目 GitHub 页面显示已经获得超过 4,100 个 Stars 和超过 470 个 Forks，并且仍在持续更新。
一、它解决的不是“生成图片”，而是“让 Agent 完成创作”
传统的 AI 图片或视频工具通常遵循这样的模式：
用户输入 Prompt → 模型生成结果 → 用户下载
这种模式对于单次创作已经足够，但对于 AI Agent 来说远远不够。
Agent 真正需要的是：
理解需求 → 选择合适模型 → 准备素材 → 生成 → 编辑 → 检查结果 → 继续下一步
例如用户说：
“把这张产品照片制作成一个 10 秒的高端广告视频。”
这句话实际上包含了多个任务：
- 理解产品和品牌定位；
- 分析原始产品图片；
- 设计视觉风格；
- 规划镜头；
- 生成关键画面；
- 将图片转换成视频；
- 加入适合的运动效果；
- 最终输出广告素材。
Generative-Media-Skills 的核心价值，就是把这些复杂任务组织成 Agent 可以理解和执行的技能流程。
因此，它更像一个面向 AI Agent 的“创意生产层”，而不仅仅是一个 API 封装。
二、Core + Library：项目最值得关注的架构
这个项目采用了非常清晰的 Core / Library 双层架构。
Core：提供基础能力
/core 中主要是底层原语，包括：
- 媒体文件上传；
- 图片编辑；
- 平台认证；
- API 调用；
- 结果轮询。
这些能力本身并不负责复杂的创意决策，而是提供稳定的基础设施。
项目将底层调用交给 muapi-cli，因此开发者不需要为每一个模型重新编写 curl、JSON 解析以及结果轮询逻辑。
这对于 Agent 尤其重要。
Agent 更希望得到这样的接口：
生成图片
生成视频
编辑图片
上传素材
获取结果
而不是面对大量 API endpoint、HTTP headers 和 JSON response。
Library：提供“专家知识”
真正有意思的是 /library。
这里并不是简单地堆放 API 示例，而是把专业创作知识编码成 AI Agent 可以执行的 Skill。
例如项目目前提供：
- Cinema Director
- Nano-Banana
- UI Designer
- Logo Creator
- Seedance 2
- AI Clipping
- YouTube Shorts
这些 Skill 相当于给 Agent 增加了一层“专业能力”。
比如一个普通模型可能只知道：
“生成一个电影感的视频。”
而 Cinema Director 类型的 Skill 可以进一步把创意转化为摄影机运动、构图、镜头语言、光线、景别和节奏等具体指令。
这就是项目非常重要的设计思想：
模型负责生成，Skill 负责把创意变成可执行的专业工作流。
三、41 个 Recipe，把复杂创作变成可执行流程
项目目前提供了 41 个工作流 Recipe，覆盖 Motion、Social、Visual 等方向。
其中最值得注意的是，它们并不是简单的 Shell 命令集合。
README 将 Recipe 描述为由 LLM 负责执行的端到端工作流。每个 Skill 都通过 SKILL.md 描述输入和步骤，然后由 Claude Code、Cursor 或 MCP 等 Agent 根据这些步骤调用底层能力。
这意味着：
Skill 本身更像一份“AI 创作 SOP”。
例如一个产品广告工作流，可以抽象成：
产品图片
↓
分析产品特征
↓
确定视觉方向
↓
设计广告画面
↓
生成关键帧
↓
关键帧 → 视频
↓
生成动态效果
↓
输出广告素材
对于 Agent 来说，这比单独调用一次“文生图 API”强大得多。
四、从视频到社交媒体：覆盖完整内容生产链
Generative-Media-Skills 的另一个特点，是它没有把重点局限在某一种媒体。
1. 视频生成
项目包含大量视频方向的 Skill，例如：
- 3D Logo Animation
- AI Fight Scene Generator
- Animal Vlogger Video
- Cartoon Dance Animation
- Character Story Video
- Drone-Style Video
- Jewelry Product Video
- Music Video
- One-Shot Video
- Cinematic Product Ad
- UGC Video Factory
这意味着 Agent 可以从“一个想法”出发，一直走到视频成片。
尤其是 UGC Video Factory 这样的流程，本质上已经非常接近商业广告生产：
人物照片 + 产品照片 + 脚本 → 竖屏 UGC 广告视频。
2. 图片与设计
视觉方向的 Skill 同样丰富。
例如：
- Action Figure Generator
- Amazon Product Listing Pack
- Brand Kit
- Brochure Designer
- Fashion Try-On
- Floor Plan Rendering
- Interior Design
- Logo Generator
- Storyboard Generator
- YouTube Thumbnail
这让 Agent 的角色从“图片生成器”进一步变成了一个小型设计工作室。
例如电商卖家可以提出：
“帮我为这个产品制作完整的 Amazon 图片素材。”
Agent 就可以按照既定 Skill，生成主图、生活方式图片、信息图、对比图和细节特写，而不需要用户分别设计几十个 Prompt。
五、真正的杀手级能力：组合，而不是单点模型
目前生成式 AI 最大的问题之一，是模型非常多。
图片有 Midjourney、Flux、Gemini 等；
视频有 Kling、Seedance、Veo 等；
音乐又有 Suno 等。
用户真正头疼的往往不是：
“有没有模型？”
而是：
“我到底应该怎么把这些模型组合起来？”
Generative-Media-Skills 的答案是通过 Skill 来解决。
README 显示项目可以访问超过 100 个 AI 模型，并覆盖 Midjourney、Flux Kontext、Seedance、Kling、Veo 等不同类型的生成能力。
因此，模型不再是用户直接面对的核心对象。
用户面对的是：
“制作一个产品广告。”
Agent 再决定背后应该使用什么模型、什么参数以及什么流程。
这实际上是从 Model-centric 向 Task-centric 的转变。
六、为什么 MCP 也很重要？
项目还提供 MCP Server。
README 中给出的方式是：
muapi mcp serve
通过 MCP，可以把这些媒体能力直接暴露给 Claude Desktop、Cursor 或其他兼容 MCP 的 Agent。
这带来的变化非常明显。
传统方式：
ChatGPT / Claude
↓
告诉用户怎么调用 API
↓
用户自己运行脚本
MCP + Skills：
用户
↓
AI Agent
↓
理解创意
↓
选择 Skill
↓
调用媒体工具
↓
生成素材
↓
返回结果
换句话说，AI 从“指导用户使用工具”变成了“自己使用工具完成工作”。
这可能才是 Agent 时代生成式媒体真正值得关注的方向。
七、快速体验
项目的安装流程也相对直接。
首先安装 muapi-cli：
npm install -g muapi-cli
然后配置 API Key：
muapi auth configure
接着安装全部 Skills：
npx skills add SamurAIGPT/Generative-Media-Skills --all
也可以只安装特定 Skill：
npx skills add SamurAIGPT/Generative-Media-Skills \
--skill muapi-media-generation
项目还支持针对特定 Agent 安装，例如 Claude Code 和 Cursor。
完成后，就可以直接进行基础图片生成：
muapi image generate \
"a cyberpunk city at night" \
--model flux-dev
或者进入更高级的 Skill 工作流。
例如电影场景可以使用 Cinema Director：
bash scripts/generate-film.sh \
--subject "a cybernetic dragon over Tokyo" \
--intent "epic" \
--model "kling-v3.0-pro" \
--duration 10 \
--view
这些例子说明，项目试图建立的是从自然语言创意 → Agent Skill → CLI/API → 媒体结果的完整链路。
八、它真正代表了什么？
如果只把 Generative-Media-Skills 看成一个“AI 图片/视频生成工具合集”，其实低估了它。
它更值得关注的地方在于：
第一，Prompt 正在变成 Workflow
过去：
写一个好 Prompt。
现在：
设计一个完整 Workflow。
未来：
让 Agent 自己选择和执行 Workflow。
第二，Skill 正在成为 Agent 的“专业知识插件”
一个通用大模型知道很多事情，但不意味着它天然就是摄影师、导演、设计师或广告创意总监。
Skill 可以把这些领域知识结构化。
例如：
用户意图
↓
专业 Skill
↓
创作策略
↓
模型选择
↓
参数与 Prompt
↓
生成
因此 Skill 层实际上承担了“专业经验”的角色。
第三，AI 创作开始从单模型走向模型编排
未来真正强大的 AI 创作系统，可能不是：
“最强的一个模型。”
而是：
“能够根据任务，自动组合最合适模型的 Agent。”
一个广告项目可能同时需要：
LLM
↓
脚本
Image Model
↓
视觉素材
Video Model
↓
动态镜头
Audio Model
↓
配乐 / 音效 / 配音
Editing
↓
最终成片
Generative-Media-Skills 已经在尝试把这种模式标准化。
九、谁最适合使用？
这个项目尤其适合以下几类人。
AI 开发者
如果你正在开发 Claude Code、Cursor 或其他 Agent，可以直接借鉴它的 Skill 组织方式。
内容创作者
如果你需要批量制作图片、短视频、广告、社交媒体素材，Recipe 模式可以明显减少重复 Prompt 工作。
电商团队
产品广告、商品图、Amazon Listing、UGC 广告等工作流都非常贴近实际商业需求。
设计师
Logo、Brand Kit、UI、室内设计、宣传册等 Skill 可以作为创意探索工具。
Agent 开发者
更重要的是，这个项目提供了一个值得研究的范式：
如何把“人类专家的创作流程”转换成 Agent 能够执行的 Skill。
十、结语：下一代 AI 创作工具，也许不是一个 App
Generative-Media-Skills 最值得关注的地方，并不是它集合了多少模型，而是它展示了一种新的产品形态：
AI Agent + Skills + Models + Workflow。
模型提供能力，Skill 提供专业知识，Workflow 负责组织步骤，而 Agent 则负责理解用户意图并执行整个过程。
这意味着未来我们使用 AI 创作时，可能不再需要：
打开图片工具 → 写 Prompt → 下载 → 打开视频工具 → 再写 Prompt → 编辑 → 导出。
而可能只需要告诉 Agent：
“把我的产品做成一套完整的社交媒体广告 campaign。”
剩下的事情，由 Agent 自己完成。
从这个角度来看，Generative-Media-Skills 并不只是一个生成式媒体工具箱，而是在探索一种更重要的方向：
让 AI 从“生成内容”走向“完成创意任务”。
暂无评论内容