browser-use 团队最近开源了一个叫 video-use 的项目，一天涨了近一千星。
它做的事听上去很科幻：你把一段没剪过的原始素材丢给 Claude，它能自动剪掉口头禅、对齐切点、加字幕和调色，最后吐出一条成片。
但让我停下来的是它的做法。
AI 会剪视频已经不算新鲜，怎么剪的才有意思。
这个能剪视频的 AI，从头到尾没有看过视频。
它没有一帧一帧去理解画面，没有把视频喂给多模态模型，大部分时间它面对的只是一份十几 KB 的文本。
这不是偷工减料。
这是目前最聪明的一批 agent 产品共享的同一套做法。
搞懂它，比知道"又出了个 AI 剪辑工具"有用得多。
假设你要让模型看懂一条十分钟的视频。
最直觉的做法是抽帧：每秒抽几帧，整条片子三万帧上下，每帧丢给多模态模型大约要一千五百个 token。
乘一乘，光是把画面看一遍，就要烧掉四千五百万 token。
而且看完模型记住的多半是噪音——它知道第 1.2 万帧有个人在说话，但说了什么、哪里该剪，画面本身根本告诉不了它。
这不是假想。
今年五月有个公开测评发现，纯靠看屏幕干活的视觉 agent，完成同一个任务消耗的 token 是直接调接口的 45 倍。
算力账单是一方面，更要命的是它还做得更差——看截图点按钮的 agent 经常点错位置、被弹窗带偏。
让模型直接啃原始数据，是个又贵、又笨、还容易错的方向。
video-use 换了个问法
video-use 没有问：
"这帧画面里有什么？"
它问的是：
"这段话是怎么说的？"
它先用 ElevenLabs 的语音转写，把整条素材变成一份带逐字时间戳、能区分说话人、连"（笑）（停顿）"都标出来的文本。
这份文本只有十几 KB。
Claude 拿到的就是它——一份可以用文字精度去推理的剧本。
剪辑说到底就是在时间线上做决策：
- 哪句重复了
- 哪里卡壳了
- 这段留还是删
这些判断在文本上做，比在画面上做又快又准。
模型读到：
"嗯……那个，我们今天来聊……"
立刻知道这是要删的废话，根本不需要看脸。
那画面什么时候才用得上？
只在拿不准的关键节点。
比如：
- 两条都说得不错的备选片段要二选一
- 某个停顿到底是口误还是故意的
这时候它才临时生成一张由胶片缩略图、声波图和文字标签拼起来的合成图，看一眼。
昂贵的感知全程关着，只在卡壳的节点上才点开一下。
整条片子剪下来，文本十几 KB，加上几张关键节点的图，跟四千五百万 token 的笨办法比，几乎可以忽略。
这套做法，browser-use 早就用过一遍
如果你觉得眼熟，是因为 browser-use 自己就是靠同一招起家的。
让 AI 操作网页，笨办法是截屏给它看，让它判断：
"登录按钮在哪、点哪里。"
browser-use 不截屏。
它把网页的 DOM 结构——也就是页面背后那棵标签树——整理成文本给模型。
模型读到的是结构化的数据，看图这一步被整个省掉了。
效果是同一个方向：
有研究发现，用结构化的元素定位代替整页截图，能省下九成以上的上下文；
而且模型读的是确定的结构，不会被样式、弹窗这些视觉噪音带偏，第一次就点对的概率高得多。
往回看你会发现，这些年真正跑起来的 agent，几乎都在做同一件事：
- 写代码的 agent，读的是文本和语法树，不是你 IDE 的截图；
- 操作浏览器的 agent，读的是 DOM，不是网页画面；
- 剪视频的 agent，读的是转写文本，不是视频帧。
它们处理的领域天差地别，但解题思路是同一个。
可以带走的判断框架
把上面这条线抽出来，就是一个能反复用的思维模型：
强大的 AI agent，几乎从不让模型直接面对原始世界。
它先把所在领域压成一种模型本来就擅长的结构（文本、树、序列），在结构上做绝大部分推理，只在关键决策点才动用昂贵的原始感知。
视频被压成转写文本。
网页被压成 DOM。
代码本来就是文本。
找到这个低成本的结构表示，是这类产品能不能成立的胜负手。
所以下次再看到一个号称全自动的 AI agent，与其听它演示，不如拿三个问题去戳它：
第一，它有没有把领域压成结构化的表示？
还是让模型硬啃原始数据（截图、视频帧、整页 HTML）？
后者基本意味着又慢、又贵、又不稳，很难规模化。
第二，昂贵的原始感知是全程开着，还是只在关键节点按需调用？
全程开着的，成本会随任务长度爆炸。
demo 好看，真用起来烧不起。
第三，那层结构表示本身准不准？
video-use 的命门在转写——转写错一个字，后面所有剪辑判断都建在错的地基上。
一个 agent 的上限，往往不取决于模型多聪明，而取决于它把世界翻译成结构时丢了多少、错了多少。
这三个问题，不光能用来挑工具，也能用来想自己手上的活：
如果你想让 AI 接管某件事，第一步不是急着把原始材料一股脑塞给它，而是先想清楚——
这件事有没有一种又便宜又准的结构表示，能让模型在上面动脑子。
想明白这一层，往往比换一个更大的模型更管用。
video-use 表面是个剪辑工具。
它展示的是这一代 agent 看待世界的方式：
与其睁大眼睛盯着原始画面，不如先把世界翻译成自己读得懂的语言，再开始动脑子。
