VideoAgent：用于视频理解与编辑的一体化框架

针对现有自动视频编辑系统在长视频理解与多样化操作上的局限，本文提出 VideoAgent 一体化智能体框架。该框架包含两大创新：一是利用镜头规划智能体实现自动化镜头创作以构建连贯叙事；二是设计集成三十余个专用编辑智能体的多智能体编排系统，通过意图解析过滤工具并结合文本梯度图优化组装复杂编辑流程。实验表明，该系统在协调成功率及成本效益上显著优于现有模型，生成内容接近人类专业水平。