Runway Agent 学会用自然语言搭 Workflow：Agent 不只产出结果，也开始搭生产线

Runway 7 月 24 日发布 Workflows in Runway Agent：用户可以用自然语言创建、运行或编辑节点式工作流，入口是 Agent 里的 /workflow skill。官方说法很克制，重点不是让模型再生成一段视频，而是让它把多个模型、模态和中间步骤串成一条可重复运行的管线。

Runway 的 Workflows 本来就提供节点编辑器。输入节点接收文字或媒体，媒体模型节点生成图像、视频和音频，LLM 节点负责分析或改写提示词，工具节点再做拼接、抽帧、加音频等操作。节点之间通过链接传递结果，工作流可以保存为模板，之后一键重跑。Agent 的变化在于：原本需要人拖节点、连线、填参数的过程，现在可以先用一句话描述目标，让 Agent 帮你搭出第一版。

官方文档给了几个实际边界。Agent 会先规划每一步，用户可以选择生成前等待确认，也可以自动执行；模型选择可以偏向速度、成本或质量；每个媒体模型和 LLM 节点都会消耗 credits。Agent 的计划只是意图，不是结果保证，生成质量仍有随机性，复杂项目通常需要迭代。

这对 AI coding 有一个很直接的类比。传统编程助手帮你写函数，下一阶段的 Agent 更像帮你搭 CI 流水线：先理解目标，再选择工具，连接输入输出，保存成可以反复运行的结构。Runway 先在创意生产里把这个形态做出来，说明「自然语言 → 可执行图」可能比「自然语言 → 一次性答案」更接近 Agent 的生产力。

它也把 Harness 的问题暴露出来。一个工作流里可能同时调用 Runway 模型、第三方模型和 LLM 节点，成本、失败点和结果质量都不再集中在一个模型上。用户要知道每一步用了谁、花了多少 credits、哪个节点出了问题，以及重跑时哪些节点可以复用。没有这些可见性，所谓自动化只是把手工复制粘贴换成更难排查的黑盒。

Runway 的优势是节点和媒体输出天然适合工作流；局限也同样明确：它主要服务于内容生产，不是通用软件工程 Agent。它不能因此证明模型能稳定完成代码仓库级任务，也不能把「自然语言搭工作流」直接等同于自主规划。当前最可靠的用法，是让人先定义边界，再让 Agent 生成可检查的管线，最后由人锁定关键节点和成本。

这条动态值得关注的地方，是 Agent 的产物从一张图片、一段视频，变成了一份可以保存、修改、复用的执行结构。对 coding 工具来说，类似的转变迟早会出现：从补全代码，走到编排测试、部署、数据迁移和回滚流程。

原文：

• Runway 官方公告：https://x.com/runwayml/status/2080649234672439389
• Workflows 产品页：https://runwayml.com/en/workflows
• Agent 文档：https://help.runwayml.com/hc/en-us/articles/51601639579667-Creating-with-Runway-Agent