做了个小实验： Hermes + GPT-5.5 负责编排， Grok Imagine 负责视频生成。 单次只能生成 10s，就用尾帧接续： 10s text-to-video → 抽最后一帧 → image-to-video 续 10s → 再续 10s → ffmpeg 拼成 30s demo 本身不完美，AI 漏洞不少。 但 workflow 是通的。 repo：