momo画布通用Agent实操教程：一人搞定AI短剧全流程

一套画布Agent能否撑起完整AI短剧制作

AI短剧创作正从多工具拼接走向一体化工作台。B站UP主分享的这套「momo画布通用Agent」把偏好配置、技能管理、白模生成、MCP扩展和媒体传输整合在同一画布内，目标很直接：让一个人也能相对低成本地跑通短剧的关键环节。

本文基于该教程的实操演示，梳理这套通用Agent的核心功能与使用逻辑，帮助初次接触画布工作流的创作者快速上手，也顺带厘清上下文管理这个容易被忽视却直接影响效率的关键点。

偏好配置与节点激活：让Agent按你的意图工作

打开工作台后，第一步是偏好配置。这里可以设定Agent自动化连线、创建节点的默认行为，以及默认使用的模型和配置。一个关键选项是「自动执行」与「询问」的区别——若设为询问模式，Agent不会直接替你生成图片或视频，而是先与你确认，这在避免误操作和节省算力上很实用。

节点激活有两种方式。想让Agent单独读取某张图片，可以通过提示词里的 add 指令指定，也可以直接点击目标节点，Agent会识别当前激活的节点并自动读取。退出查看单个节点时，用键盘左上角的 ESC 键即可，操作逻辑与常见编辑器保持一致。

技能系统与上下文管理：常驻名额是把双刃剑

技能是这套Agent最需要理解的模块。系统内置了若干基础技能，如MCP安装、SQL制作等，同时支持用户导入自己的技能——单个SQL文件、脚本、文件夹乃至ZIP包都可以上传，也能手动创建，填写名称、key、描述和具体内容即可。

真正需要留意的是「常驻」机制。系统默认提供五个常驻名额，常驻意味着该技能的描述会一直保留在上下文中。好处是语义识别到需求时会自动调用，坏处是开得越多，无用的上下文占用就越大。教程给出的建议很务实：用不到的系统默认技能（如场景、图像生成指导）直接关闭，释放上下文空间，同时也能减少模型幻觉。不常驻的技能则需要手动激活，通过点击或输入斜杠指令唤起。

这套「按需开关技能以控制上下文」的思路，贯穿了整个工作台的设计。

上下文（Context Window）是大语言模型在一次对话中能"看到"的全部信息总量，以token为单位计量。每当Agent调用技能、读取图片描述或处理历史对话，这些内容都会累积占用上下文空间。当上下文接近模型的处理上限时，模型往往会"遗忘"较早的内容，或者因为信息过于嘈杂而产生幻觉——即输出不符合实际指令的内容。因此，技能描述是否常驻直接影响模型的"有效注意力"：一个描述简短但意图明确的技能比塞满无关描述的上下文，能让模型更精准地理解和执行指令。这也是为什么「按需开关」不只是节省算力的技巧，更是保证生成质量的基础操作。

白模生成：简易白模也足够用

白模是新增的重点功能。默认关闭以防幻觉，使用时可以直接 @ 目标节点（如风景节点）让Agent识别。教程特别提醒了一个工作流细节：如果已经用「导演Agent」跑完故事版，就不要再用它做白模一眼——因为导演Agent此时上下文已经很大，正确做法是新开一个窗口，激活cquad技能后再生成白模，Agent会扫描资产并完成创建。

需要区分的是，这里的白模是「简易白模」，主要参考站位和分镜，而非导演台的「精确白模」。据UP主实测，只要不追求极精细的动作复刻，简易白模效果已经不错，C端也提供了可参考的动作与站位。操作上支持多机位切换、自由观察（右键移动、左键旋转视角）、截图当前画面，以及录制完整语言。写提示词嫌麻烦的话，直接让Agent代劳即可，它会自动把视频导过去并写好参考提示词，明确谁对应哪个角色、参考什么。

此外，编辑过的内容会有变更标记，点击可定位并对比编辑前后，不满意可一键恢复——这对反复调整分镜很友好。

MCP扩展与建模：给Agent接上外部能力

MCP面向有一定基础的用户。教程的态度很坦诚：完全不懂就当它不存在。会用的话，可以像配置GPT那样填写启动命令、参数或网络地址；不会写配置的，可以激活cquad里的MCP安装技能，把MCP信息或GitHub项目地址直接丢给它处理（GitHub项目建议开启联网更方便，但联网收费）。

同样地，MCP也要遵循「用时开、不用时关」的原则。一个MCP往往包含大量技能，全部开启会把这些技能塞进上下文，平时根本用不到却持续占用资源。

演示中用Blender的MCP做建模，UP主推荐 Gemini 的 3D8 Flash 快速模型，理由是又便宜又快，3D8模型对多数场景已经够用，效果不逊于更贵的模型。建模完成后可以录制成视频导入，或保存为资产供下次复用。这里还有一个环境提示：这套工具平时不需要代理，Win系统开代理可能导致DNS解析报错。

MCP（Model Context Protocol）是Anthropic于2024年底提出的开放协议，旨在为大语言模型提供标准化的外部工具调用接口。简单理解，MCP相当于给AI配了一个"插件市场"——开发者可以把任意本地程序、API或数据库封装成MCP服务，模型通过统一协议调用，无需为每个工具单独适配。Blender的MCP即是将3D建模软件接入Agent的典型案例：模型可以直接向Blender发出建模指令，而不需要用户手动操作软件界面。由于每个MCP服务可能包含数十个子技能，全部注入上下文的代价极高，这也是教程强调"用时开、不用时关"的根本原因。

媒体传输与运行参数：URL直连更快

媒体上传默认采用URL直连方式。通用Agent在运行中会频繁查看图片、视频，如果用B64编码，包体会非常大，加上服务器限流会拖慢对话。URL直连则是从本地客户端点对点传到服务器，速度更快，且这套方案不做限流，费用由作者自行承担、对用户免费。

若遇到加载图片超时报错（可能是OpenAI或相关服务端问题、网络慢），可以切回B64方式作为备选。

运行参数方面，教程给出几个推荐值：最大轮次设为100，防止Agent失控无限运行；上下文压缩阈值最低20万token，达到后程序会自动压缩；多模态模型开到最高版本即可。其余选项对新手的建议是——不懂就别动。

B64（Base64）编码是一种将二进制文件（图片、视频等）转换为纯文本字符串的编码方式，常用于在HTTP请求体中直接嵌入媒体内容。其优点是无需额外的文件托管，但代价是体积膨胀约33%，一张几MB的图片编码后可能变成数万个token，直接"吃掉"大量上下文空间并拖慢网络传输。URL直连则是把媒体文件保存在本地服务端，对话中只传递一个地址链接，模型按需拉取，既节省token消耗，又绕开了因包体过大触发的限流机制。对于频繁处理图片和视频的短剧工作流，这一差异在长时间运行后会显著影响整体速度和稳定性。

写在最后

这套momo画布通用Agent的核心价值，不在于某个炫技功能，而在于把短剧制作的偏好配置、技能调用、白模、建模、媒体传输统一到一个画布里，并用一套清晰的「上下文开关」逻辑贯穿始终。对个人创作者而言，理解「常驻名额」「按需开关技能与MCP」「新开窗口分担上下文」这几个原则，比记住每个按钮更重要——它们直接决定了你的Agent跑得快不快、准不准、烧不烧算力。