Pexo视频Agent获超千万美元融资：对话式AI视频创作详解

导读：AI视频行业正在从“生成一个镜头”转向“交付一条完整内容”。前剪映、CapCut与Vidu产品负责人廖谦创立的Pexo，把语言模型放在制作流程中心：用户描述目标，Agent再组织脚本、分镜、素材生成、剪辑和修改。据相关融资报道，Pexo所属团队已完成超千万美元天使轮融资；不过融资金额、ARR与流量结构主要来自公司或报道口径，仍需与正式披露区分。

01 / 离开剪映与Vidu后，他把“做视频”重新定义成一场对话

Pexo将自己定位为Content Agent，而不是单一的视频生成器。它想解决的并非“能不能生成一个漂亮镜头”，而是用户只有模糊想法时，系统能否理解真正的传播目标，并把结果组织成可以使用的完整视频。

创始人廖谦曾任生数科技产品副总裁、Vidu产品负责人，也曾在腾讯与字节跳动工作。他参与过火山引擎智能创作云，并在剪映、CapCut体系内发起海外AI内容平台Pippit。相关经历横跨云服务、内容工具、生成模型和商业化，也让他看到一个反复出现的问题：真正需要视频的人，未必想成为剪辑师。

据融资报道，Pexo所属团队近期完成超千万美元天使轮融资；此前在2025年10月获得数百万美元投资。团队表示，Pexo于2026年3月开启Beta测试，7月全面开放，目前主要面向海外用户。

02 / 它卖的不是模型，而是“从需求到成片”的交付

传统视频生产通常包括需求梳理、脚本、分镜、素材制作、剪辑、配音、字幕、音乐与多轮修改。即使AI已经能生成画面，用户仍要知道该调用哪个模型、怎样写提示词，以及如何把碎片重新拼成内容。

Pexo试图把这些中间步骤交给Agent。用户可以输入一句目标，也可以补充网址、PDF、图片、视频、音频、脚本或参考作品。系统先理解意图，再规划脚本、场景和镜头，调用不同模型制作素材，最后完成旁白、音乐、字幕、动效与剪辑。

这种体验类似vibe coding：用户负责表达“想做什么”，Agent负责思考“怎样完成”。成片不是终点，用户还可以继续用对话指出某一镜头太紧、文案需要提前、音乐不合适，或要求替换画面而保留其他部分。

03 / 谁最需要它？不是专业后期，而是持续需要内容的人

Pexo当前重点关注几类场景：软件团队和AI创业公司需要产品发布片、功能演示与更新视频；线下服务商需要业务介绍；教育和科普创作者需要稳定产出解说内容；品牌和营销团队则需要把同一信息适配不同平台。

这些用户的共同点是需要内容，但不一定具备专业制作能力。企业更关心视频有没有讲清产品、是否符合品牌语气、能否触达目标用户，而不是创作者使用了哪种运镜参数或时间线技巧。

团队称，Pexo约80%的流量来自英国、美国、澳大利亚和加拿大，也覆盖日本与中东。高人力成本市场对“用AI替代部分视频外包”的感知更直接，这也是其优先海外商业化的重要背景。

04 / 第一版做了四个月，为什么上线前又推翻？

2025年9月开始创业后，团队最初做的是一套基于Workflow的Agent：把视频制作拆成脚本、分镜、生成和编辑等步骤，让AI辅助，用户逐项检查。团队开发约四个月，也邀请数百名用户体验。

转折来自底层语言模型能力的提升。廖谦认为，当模型已经能够理解更长的任务、自己规划并持续执行时，固定工作流反而可能限制Agent。于是团队在正式发布前推翻第一版，于2026年3月推出更强调自主规划和结果交付的Pexo。

关键变化：旧版本让人按照预设步骤驱动AI，新版本尝试让AI理解目标、自主安排步骤，人只在方向和结果上介入。

05 / 真正的长期价值，可能来自对品牌上下文的积累

企业不会只做一条发布视频。它还会持续发布功能更新、经营社交账号、制作搜索内容，并根据反馈改变表达方式。如果系统能记住品牌定位、受众、视觉偏好、历史素材和已批准方向，下一次创作就不必从零开始。

Pexo因此希望从一次性生成工具变成长期内容伙伴。这个方向的价值不在于“记得越多越好”，而在于是否能把可验证的品牌资料、明确偏好和项目反馈组织成可靠上下文，同时允许用户查看、更正和删除。

06 / 不追求免费用户规模，先验证谁愿意持续付费

视频Agent执行长任务会反复调用语言模型、图像模型、视频模型和后期工具，免费用户越多，成本压力越明显。Pexo没有把扩大注册量作为第一目标，而是在Beta阶段调整不同地区的免费积分，观察使用频率与付费转化。

团队透露，按单周收入年化测算，Pexo的ARR已突破百万美元。需要注意，这类年化数据容易受短期波动影响，更适合视为阶段性经营指标，而不是已经实现的全年收入。

07 / 视频Agent怎样评测？画面清晰并不等于任务完成

代码可以通过测试用例判断是否运行，视频却同时涉及审美、叙事、节奏和传播效果。廖谦在公开交流中表示，团队曾投入大量精力建设评测体系；越有价值的复杂任务，越难被单一指标完整评价。

人物一致、画面清晰只是底线。产品是否讲清楚、节奏是否适合平台、风格是否符合用户需求，都必须回到具体任务。部分用户制作几分钟甚至更长的系列内容，评测就要覆盖需求理解、执行过程、偏离程度和最终可用性。

团队让既懂AI又具备审美和内容判断能力的成员参与Agent框架、评测集和迭代。换句话说，评测集本身就体现了团队的内容判断：什么结果可以交付，什么只能算生成成功。

08 / 为什么语言模型成本可能比视频模型还高？

按照廖谦的解释，真正Agentic的系统并不是调用一次视频模型就结束。视频模型更像执行工具，语言模型负责理解需求、规划任务、判断下一步、选择模型、读取反馈并协调多轮修改。

因此，长程任务里的Token消耗可能非常高。团队称语言模型相关成本占公司经营支出的比例超过一半。这个结构说明，视频Agent的成本优化不能只盯着单次视频生成价格，还要减少无效规划、重复读取上下文、失败重试和无意义的多轮调用。

09 / Harness不是永久护城河，垂类产品还剩什么？

廖谦并不认为Agent Harness本身足以成为长期壁垒。提示词工程、上下文工程和Harness都会被底层模型持续吸收；如果产品价值只建立在“比别人更会调用模型”，领先时间可能很短。

他更看重降低使用门槛、适配垂直场景交互和稳定交付结果。普通用户并不熟悉各种模型，也不愿充当整条生产线的制片人。垂类应用的机会，是把已有技术变成普通人真正可以使用的服务。

10 / 对AI应用机会的判断：行业觉得不新鲜，普通用户可能还没用过

团队对付费用户的访谈显示，七八成受访者平时接触最多的AI产品仍是ChatGPT，主要用途是聊天和问答。他们不熟悉各种编程Agent或视频模型，也不会主动把多个工具拼成工作流。

这意味着应用机会不一定来自一个让业内震惊的新概念，也可能来自把已有能力封装成更容易理解和购买的结果。对于创业者，外部建议需要听，但不能全部变成路线；团队仍要用真实用户和持续交付验证自己的判断，避免只接受与自身观点一致的信息。

11 / 使用教程：怎样让Pexo更容易交付一条可用视频？

先写业务目标：说明视频要让谁看、看完做什么、投放在哪里，而不是只写“帮我做得高级”。
提供事实材料：上传产品网页、功能清单、品牌手册、合法图片和必须出现的准确文案。
限定交付规格：写明时长、16:9或9:16、语言、配音、字幕、安全区和发布日期。
先审方案再生成：先确认脚本、分镜和视觉方向，减少高成本镜头返工。
把反馈写具体：指出哪一秒、哪个镜头、哪句字幕有问题，以及希望改成什么效果。
核对事实与授权：检查产品参数、商标、人物、音乐、字体、素材来源和AI内容披露要求。
按平台复检：确认封面、前3秒、字幕字号、音量、节奏和移动端可读性。

12 / 产品对比：Pexo适合替代哪一段流程？

类型	优势	局限	更适合
Pexo	对话理解、多模型调用、完整成片和持续修改	帧级控制不如专业时间线，长任务成本较高	营销、创业团队和非专业创作者
画布式视频Agent	流程可视化，便于控制节点和替换素材	用户仍需理解制作步骤	希望兼顾自动化与过程控制的团队
传统时间线剪辑	精确、成熟、适合复杂后期和最终精修	学习成本高，素材生产仍需其他工具	专业剪辑师和高要求商业项目
单模型视频生成	单镜头生成快，可直接控制模型参数	需要人工写提示词、选片和组装	实验镜头、素材生产和专业工作流组件