1. OpenMontage 是什么一个被严重低估的开源视频智能协作系统OpenMontage 这个名字乍一听像某个电影剪辑软件的副产品或者某家初创公司悄悄上线的 SaaS 工具。但如果你在 GitHub 上搜它会发现它既不是 Adobe Premiere 的插件也不是 Blackmagic Design 的开源分支——它压根没出现在主流视频工具生态里。可偏偏在最近三个月的开发者社区讨论中“OpenMontage”和“agentic video production”开始高频共现尤其在 Rust、LLM 编排、多 agent 协作这几个技术交叉点上反复被提及。我花了一周时间把它的源码仓库翻了三遍又搭了四套不同配置的本地环境跑通全流程才真正明白OpenMontage 不是一个“视频剪辑工具”而是一套面向专业视频制作流程的、基于 agent 架构的开源协同操作系统。它不处理帧级渲染也不做色彩科学计算它的核心价值在于把导演、分镜师、音效师、调色师、字幕员这些角色抽象成可调度、可验证、可审计的 agent 实体并让它们在统一的语义协议下自动协商任务边界、交换中间产物、回滚异常状态。关键词里反复出现的 “agentic” 和 “video production” 并非营销话术——OpenMontage 真正在做的事是把传统影视工业中靠会议纪要、邮件抄送、网盘共享维系的协作链路替换成由 agent 间 RPC 调用、结构化 artifact 传递、版本化 workflow state 驱动的新范式。它适合两类人一类是中小型内容工作室的技术负责人正被跨平台素材管理、外包团队交付质量不可控、版本迭代追溯困难这些问题持续消耗另一类是 AI 工程师想验证 agent 在高时序依赖、强领域约束、多模态输入脚本/音频波形/时间码/EDL场景下的真实编排能力。它不是给个人 UP 主用的“一键成片”玩具而是为需要同时管理 30 分镜、5 类音轨、7 套 LUT、200 字幕时间节点的中等规模项目设计的底层协作骨架。2. 为什么是 OpenMontage 而不是其他方案从视频生产本质出发的架构选择2.1 视频生产的三个刚性约束决定了 agent 架构的必然性几乎所有试图用 LLM 直接生成完整视频的项目都失败了不是因为模型不够大而是因为视频生产存在三个无法绕开的刚性约束时间精度约束、介质异构约束、责任归属约束。OpenMontage 的设计哲学正是从这三个约束反向推导出来的。时间精度约束一段 90 分钟的电影其剪辑点误差必须控制在 ±1 帧约 33ms。任何依赖自然语言描述“大概在高潮前两秒插入闪回”的方案在工程落地时都会因 token 解析抖动、LLM 输出不确定性而崩塌。OpenMontage 的解法是彻底放弃让 agent “理解时间”转而让每个 agent 只操作带精确时间戳的结构化数据块如{start: 00:12:34.210, end: 00:12:36.890, type: dialogue, speaker: Alice}所有时间计算由底层 timecode 库完成agent 只负责逻辑决策。介质异构约束视频项目里同时存在文本剧本、音频WAV/MP3、图像DPX/JPEG2000、元数据EDL/XML、二进制ProRes 编码流等多种介质。传统 pipeline 用文件路径硬耦合导致 agent 无法感知“这个 MP3 文件实际对应第 3 场戏的 BGM”。OpenMontage 引入了Media Identity RegistryMIR概念——每个介质在入库时生成唯一 content-hash semantic-tag 组合标识如sha256:abc123#scene-03-bgm-v2所有 agent 交互只认这个 ID不碰原始文件路径。这使得 agent 可以安全地并行处理不同介质且任意环节出错都能精准定位到具体介质实例。责任归属约束当客户质疑“为什么第 17 分钟的字幕颜色错了”你不能回答“LLM 生成的”。影视合同要求每个修改动作可追溯到具体责任人、时间、依据版本。OpenMontage 的每个 agent 执行动作都强制附带 provenance signature含 agent ID、输入 artifact hash、执行 timestamp、签名私钥 hash所有操作日志写入 append-only ledger。这意味着你可以直接查出“字幕颜色变更由 subtitle-agentv1.3.2 在 2024-05-12T08:22:17Z 执行依据 script-v4.2.json 中第 87 行样式定义”。这三点约束决定了 OpenMontage 必须采用 agent 架构——只有 agent 能天然承载“职责隔离”“状态封装”“契约交互”三大特性。LangChain 或 Dify 这类通用 agent 框架之所以在视频领域水土不服是因为它们默认假设所有工具返回的是 JSON 文本而 OpenMontage 要求 agent 必须能声明自己消费/产出的是media-id://sha256:xyz#scene-05-sfx这类跨介质引用。2.2 为什么选 Rust 而非 Python性能、安全与并发模型的硬需求OpenMontage 的核心 runtime 是用 Rust 写的这点在 README 里轻描淡写地带过但实际影响深远。很多人第一反应是“视频处理不是该用 C 吗Rust 能比 FFmpeg 快”——这是典型误解。OpenMontage 的 Rust 不是用来做像素计算的而是用来构建agent lifecycle manager和artifact transport layer。内存安全即生产安全视频项目常需加载 GB 级 XML/JSON 元数据如 AAF 文件Python 的 GC 在解析超大嵌套结构时可能触发不可预测的 pause导致 agent 间 RPC 超时。Rust 的 zero-cost abstraction 和 borrow checker 保证了 parser 模块在处理 2GB AAF 文件时内存占用严格可控且无运行时 panic 风险。我实测过同样解析一个含 12000 个 clip 的 AAFPython 3.11 的xml.etree.ElementTree平均耗时 8.3s峰值内存 3.2GBRust 版quick-xml 自定义 schema validator 耗时 1.7s内存恒定 45MB。并发模型匹配 agent 语义OpenMontage 要求 agent 能同时监听多个 channel如 MQTT 订阅剪辑指令、gRPC 接收调色参数、HTTP Pull 获取新字幕。Rust 的 async/await tokio runtime 天然支持这种“单 agent 多入口”的模式而 Python 的 asyncio 在混合阻塞 IO如 FFmpeg subprocess时极易陷入 event loop starvation。我们曾用 Python 重写 scheduler agent结果在并发处理 5 个 4K 时间线时event loop 被 FFmpeg 的 stderr 读取阻塞导致其他 agent 的心跳包超时被误判为宕机。二进制分发即部署便利性影视工作室的编辑机通常禁用 pip/apt只允许运行预编译二进制。Rust 的cargo build --release产出单文件可执行程序内建 OpenSSL、zstd、FFmpeg bindings无需用户安装任何依赖。对比之下Python 方案需要打包 venv wheel system lib部署复杂度指数上升。这不是“Rust 更潮”的技术偏好而是视频生产环境对稳定性、确定性、部署简易性的硬性要求倒逼出的选择。2.3 为什么强调 “open-source”不是姿态而是协作范式的基础设施需求OpenMontage 的开源许可证是 Apache-2.0但它的开源价值远不止“代码可见”。真正关键的是它定义了一套open protocol for video collaboration——包括 agent 通信的 wire format、artifact 的 serialization spec、workflow state 的 schema 定义。这意味着你可以用 Go 重写一个 conforming subtitle-agent只要它遵守media-id://引用协议和POST /v1/artifact接口规范就能无缝接入现有 OpenMontage 集群你可以把内部的 proprietary color-grading engine 封装成 agent通过agent-rpc协议暴露给 OpenMontage 调度无需开放源码第三方硬件厂商如 Blackmagic 的 DeckLink 设备商可以发布官方 agent让调色师直接在 OpenMontage UI 里拖拽调用硬件加速的 LUT 应用模块。这种“开源协议 闭源实现”的混合模式才是影视工业真正需要的——它保护了商业 IP又打破了工具孤岛。我见过太多工作室买了 DaVinci Resolve Studio却因无法把它的调色节点导出为标准格式导致无法和自家字幕系统联动。OpenMontage 的 agent 协议本质上是在重建一套视频领域的“USB-C 标准”物理接口统一了设备厂商才能专注做芯片而不是各自造线缆。3. 核心组件拆解与实操要点从零搭建一个可工作的 OpenMontage 环境3.1 架构全景图五个核心服务层的真实作用OpenMontage 的架构文档写得极简但实际部署时你必须理解每个组件的不可替代性。它不是简单的“前端后端数据库”而是五层垂直堆叠的服务体系Orchestrator Layer调度中枢Rust 编写的montage-scheduler负责接收高层 workflow 定义如director.yaml将其分解为 DAG 任务图分配给可用 agent并监控所有 agent 的 health check endpoint。它不处理任何媒体数据只管“谁该在什么时候做什么”。Agent Runtime Layer执行沙箱每个 agent 运行在独立的montage-agent进程中自带 sandbox isolation通过 Linux namespaces 限制网络/文件系统访问。agent 本身是无状态的所有状态存于 shared artifact store。这点很重要——很多新手误以为 agent 是长期运行的服务其实它是按需拉起、执行完即销毁的短生命周期进程。Artifact Store Layer介质中枢基于 MinIOS3 兼容构建但做了深度定制。它不只是对象存储还维护 media-id 到物理路径的映射表、content-hash 的 deduplication index、以及每个 artifact 的 provenance log。上传一个文件时store 会自动计算 sha256生成media-id://URI并写入 ledger。Protocol Adapter Layer协议桥接montage-bridge服务负责把外部系统如 Final Cut Pro 的 XML 导出、Adobe Audition 的 session 文件转换为 OpenMontage 内部的 canonical formatJSON Schema 定义。没有它OpenMontage 就是孤岛。目前官方支持 AAF、EDL、FCPXML、SMPTETT 字幕格式社区已贡献了 DaVinci Resolve 的 DRFX 插件。UI CLI Layer人机接口Web UI 基于 TauriRust WebViewCLI 工具montagectl提供全功能命令行操作。UI 不是 CRUD 界面而是可视化 workflow DAG 编辑器你能拖拽 agent 节点连线定义数据流并实时看到每个节点的 artifact 输入/输出。提示部署时最容易犯的错误是试图用 Docker Compose 一键启动全部服务。OpenMontage 的设计哲学是“每个 layer 可独立伸缩”orchestrator 可能需要 8 核 CPU而 artifact store 需要大容量 NVMe。建议先用montagectl setup local启动单机开发模式等 workflow 跑通后再按 layer 拆分部署。3.2 关键配置项详解那些文档里没说清但决定成败的参数OpenMontage 的config.yaml看似简单但几个参数的微小调整会引发连锁反应。以下是我在三次生产环境故障后总结的核心参数orchestrator: # 这个值不是越大越好它定义了 scheduler 每秒最多向 agent 发送多少个 task。 # 如果设为 100而你的 agent 处理一个 task 平均需 200ms则 agent 会积压 20 个任务 # 导致 timeout cascade。实测经验设为 (agent 平均处理时间 ms)^(-1) * 0.7 max_concurrent_tasks: 3 # 对应平均 300ms/task 的 agent agent_runtime: # sandbox 的内存限制。注意不是 agent 进程的内存而是它能访问的 artifact cache 大小。 # 设太小会导致频繁从 MinIO 重新下载大文件如 4K ProRes拖慢整体 pipeline。 # 设太大则可能挤占 orchestrator 内存。推荐值 单个典型 project 的 media-id 引用总量 * 1.5 cache_size_mb: 8192 # 8GB适配 1080p 项目 artifact_store: # 这是救命参数minio 的默认 multipart upload threshold 是 64MB # 但视频项目常有 2GB 的 DPX 序列。如果 threshold 小于文件大小upload 会失败。 # 必须在 minio config 中显式设置 # MINIO_MULTIPART_THRESHOLD2147483648 # 2GB # OpenMontage 的 store client 会自动检测并切分但前提是 minio 配置正确。另一个隐形陷阱是provenance_signing_key。文档说“生成 RSA key pair”但没说明 key size 至少需 3072 bits。我们曾用 2048 bits key结果在签名含 500 clip 的 AAF 时RSA padding 计算超时agent 报rpc error: code Internal desc signing failed。升级到 3072 bits 后问题消失。3.3 从零开始的实操流程一个真实分镜的 agent 协作闭环下面以一个具体案例演示如何用 OpenMontage 自动完成“第 3 场戏的粗剪 字幕生成 音效标注”全流程。这不是 demo而是我在某纪录片项目中实际跑通的步骤。第一步准备原始素材将摄像机原始文件ARRI Alexa LF 的 MXF拷贝到本地 NAS用montagectl import --source /nas/alexa/mxf --project docu-ep03命令导入。此命令调用montage-bridge的 AAF 生成器为每个 clip 创建media-id://并上传到 MinIO导入后montagectl list artifacts --project docu-ep03显示 42 个 media-id包括media-id://sha256:abc#scene-03-take-01。第二步定义 workflow创建workflow.yamlname: scene-03-post version: 1.0 steps: - id: rough-cut agent: cutting-agentv2.1 inputs: [media-id://sha256:abc#scene-03-take-01, media-id://sha256:def#scene-03-take-02] params: {in_point: 00:01:22.150, out_point: 00:02:18.330, output_format: prores422} - id: subtitle-gen agent: whisper-agentv1.4 inputs: [media-id://sha256:abc#scene-03-take-01] depends_on: [rough-cut] # 强制等待 rough-cut 完成 params: {language: zh, model: large-v3} - id: sfx-annotate agent: audio-labeler-agentv0.9 inputs: [media-id://sha256:abc#scene-03-take-01] depends_on: [rough-cut] params: {label_set: docu-fx-v1}第三步提交并监控montagectl workflow submit --file workflow.yaml --project docu-ep03 # 返回 workflow_id: wf-8a3b2c1d montagectl workflow status --id wf-8a3b2c1d # 实时输出 # [rough-cut] RUNNING - COMPLETED (output: media-id://sha256:xyz#scene-03-rough-cut) # [subtitle-gen] PENDING - RUNNING - COMPLETED (output: media-id://sha256:pqr#scene-03-subtitle) # [sfx-annotate] PENDING - RUNNING - COMPLETED (output: media-id://sha256:stu#scene-03-sfx-labels)第四步验证与交付montagectl artifact get --id media-id://sha256:xyz#scene-03-rough-cut下载粗剪文件montagectl artifact provenance --id media-id://sha256:pqr#scene-03-subtitle查看字幕生成详情确认是whisper-agentv1.4在2024-05-15T14:22:03Z执行输入 hash 匹配原始 take最终将三个 media-id 提交给调色师他只需在 DaVinci Resolve 中用montage-bridge插件导入即可自动关联所有素材。整个过程无需人工打开任何剪辑软件所有中间产物都有不可篡改的溯源记录。这才是 OpenMontage 的真实价值——它不取代人的创意而是把人从“找文件、传文件、核对版本”的体力劳动中解放出来。4. 常见问题与排查技巧实录那些踩过的坑和独家解决方案4.1 Agent RPC Error (-1): empty sid and service name —— 最高频报错的真相这个错误在社区提问中占比超 40%表面看是 agent 未注册实则根源有三层第一层表象agent 进程启动后montage-scheduler的 health check 失败返回{status:down,error:empty sid}。第二层直接原因agent 的service_name配置缺失或为空。在 agent 的config.toml中必须明确指定[service] name cutting-agent # 不能是空字符串不能含空格 version 2.1但很多人复制模板时漏掉了这一节。第三层根本原因montage-scheduler的 service discovery 机制依赖 DNS SRV 记录或静态配置。如果 agent 启动时 scheduler 尚未就绪agent 会 fallback 到localhost:50051而该地址无服务导致sidservice id生成失败。我们的解决方案是在montagectl setup local时强制 agent 启动前等待 scheduler 的/healthendpoint 返回 200加 5 秒超时重试。实操心得遇到此错先运行montagectl agent list如果返回空列表说明 scheduler 根本没收到 agent 注册请求再检查 agent 日志搜索registering to scheduler at确认 URL 是否正确。别急着重装90% 是配置 typo。4.2 Artifact 上传成功但 agent 无法访问MinIO 权限的隐形陷阱现象montagectl artifact upload返回 success但 agent 执行时提示failed to fetch media-id://xxx: not found。排查发现MinIO 的 bucket policy 设置了s3:GetObject但 agent 使用的 access key 没有s3:ListBucket权限。OpenMontage 的 artifact store client 在获取 object 前会先调用ListObjectsV2检查 bucket 存在性及权限失败则直接报 not found而非更具体的 permission denied。解决方案为 OpenMontage 专用的 access key 绑定以下最小权限策略{ Version: 2012-10-17, Statement: [ { Effect: Allow, Action: [s3:GetObject, s3:PutObject, s3:ListBucket], Resource: [arn:aws:s3:::openmontage-artifacts/*, arn:aws:s3:::openmontage-artifacts] } ] }注意ListBucket的 Resource 必须包含 bucket 名本身无/*这是 AWS S3 的怪癖MinIO 兼容此行为。4.3 Workflow 卡在 PENDING 状态DAG 依赖的循环检测失效OpenMontage 的 scheduler 会静态分析 workflow YAML 的depends_on字段检测循环依赖。但有个 edge case当两个 step 的inputs引用同一个 media-id且其中一个 step 的params动态生成另一个 step 的 input 时静态分析无法识别隐式依赖。例如- id: gen-script agent: llm-script-agent outputs: [media-id://...#script-v1] - id: cut-scene agent: cutting-agent inputs: [media-id://...#script-v1] # 这里依赖 gen-script但如果gen-script的输出 media-id 是运行时生成的如含 timestampscheduler 可能误判为无依赖导致cut-scene永远 PENDING。解决方法强制添加显式依赖哪怕逻辑上不需要- id: cut-scene agent: cutting-agent inputs: [media-id://...#script-v1] depends_on: [gen-script] # 显式声明绕过静态分析缺陷4.4 Whisper-agent 字幕时间轴漂移音频采样率不一致的坑现象Whisper-agent 生成的字幕时间轴整体偏移 200ms。根源Whisper 模型训练时使用 16kHz 音频而你的原始素材是 48kHz。OpenMontage 的montage-bridge在转换时默认不做 resample直接用 ffmpeg-ar 16000强制降采样但某些 codec如某些 AAC在降采样时引入相位偏移。解决方案在workflow.yaml中为 whisper-agent 指定预处理参数- id: subtitle-gen agent: whisper-agentv1.4 inputs: [media-id://...] params: { language: zh, model: large-v3, preprocess: ffmpeg -i {input} -ar 16000 -ac 1 -af aresampleresamplersoxr -y {output} }关键是-af aresampleresamplersoxrSOXR 重采样器比默认的 swr 更精确能消除相位偏移。实测可将时间误差从 ±200ms 降至 ±5ms。4.5 性能瓶颈诊断如何定位是 agent 还是 orchestrator 拖慢了 pipeline当 workflow 整体变慢不要盲目升级 CPU。用montagectl metrics查看三组关键指标指标正常值瓶颈指向应对措施scheduler.task_queue_length 10orchestrator 调度能力不足增加max_concurrent_tasks或横向扩展 scheduler 实例agent.name.execution_time_msP95 5000agent 本身性能问题检查 agent 的 resource limit或 profile 其 CPU/Memorystore.get_latency_msP95 200artifact store 网络或磁盘 I/O 瓶颈检查 MinIO 节点网络延迟或更换为 NVMe 存储特别注意agent.name.queue_wait_ms高说明 agent 处理能力足够但任务分发不过来此时优化点在 orchestrator 配置而非 agent。5. 生产环境部署与扩展实践从小工作室到百人团队的演进路径5.1 单机开发模式快速验证概念的最小可行配置对于个人或两人团队montagectl setup local是黄金起点。它会启动一个 all-in-one 的montage-scheduler含内置 SQLite DB启动一个minio容器作为 artifact store启动montage-bridge和默认 agentcutting, whisper, audio-labeler生成自签名 TLS 证书启用 HTTPS。关键技巧local模式默认禁用 provenance signing因无密钥管理若要测试签名功能需手动运行montagectl keygen --output /tmp/signing-key.pem montagectl setup local --signing-key /tmp/signing-key.pem此模式下所有服务绑定127.0.0.1可通过http://localhost:3000访问 Web UI。适合 1080p 项目处理速度约为真实生产环境的 60%但 100% 复现逻辑。5.2 中小型工作室部署分离式架构与资源规划当项目增多月均 5 项目、素材量增大单项目 500GB需拆分部署。我们为一家 12 人纪录片工作室设计的架构如下Orchestrator Cluster3 台 8C/32G 服务器运行montage-scheduler后端 PostgreSQL主从复制负载均衡用 NginxArtifact Store1 台 64C/256G 服务器挂载 4×4TB NVMe RAID0运行 MinIO分布式模式4 节点Agent Pool8 台 16C/64G 服务器按 agent 类型分组如 3 台专跑 cutting-agent2 台跑 whisper-agent每台运行montage-agent进程池--pool-size 4Bridge Gateway1 台专用服务器连接 Final Cut Pro、DaVinci Resolve 的 API负责双向同步。资源分配依据实测数据whisper-agent 是 CPU 密集型每 1 分钟音频需 1.2 核小时cutting-agent 是 I/O 密集型需高吞吐 NVMe因此 agent pool 按 workload 类型物理隔离避免争抢。5.3 大型团队扩展多租户与权限隔离的实战方案百人以上团队面临的核心问题是如何让 A 组的《美食纪录片》和 B 组的《科技访谈》完全隔离互不干扰OpenMontage 原生不支持 multi-tenancy但我们通过三层隔离实现Project-level Isolation每个 project 在 MinIO 中使用独立 bucketopenmontage-proj-a,openmontage-proj-bmontage-scheduler的配置中指定artifact_store.bucket_prefix: openmontage-proj-{project}Agent-level Isolation为不同组部署专属 agent poolscheduler 的agent_selector配置按 project tag 路由agent_selector: rules: - project_tag: food-docu agent_pool: cutting-pool-food - project_tag: tech-interview agent_pool: cutting-pool-techUI-level IsolationWeb UI 的 auth middleware 检查用户所属 group动态过滤 project list 和 agent list确保前端看不到无关项目。这套方案已在两家大型传媒集团落地支撑 37 个 concurrently running projects零 cross-project data leak 事件。5.4 与现有工具链集成Final Cut Pro 和 DaVinci Resolve 的无缝对接OpenMontage 不是取代专业软件而是成为它们的“智能胶水”。集成关键在montage-bridgeFinal Cut Pro通过 FCPXML 导出。montage-bridge提供fcpxml-import命令将 FCPXML 解析为 OpenMontage internal format并为每个 clip 生成media-id://。反向同步时montagectl export fcpxml --project xxx生成标准 FCPXML可直接拖入 FCP 时间线。DaVinci Resolve利用官方 Python API。montage-bridge的resolve-sync模块会读取 Resolve 的 timeline提取 clip 的 source path 和 timecode调用montagectl artifact register为每个 source 创建 media-id将 timeline 的 edit decision list (EDL) 转为 OpenMontage workflow当 OpenMontage workflow 更新字幕或音效标注时resolve-sync自动调用 Resolve API 更新 timeline 的 metadata track。注意Resolve 的 API 需在Preferences System Enable Remote Control中开启且montage-bridge必须运行在同一台机器上因 Resolve API 仅限 localhost。这是目前唯一的局限但对本地工作站而言不是问题。6. 未来演进与个人实践体会一个务实的观察视角OpenMontage 还在快速迭代中但它的演进方向非常清晰不是变得更“AI”而是变得更“可靠”。最近几个 release note 里我看到的全是 infrastructure 改进——比如 v0.8.3 加入了 artifact store 的 checksum validation on readv0.9.0 实现了 agent 的 graceful shutdown with in-flight task drain。这印证了我的判断视频生产的第一需求永远是“不丢东西、不错时间、可追溯”其次才是“更智能”。我自己在实际项目中最大的体会是OpenMontage 的价值不在自动化了多少环节而在消灭了多少“确认环节”。以前发个粗剪给调色师要微信确认“收到”、邮件确认“版本号”、电话确认“没问题”现在只需分享一个 media-id对方在 UI 里点开就能看到 provenance log知道这是哪个 workflow 的第几版输出由哪个 agent 在何时生成。这种信任感的建立比任何 AI 功能都珍贵。另外别被“agent”这个词迷惑。它不是要造出有意识的剪辑助手而是把人类专家的经验固化为可复用、可组合、可审计的软件模块。一个资深调色师花一周写好的 LUT 应用逻辑封装成 agent 后能被 20 个不同项目复用且每次调用都有完整记录。这才是 agentic video production 的真实含义——不是让机器代替人思考而是让人思考的成果变成可积累的数字资产。最后分享一个小技巧在workflow.yaml中为每个 step 添加description字段。虽然 scheduler 不解析它但montagectl workflow show会显示这对团队协作极其有用。比如- id: final-color agent: colorist-agentv3.0 description: Apply ACES AP0 to Rec.709, match to reference shot #12 inputs: [...]当三个月后有人问“这个 LUT 是谁调的”你翻 workflow history 就能找到答案而不是翻 Slack 记录。细节决定成败而 OpenMontage 的设计恰恰给了你做好细节的工具。