Rendervid AI-integraatio - Luo videoita Claude Coden, Cursorin ja MCP:n avulla

Johdanto: AI-ohjattu videon luominen

Videoiden luominen ohjelmallisesti on perinteisesti vaatinut syvällistä tietämystä videokoodekeista, animaatiokehyksistä ja renderöintiputkista. Rendervid poistaa tämän monimutkaisuuden hyväksymällä JSON-malleja ja tuottamalla valmiita videoita. Kun yhdistät tämän luonnollista kieltä ymmärtäviin AI-agentteihin, saat jotain tehokasta: kyvyn kuvailla video selkeällä suomen kielellä ja saada renderöity MP4 vastineeksi.

Rendervid yhdistää AI-kielimallit ja videotuotannon. Sen sijaan että kirjoittaisit koodia, suunnittelisit avainkehyksiä tai opettelisit videoeditorin käyttöä, kerrot AI-agentille mitä haluat. Agentti luo validin JSON-mallin , validoi sen ja renderöi lopullisen tuloksen Rendervidin moottorin kautta. Koko prosessi tapahtuu yhdessä keskustelussa.

Tämä integraatio perustuu Model Context Protocoliin (MCP), avoimeen standardiin, joka mahdollistaa AI-työkalujen vuorovaikutuksen ulkoisten palveluiden kanssa rakenteellisen rajapinnan kautta. Rendervidin MCP-palvelin tarjoaa 11 työkalua, jotka kattavat renderöinnin, validoinnin, mallien löytämisen ja dokumentaation, antaen AI-agenteille kaiken mitä ne tarvitsevat ammattitasoisen videosisällön tuottamiseen itsenäisesti.

Mikä on Model Context Protocol (MCP)?

Model Context Protocol on avoin standardi, joka on kehitetty antamaan AI-avustajille rakenteellinen pääsy ulkoisiin työkaluihin ja tietolähteisiin. Sen sijaan että AI-mallit arvailisivat API-formaatteja tai generoisivat koodia, joka kutsuu REST-päätepisteitä, MCP tarjoaa tyypitetyn, löydettävän rajapinnan, jota AI-agentit voivat kysellä ajon aikana.

Videon luomisessa MCP ratkaisee kriittisen ongelman: AI-agenttien on tiedettävä, mikä on mahdollista ennen kuin ne voivat luoda validia tulostetta. Ilman MCP:tä AI-mallin pitäisi olla koulutettu Rendervidin erityiseen malliformaattiin, tietää jokainen saatavilla oleva animaatioesiasetukset ja ymmärtää jokaisen tasotyypin rajoitukset. MCP:n kanssa agentti yksinkertaisesti kutsuu get_capabilities-funktiota ja saa täydellisen kuvauksen järjestelmästä, mukaan lukien JSON-skeemat jokaiselle komponentille.

Miksi MCP on tärkeä AI-videon luomisessa

• Ajonaikainen löytäminen: AI-agentit oppivat mitä Rendervid voi tehdä sillä hetkellä kun ne yhdistävät, eivät koulutushetkellä. Tämä tarkoittaa, että uudet ominaisuudet ovat välittömästi saatavilla ilman uudelleenkoulutusta.
• Tyyppiturvallissuus: Jokaisella työkalulla on määritelty syöte- ja tulostekaava. AI-agentti tietää täsmälleen mitä parametreja vaaditaan ja mitä tyyppejä niiden on oltava.
• Validointi ennen renderöintiä: Sen sijaan että lähettäisi mallin ja toivoisi sen toimivan, agentti voi validoida mallin ensin ja korjata ongelmat ennen renderöintiin käytetyn ajan kuluttamista.
• Työkalujen yhdisteltävyys: AI-agentit voivat ketjuttaa työkaluja yhteen, kutsua list_examples-funktiota löytääkseen lähtömallin, muokata sitä, kutsua validate_template-funktiota tarkistaakseen sen ja sitten kutsua render_video-funktiota tuottaakseen tuloksen. Kaikki yhdessä keskusteluvuorossa.

MCP-palvelimen työkalujen viite

Rendervidin MCP-palvelin tarjoaa 11 työkalua, jotka on järjestetty kolmeen kategoriaan: Renderöinti, Validointi ja löytäminen ja Dokumentaatio. Jokainen työkalu on suunniteltu antamaan AI-agenteille maksimaalinen autonomia videosisällön luomisessa.

Renderöintityökalut

Nämä työkalut käsittelevät varsinaisen video- ja kuvatulosteen tuottamisen JSON-malleista.

render_video

Luo täydellisen videotiedoston JSON-mallista. Tämä on ensisijainen renderöintityökalu MP4-, WebM- tai MOV-tulosteen tuottamiseen.

Parametrit:

• template (objekti, vaadittu) – Täydellinen JSON-malli, joka määrittelee kohtaukset, tasot, animaatiot ja tulostusasetukset.
• inputs (objekti, valinnainen) – Avain-arvo-parit mallimuuttujien korvaamiseen.
• output_format (merkkijono, valinnainen) – Tulostuformaatti: mp4, webm tai mov. Oletuksena mp4.

Esimerkki AI-agentin käytöstä:

{
  "tool": "render_video",
  "arguments": {
    "template": {
      "outputSettings": {
        "width": 1080,
        "height": 1920,
        "fps": 30,
        "duration": 10
      },
      "scenes": [
        {
          "duration": 10,
          "layers": [
            {
              "type": "text",
              "text": "Kesäale - 50% alennus",
              "fontSize": 72,
              "fontFamily": "Montserrat",
              "color": "#FFFFFF",
              "position": { "x": 540, "y": 960 },
              "animations": [
                {
                  "type": "fadeInUp",
                  "duration": 0.8,
                  "delay": 0.2
                }
              ]
            }
          ]
        }
      ]
    },
    "output_format": "mp4"
  }
}

Palauttaa: URL:n tai tiedostopolun renderöityyn videotiedostoon.

render_image

Luo yksittäisen kehyksen tai still-kuvan JSON-mallista. Hyödyllinen pikkukuvien, sosiaalisen median grafiikan, julistekehysten ja staattisen markkinointimateriaalin luomiseen.

Parametrit:

• template (objekti, vaadittu) – JSON-malli, joka määrittelee kuvan koostumuksen.
• inputs (objekti, valinnainen) – Mallimuuttujien korvausarvot.
• output_format (merkkijono, valinnainen) – Tulostuformaatti: png, jpeg tai webp. Oletuksena png.
• frame (numero, valinnainen) – Mikä kehys renderöidään (tietyn hetken poimintaan animoidusta mallista).

Milloin käyttää render_image vs render_video:

• Käytä render_image-funktiota staattiseen tulostukseen: pikkukuvat, bannerit, sosiaalisen median julkaisut, esityskalvot.
• Käytä render_video-funktiota kaikkeen, missä on liikettä: animaatiot, siirtymät, ääni, videoleikkeet.

start_render_async

Käynnistää asynkronisen renderöintityön pitkäkestoisille videoille (tyypillisesti yli 30 sekuntia). Sen sijaan että odottaisi renderöinnin valmistumista synkronisesti, tämä työkalu palauttaa työtunnuksen, jota voit tiedustella check_render_status-funktiolla.

Parametrit:

• template (objekti, vaadittu) – Täydellinen JSON-malli.
• inputs (objekti, valinnainen) – Mallimuuttujien arvot.
• output_format (merkkijono, valinnainen) – Haluttu tulostuformaatti.

Palauttaa: job_id-merkkijonon, jota voidaan käyttää check_render_status- ja list_render_jobs-funktioiden kanssa.

Milloin käyttää asynkronista renderöintiä:

• Videot, jotka ovat yli 30 sekuntia pitkiä
• Mallit, joissa on monta kohtausta tai monimutkaisia animaatioita
• Eräkäsittelyn työnkulut, joissa haluat lähettää useita töitä ja kerätä tulokset myöhemmin
• Pilviympäristöt, joissa pitkäkestoiset synkroniset pyynnöt voivat aikakatkaista

check_render_status

Tarkistaa asynkronisen renderöintityön nykyisen tilan, joka on käynnistetty start_render_async-funktiolla.

Parametrit:

• job_id (merkkijono, vaadittu) – Työtunniste, jonka start_render_async palautti.

Palauttaa: Objektin, joka sisältää:

• status – Yksi seuraavista: queued, rendering, completed tai failed.
• progress – Prosenttiluku (0-100), joka ilmaisee renderöinnin edistymisen.
• output_url – Valmiin videon URL (läsnä vain kun status on completed).
• error – Virheilmoitus, jos työ epäonnistui.

Esimerkki tiedustelun työnkulusta:

AI-agentti:
1. start_render_async → job_id: "abc-123"
2. check_render_status("abc-123") → status: "rendering", progress: 35
3. check_render_status("abc-123") → status: "rendering", progress: 78
4. check_render_status("abc-123") → status: "completed", output_url: "https://..."

list_render_jobs

Listaa kaikki asynkroniset renderöintityöt, sekä aktiiviset että valmiit. Hyödyllinen eräkäsittelyn seurantaan tai viimeaikaisen tulosteen tarkasteluun.

Parametrit:

• status_filter (merkkijono, valinnainen) – Suodata tilan mukaan: queued, rendering, completed, failed tai all. Oletuksena all.
• limit (numero, valinnainen) – Palautettavien töiden enimmäismäärä.

Palauttaa: Taulukon työobjekteista, joista jokaisella on job_id, status, progress, created_at ja output_url (jos valmis).

Validointi- ja löytämistyökalut

Nämä työkalut auttavat AI-agentteja ymmärtämään mitä Rendervid voi tehdä ja varmistamaan, että mallit ovat oikein ennen renderöintiä.

validate_template

Validoi JSON-mallin ennen renderöintiä. Tämä työkalu tarkistaa mallin rakenteen, kenttätyypit, arvorajoitukset ja jopa varmistaa, että media-URL:t (kuvat, videot, äänitiedostot) ovat saavutettavissa. Validoinnin suorittaminen ennen renderöintiä estää ajan hukkaamisen malleihin, jotka epäonnistuisivat renderöintiprosessin aikana.

Parametrit:

• template (objekti, vaadittu) – Validoitava JSON-malli.
• check_urls (boolean, valinnainen) – Tarkistetaanko media-URL:ien saavutettavuus. Oletuksena true.

Palauttaa: Objektin, joka sisältää:

• valid – Boolean-arvo, joka ilmaisee onko malli validi.
• errors – Taulukko virhe-objekteista, joissa on path, message ja severity jokaiselle löydetylle ongelmalle.
• warnings – Taulukko varoitusobjekteista ei-kriittisille ongelmille (esim. käyttämättömät muuttujat, erittäin suuret mitat).

Mitä validointi havaitsee:

• Puuttuvat pakolliset kentät (esim. kohtaus ilman duration-kenttää)
• Virheelliset kenttätyypit (esim. merkkijono, kun odotetaan numeroa)
• Tuntemattomat tasotyypit tai animaatioesiasetukset
• Rikkinäiset tai saavuttamattomat media-URL:t (kuvat, videot, äänitiedostot)
• Alueen ulkopuoliset arvot (esim. negatiiviset mitat, fps yli maksimin)
• Mallimuuttujien syntaksivirheet

Esimerkki validointivastauksesta:

{
  "valid": false,
  "errors": [
    {
      "path": "scenes[0].layers[2].src",
      "message": "URL palautti HTTP 404: https://example.com/missing-image.png",
      "severity": "error"
    },
    {
      "path": "scenes[1].duration",
      "message": "Kohtauksen keston on oltava positiivinen numero",
      "severity": "error"
    }
  ],
  "warnings": [
    {
      "path": "outputSettings.width",
      "message": "Leveys 7680 on erittäin suuri ja voi johtaa hitaaseen renderöintiin",
      "severity": "warning"
    }
  ]
}

get_capabilities

Palauttaa kattavan kuvauksen kaikesta, mitä Rendervid voi tehdä. Tämä on tyypillisesti ensimmäinen työkalu, jonka AI-agentti kutsuu aloittaessaan videon luomistehtävän. Vastaus sisältää saatavilla olevat tasotyypit, animaatioesiasetukset, easing-funktiot, suodattimet, tulostuformaatit ja niiden JSON-skeemat.

Parametrit: Ei mitään.

Palauttaa: Rakenteellisen objektin, joka sisältää:

• layerTypes – Kaikki saatavilla olevat tasotyypit (text, image, video, shape, audio, group, lottie, custom) niiden JSON-skeemoilla ja määritettävillä ominaisuuksilla.
• animations – Kaikki animaatioesiasetukset ryhmiteltyinä kategorioittain (entrance, exit, emphasis, keyframe) kuvauksilla ja määritettävillä parametreilla.
• easingFunctions – Kaikki 30+ easing-funktiota kuvauksilla ja käyttöesimerkeillä.
• filters – Saatavilla olevat visuaaliset suodattimet (blur, brightness, contrast, saturate, grayscale, sepia jne.) parametrialueineen.
• outputFormats – Tuetut tulostuformaatit video- ja kuvarenderöinnille niiden rajoituksineen.
• inputTypes – Mallimuuttujien tyypit ja validointisäännöt.
• sceneTransitions – Kaikki 17 kohtaussiirtymätyyppiä niiden parametreineen.

Miksi tämä työkalu on kriittinen AI-agenteille:

Capabilities-vastaus on itseään kuvaava API. AI-agentin ei tarvitse olla esikoulutettu Rendervidin malliformaattiin. Se voi kutsua get_capabilities-funktiota ajon aikana, saada täydellisen skeeman ja luoda valideja malleja ensimmäisellä yrityksellään. Kun Rendervid lisää uusia ominaisuuksia, animaatioita tai tasotyyppejä, AI-agentit saavat automaattisesti pääsyn niihin tämän työkalun kautta ilman koodimuutoksia.

get_example

Lataa tietyn esimerkkimallin nimen perusteella. AI-agentit käyttävät tätä noutaakseen toimivan mallin lähtökohdaksi, jonka jälkeen ne muokkaavat sitä vastaamaan käyttäjän vaatimuksia.

Parametrit:

• name (merkkijono, vaadittu) – Esimerkkimallin nimi (esim. instagram-story, product-showcase, animated-bar-chart).

Palauttaa: Täydellisen JSON-mallin pyydetylle esimerkille, valmiina renderöitäväksi tai muokattavaksi.

Esimerkki:

AI-agentti kutsuu: get_example("instagram-story")
Palauttaa: Täydellinen 1080x1920 Instagram-tarinamalli tekstikerroksilla,
         taustakuvalla ja sisääntuloanimaatioilla

list_examples

Selaa yli 50 esimerkkimallin koko luetteloa, jotka on järjestetty kategorioittain. AI-agentit käyttävät tätä löytääkseen relevantteja lähtömalleja käyttäjän pyyntöön.

Parametrit:

• category (merkkijono, valinnainen) – Suodata kategorian mukaan (esim. social-media, marketing, data-visualization, typography, e-commerce).

Palauttaa: Taulukon esimerkkimetatietoobjekteista, joista jokaisella on:

• name – Mallitunniste käytettäväksi get_example-funktion kanssa.
• category – Mallin kategoria.
• description – Mitä malli luo.
• dimensions – Tulosteen leveys ja korkeus.
• duration – Mallin kesto sekunneissa.

Dokumentaatiotyökalut

Nämä työkalut tarjoavat yksityiskohtaisen viitedokumentaation, jota AI-agentit voivat konsultoida malleja rakentaessaan.

get_component_docs

Palauttaa yksityiskohtaisen dokumentaation tietylle komponentille tai tasotyypille . Sisältää ominaisuuskuvaukset, pakolliset vs. valinnaiset kentät, oletusarvot ja käyttöesimerkit.

Parametrit:

• component (merkkijono, vaadittu) – Komponentin/tasotyypin nimi (esim. text, image, video, shape, audio, group, lottie, custom, AnimatedLineChart, TypewriterEffect).

Palauttaa: Kattavan dokumentaation, joka sisältää:

• Ominaisuustaulukon tyypeillä, oletusarvoilla ja kuvauksilla
• JSON-skeeman komponentille
• Käyttöesimerkkejä
• Huomautuksia selain- ja Node.js-renderöinnin eroista

get_animation_docs

Palauttaa täydellisen animaatioefektien viitteen, mukaan lukien kaikki sisääntulo-, poistumis-, korostus- ja avainkehysanimaatioesiasetukset.

Parametrit:

• animation (merkkijono, valinnainen) – Tietty animaation nimi, jolle haetaan yksityiskohtainen dokumentaatio (esim. fadeInUp, bounceIn, slideOutLeft). Jos jätetään pois, palauttaa täydellisen animaatioluettelon.

Palauttaa: Animaatiodokumentaation, joka sisältää:

• Animaation nimen ja kategorian (entrance, exit, emphasis, keyframe)
• Visuaalisen efektin kuvauksen
• Määritettävät parametrit (duration, delay, easing)
• Oletusarvot
• Suositellut käyttötapaukset

get_component_defaults

Palauttaa oletusarvot ja täydellisen JSON-skeeman tietylle komponenttityypille. AI-agentit käyttävät tätä ymmärtääkseen miltä minimaalinen validi komponentti näyttää ja mitä ominaisuuksia ne voivat ohittaa.

Parametrit:

• component (merkkijono, vaadittu) – Komponentin/tasotyypin nimi.

Palauttaa: JSON-objektin, jossa on:

• defaults – Täydelliset oletusarvot jokaiselle ominaisuudelle
• schema – JSON-skeema, joka määrittelee komponentin rakenteen, tyypit ja rajoitukset
• required – Lista pakollisista ominaisuuksista

Esimerkki vastauksesta tekstitasolle:

{
  "defaults": {
    "type": "text",
    "text": "",
    "fontSize": 24,
    "fontFamily": "Arial",
    "color": "#000000",
    "fontWeight": "normal",
    "textAlign": "center",
    "position": { "x": 0, "y": 0 },
    "opacity": 1,
    "rotation": 0,
    "animations": []
  },
  "required": ["type", "text"],
  "schema": {
    "type": "object",
    "properties": {
      "text": { "type": "string", "description": "Näytettävä tekstisisältö" },
      "fontSize": { "type": "number", "minimum": 1, "maximum": 500 },
      "fontFamily": { "type": "string", "description": "Google Font -nimi tai järjestelmäfontti" },
      "color": { "type": "string", "pattern": "^#[0-9a-fA-F]{6}$" }
    }
  }
}

get_easing_docs

Palauttaa täydellisen viitteen kaikille saatavilla oleville easing-funktioille. Easing-funktiot ohjaavat animaatioiden kiihdityskäyrää määrittäen alkavatko ne hitaasti, päättyvätkö hitaasti, pomppaavatko vai seuravatko elastista käyrää.

Parametrit:

• easing (merkkijono, valinnainen) – Tietty easing-funktion nimi yksityiskohtaiselle dokumentaatiolle. Jos jätetään pois, palauttaa täydellisen listan.

Palauttaa: Dokumentaation jokaiselle easing-funktiolle, mukaan lukien:

• Funktion nimi (esim. easeInOutCubic, easeOutBounce, spring)
• Käyrän matemaattinen kuvaus
• Liikkeen tunteen visuaalinen kuvaus
• Suositellut käyttötapaukset
• CSS-vastine (jos sovellettavissa)

AI-integraation asentaminen

Rendervidin yhdistäminen AI-työkaluusi vaatii MCP-palvelimen lisäämisen työkalusi kokoonpanoon. Asennusprosessi vaihtelee hieman työkalujen välillä, mutta peruskonsepti on sama: osoita AI-työkalusi Rendervidin MCP-palvelimen sisääntulokohtaan.

Edellytykset

Ennen minkään AI-työkalun konfigurointia, varmista että sinulla on:

1. Node.js 18+ asennettuna järjestelmääsi
2. Rendervid kloonattu ja rakennettu GitHub-repositoriosta :

git clone https://github.com/AceDZN/rendervid.git
cd rendervid
npm install
cd mcp
npm install
npm run build

3. FFmpeg asennettuna (vaaditaan videotulosteelle):

# macOS
brew install ffmpeg

# Ubuntu/Debian
sudo apt install ffmpeg

# Windows (Chocolateyn kanssa)
choco install ffmpeg

Claude Desktop / Claude Code

Lisää Rendervid MCP-palvelin Claude Desktop -kokoonpanotiedostoosi.

Kokoonpanotiedoston sijainti:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json
• Linux: ~/.config/Claude/claude_desktop_config.json

Kokoonpano:

{
  "mcpServers": {
    "rendervid": {
      "command": "node",
      "args": ["/path/to/rendervid/mcp/build/index.js"],
      "env": {}
    }
  }
}

Korvaa /path/to/rendervid todellisella polulla Rendervid-asennukseesi.

Claude Codelle (CLI), lisää sama kokoonpano projektisi .claude/mcp.json-tiedostoon tai globaaleihin Claude Code -asetuksiisi. Claude Code havaitsee automaattisesti MCP-palvelimen ja paljastaa kaikki 11 työkalua koodausistuntojen aikana.

Tallennuksen jälkeen käynnistä Claude Desktop tai Claude Code uudelleen. Voit varmistaa yhteyden kysymällä Claudelta: “Mitä Rendervid-työkaluja on saatavilla?” Clauden pitäisi listata kaikki 11 MCP-työkalua.

Cursor IDE

Lisää Rendervid MCP-palvelin Cursorin MCP-kokoonpanoon.

Kokoonpanotiedosto: .cursor/mcp.json projektisi juuressa (tai globaalit Cursor-asetukset).

{
  "mcpServers": {
    "rendervid": {
      "command": "node",
      "args": ["/path/to/rendervid/mcp/build/index.js"]
    }
  }
}

Tallennuksen jälkeen käynnistä Cursor uudelleen. Rendervid-työkalut ovat saatavilla Cursorin AI-avustajassa, jolloin voit luoda videoita suoraan editoristasi.

Windsurf IDE

Windsurf tukee MCP-palvelimia AI-kokoonpanonsa kautta. Lisää Rendervid-palvelin Windsurf MCP -asetuksiisi:

{
  "mcpServers": {
    "rendervid": {
      "command": "node",
      "args": ["/path/to/rendervid/mcp/build/index.js"]
    }
  }
}

Katso Windsurfin dokumentaatiosta tarkka kokoonpanotiedoston sijainti, koska se voi vaihdella version ja käyttöjärjestelmän mukaan.

Yleinen MCP-asennus

Mikä tahansa työkalu, joka toteuttaa MCP-asiakasohjelman määrittelyn, voi yhdistää Rendervidin MCP-palvelimeen. Palvelin kommunikoi stdion (vakiosyöte/tuloste) kautta, joka on MCP:n oletuskuljetus.

Integrointiin mukautetun MCP-asiakkaan kanssa:

1. Käynnistä MCP-palvelinprosessi:

   node /path/to/rendervid/mcp/build/index.js
   

2. Kommunikoi stdin/stdoutin kautta käyttämällä MCP JSON-RPC -protokollaa.
3. Kutsu tools/list löytääksesi saatavilla olevat työkalut.
4. Kutsu tools/call työkalun nimellä ja argumenteilla suorittaaksesi minkä tahansa työkalun.

MCP-palvelin on tilaton. Jokainen työkalukutsu on riippumaton, ja palvelin voi käsitellä samanaikaisia pyyntöjä useista asiakkaista.

AI-työnkulku: Päästä päähän -esimerkit

Seuraavat esimerkit näyttävät miten AI-agentit käyttävät Rendervidin MCP-työkaluja siirtyäkseen luonnollisen kielen kehotteesta valmiiseen videoon.

Esimerkki 1: Sosiaalisen median sisällön luominen

Käyttäjän kehote: “Luo 10 sekunnin Instagram-tarina, joka mainostaa kesäalennusta animoidulla tekstillä ja gradienttitaustalla”

AI-agentin työnkulku:

Vaihe 1 – Löydä ominaisuudet:

Agentti kutsuu get_capabilities-funktiota oppiakseen saatavilla olevista tasotyypeistä, animaatioesiasetuksista ja tulosteen rajoituksista. Se löytää, että text- ja shape-tasot ovat saatavilla, fadeInUp- ja scaleIn-animaatiot ovat olemassa, ja Instagram-tarinat käyttävät 1080x1920-resoluutiota.

Vaihe 2 – Etsi lähtömalli:

Agentti kutsuu list_examples-funktiota parametrilla category: "social-media" ja löytää instagram-story-mallin. Se sitten kutsuu get_example("instagram-story")-funktiota ladatakseen täydellisen malli-JSONin.

Vaihe 3 – Rakenna malli:

Käyttämällä esimerkkiä viitteenä, agentti rakentaa mukautetun mallin:

{
  "outputSettings": {
    "width": 1080,
    "height": 1920,
    "fps": 30,
    "duration": 10
  },
  "scenes": [
    {
      "duration": 10,
      "layers": [
        {
          "type": "shape",
          "shapeType": "rectangle",
          "width": 1080,
          "height": 1920,
          "gradient": {
            "type": "linear",
            "angle": 135,
            "stops": [
              { "color": "#FF6B35", "position": 0 },
              { "color": "#F72585", "position": 0.5 },
              { "color": "#7209B7", "position": 1 }
            ]
          }
        },
        {
          "type": "text",
          "text": "KESÄALE",
          "fontSize": 96,
          "fontFamily": "Montserrat",
          "fontWeight": "bold",
          "color": "#FFFFFF",
          "position": { "x": 540, "y": 700 },
          "animations": [
            { "type": "fadeInUp", "duration": 0.8, "delay": 0.3 }
          ]
        },
        {
          "type": "text",
          "text": "50% ALENNUS KAIKESTA",
          "fontSize": 64,
          "fontFamily": "Montserrat",
          "color": "#FFE066",
          "position": { "x": 540, "y": 850 },
          "animations": [
            { "type": "fadeInUp", "duration": 0.8, "delay": 0.6 }
          ]
        },
        {
          "type": "text",
          "text": "Osta nyt  →",
          "fontSize": 48,
          "fontFamily": "Montserrat",
          "color": "#FFFFFF",
          "position": { "x": 540, "y": 1200 },
          "animations": [
            { "type": "scaleIn", "duration": 0.6, "delay": 1.2 }
          ]
        }
      ]
    }
  ]
}

Vaihe 4 – Validoi:

Agentti kutsuu validate_template-funktiota malli-JSONilla. Vastaus tulee takaisin valid: true ilman virheitä.

Vaihe 5 – Renderöi:

Agentti kutsuu render_video-funktiota validoidulla mallilla ja saa URL:n valmiiseen MP4-tiedostoon.

Esimerkki 2: Markkinointivideon automaatio

Käyttäjän kehote: “Luo tuote-esittelyvideo uusille kuulokkeille. Käytä tätä tuotekuvaa: https://example.com/headphones.png . Tuotteen nimi on ‘SoundPro X1’ ja hinta on $299.”

AI-agentin työnkulku:

1. get_capabilities – Oppii kuvataso-, tekstityyli- ja animaatiovaihtoehdoista.
2. list_examples – Löytää product-showcase-mallin e-commerce-kategoriasta.
3. get_example("product-showcase") – Lataa täydellisen tuote-esittelymallin, joka käyttää mallimuuttujia tuotteen nimelle, kuvalle ja hinnalle.
4. Muokkaa mallia – Päivittää inputs-kentän käyttäjän tuotetiedoilla:

   {
     "inputs": {
       "productName": "SoundPro X1",
       "productImage": "https://example.com/headphones.png",
       "price": "$299",
       "tagline": "Premium-ääni, uudelleenmääriteltynä"
     }
   }
   

5. validate_template – Varmistaa mallin ja vahvistaa, että https://example.com/headphones.png on saavutettavissa.
6. render_video – Tuottaa lopullisen tuote-esittelyvideon.

Tämä työnkulku havainnollistaa miten AI-agentit hyödyntävät mallimuuttujia luodakseen personoitua sisältöä uudelleenkäytettävistä malleista. Sama tuote-esittelymalli voi luoda satoja ainutlaatuisia videoita vaihtamalla syötteitä.

Esimerkki 3: Datavisualisoinnin luominen

Käyttäjän kehote: “Luo animoitu pylväskaavio, joka näyttää neljännesvuosittaiset tulot: Q1: $1.2M, Q2: $1.8M, Q3: $2.1M, Q4: $2.7M”

AI-agentin työnkulku:

1. get_capabilities – Löytää custom-tasotyypin ja AnimatedLineChart sisäänrakennetun komponentin .
2. get_component_docs("AnimatedLineChart") – Lukee kaaviokomponentin dokumentaation oppien dataformaatista, värikonfiguraatiosta, akselien merkinnöistä ja animaatiovaihtoehdoista.
3. get_component_defaults("AnimatedLineChart") – Saa oletusarvot ja JSON-skeeman ymmärtääkseen vähimmäiskonfiguraation.
4. Rakentaa mallin mukautetulla komponenttikerroksella:

   {
     "type": "custom",
     "component": "AnimatedLineChart",
     "props": {
       "data": [
         { "label": "Q1", "value": 1200000 },
         { "label": "Q2", "value": 1800000 },
         { "label": "Q3", "value": 2100000 },
         { "label": "Q4", "value": 2700000 }
       ],
       "colors": ["#4361EE", "#3A0CA3", "#7209B7", "#F72585"],
       "title": "Neljännesvuosittaiset tulot 2025",
       "yAxisLabel": "Tulot (USD)",
       "animationDuration": 2
     }
   }
   

5. validate_template – Vahvistaa mallin rakenteen olevan oikea.
6. render_video – Luo animoidun kaaviovideon.

Itseään kuvaava API: Miten ominaisuudet tekevät AI-agenteista tehokkaita

get_capabilities-työkalu on Rendervidin AI-integraation kulmakivi. Se toteuttaa itseään kuvaavan API-mallin, jossa järjestelmä kertoo AI-agenteille täsmälleen mitä se voi tehdä, mitä parametreja vaaditaan ja mitkä arvot ovat valideja. Tämä eliminoi tarpeen AI-mallien muistaa tai olla koulutettuja Rendervidin erityiseen API:in.

Mitä ominaisuuksien vastaus sisältää

Kun AI-agentti kutsuu get_capabilities-funktiota, se saa rakenteellisen vastauksen, joka kattaa jokaisen renderöintijärjestelmän osa-alueen:

Tasotyypit JSON-skeemoilla:

{
  "layerTypes": {
    "text": {
      "description": "Renderöi tekstiä täydellä tyylinhallinnalla",
      "schema": {
        "properties": {
          "text": { "type": "string", "required": true },
          "fontSize": { "type": "number", "default": 24, "min": 1, "max": 500 },
          "fontFamily": { "type": "string", "default": "Arial" },
          "color": { "type": "string", "format": "hex-color" },
          "position": { "type": "object", "properties": { "x": {}, "y": {} } },
          "animations": { "type": "array", "items": { "$ref": "#/animations" } }
        }
      }
    },
    "image": { "..." : "..." },
    "video": { "..." : "..." },
    "shape": { "..." : "..." },
    "audio": { "..." : "..." },
    "group": { "..." : "..." },
    "lottie": { "..." : "..." },
    "custom": { "..." : "..." }
  }
}

Animaatioesiasetukset:

Ominaisuuksien vastaus listaa jokaisen animaatioesiasetuken sen kategorian, määritettävien parametrien ja kuvauksen kanssa. AI-agentti, joka saa tämän datan, tietää että fadeInUp on sisääntuloanimaatio, jolla on duration-, delay- ja easing-parametrit, ja että se siirtää elementin ylöspäin häivyttäen sen sisään.

Easing-funktiot:

Kaikki 30+ easing-funktiota on listattu kuvauksilla, joten AI-agentti voi valita oikean käyrän jokaiselle animaatiolle. Esimerkiksi easeOutBounce kuvataan simuloivan pomppuefektiä animaation lopussa, jonka agentti voi suositella leikkisään tai huomiota herättävään sisältöön.

Suodattimet ja efektit:

Visuaaliset suodattimet kuten blur, brightness, contrast, saturate, grayscale ja sepia on dokumentoitu parametrialueineen, jolloin AI-agentti voi soveltaa jälkikäsittelyefektejä mihin tahansa tasoon.

Miksi itseään kuvaavat API:t ovat tärkeitä

Perinteiset API:t vaativat dokumentaatiota, jota AI-mallit saattavat tai eivät ole nähneet koulutuksen aikana. Itseään kuvaava API tarjoaa dokumentaation ajon aikana varmistaen, että AI-agentilla on aina ajantasainen, tarkka tieto. Kun Rendervid lisää uuden animaatioesiasetuken tai tasotyypin, jokainen yhdistetty AI-agentti näkee sen välittömästi get_capabilities-funktion kautta. Ei dokumentaatiopäivityksiä, ei uudelleenkoulutusta, ei versioristiriitoja.

Parhaat käytännöt AI-videon luomiseen

Seuraa näitä ohjeita saadaksesi parhaat tulokset käyttäessäsi AI-agentteja Rendervid-videoiden luomiseen.

1. Validoi aina ennen renderöintiä

Kutsu validate_template-funktiota ennen jokaista renderöintiä. Renderöinti on laskennallisesti kallista, ja validointi on lähes välitöntä. Validointityökalu havaitsee ongelmat, jotka aiheuttaisivat renderöinnin epäonnistumisen tai odottamattoman tulosteen:

• Rikkinäiset media-URL:t (kuvat, videot, äänitiedostot, jotka palauttavat 404)
• Virheellinen JSON-rakenne tai puuttuvat pakolliset kentät
• Alueen ulkopuoliset arvot mitoille, fonttikooille tai kestoille
• Tuntemattomat animaatioesiasetukset tai tasotyypit

Tyypillisen AI-työnkulun pitäisi aina sisältää validointi vaiheena ennen render_video- tai render_image-funktion kutsumista.

2. Aloita esimerkeistä

Sen sijaan että rakentaisit malleja tyhjästä, AI-agenttien tulisi käyttää list_examples- ja get_example-funktioita löytääkseen relevantin lähtömallin. Esimerkkimallit on testattu ja tiedetään tuottavan hyvää tulostetta. Esimerkin käyttäminen lähtökohtana ja sen muokkaaminen on nopeampaa ja vähemmän virhealtista kuin kokonaan uuden mallirakenteen luominen.

Suositeltu lähestymistapa:

1. Kutsu list_examples-funktiota relevantilla kategorialla
2. Kutsu get_example-funktiota lähimpänä vastaavalle mallille
3. Muokkaa mallia vastaamaan käyttäjän erityisiä vaatimuksia
4. Validoi ja renderöi

3. Käytä kuvailevia kehotteita

Kun pyydät videoita AI-agentilta, ole tarkka seuraavista:

• Mitat ja alusta – “1080x1920 Instagram-tarina” on parempi kuin “pystyvideo”
• Kesto – “10 sekunnin intro” on parempi kuin “lyhyt video”
• Tyyli ja tunnelma – “tumma tausta neonvärillä tekstillä ja pomppuanimaatioilla” antaa AI-agentille selkeän suunnan
• Sisällön rakenne – “Kolme tekstiriviä, jotka ilmestyvät yksi toisensa jälkeen fade-in-animaatioilla” on toiminnallisempi kuin “jotain animoitua tekstiä”

4. Iteroi malleja

Videon luominen on iteratiivista. Ensimmäisen renderöinnin jälkeen tarkista tuloste ja pyydä AI-agenttia säätämään tiettyjä elementtejä:

• “Tee otsikkoteksti suuremmaksi ja vaihda väri kullaksi”
• “Hidasta sisääntuloanimaatioita ja lisää 0,5 sekunnin viive jokaisen rivin väliin”
• “Lisää hienovarainen blur-suodatin taustakuvaan”
• “Vaihda easing lineaarisesta easeOutCubiciksi pehmeämpään liikkeeseen”

AI-agentti voi muokata olemassa olevaa mallia ja renderöidä uudelleen aloittamatta alusta, tehden iteraatiosta nopeaa ja tehokasta.

5. Hyödynnä mallimuuttujia erätuotantoon

Jos tarvitset useita variaatioita samasta videosta (eri tuotteet, eri kielet, eri data), pyydä AI-agenttia luomaan malli muuttujilla . Tämä mahdollistaa monien videoiden renderöinnin yhdestä mallista välittämällä erilaisia inputs-kenttiä:

{
  "inputs": {
    "productName": "Juoksukengät Pro",
    "productImage": "https://example.com/shoes.png",
    "price": "$149",
    "tagline": "Juokse nopeammin, mene pidemmälle"
  }
}

6. Käytä asynkronista renderöintiä pitkille videoille

Yli 30 sekunnin videoille tai malleille, joissa on monimutkaisia animaatioita, käytä start_render_async-funktiota render_video-funktion sijaan. Tämä estää aikakatkaisut ja mahdollistaa AI-agentin suorittaa muita tehtäviä videon renderöityessä taustalla.

Mallien löytäminen: Yli 100 esimerkin selaaminen

Rendervid sisältää yli 100 esimerkkimallia 32 kategoriassa, antaen AI-agenteille rikkaan kirjaston lähtökohtia mihin tahansa videon luomistehtävään.

Miten AI-agentit löytävät malleja

Mallien löytämisen työnkulku käyttää kahta työkalua peräkkäin:

1. list_examples – Selaa luetteloa valinnaisella kategorisuodatuksella löytääksesi relevantit mallit.
2. get_example – Lataa täydellinen JSON-malli tietylle esimerkille.

Mallien kategoriat

AI-agentit voivat suodattaa esimerkkejä kategorian mukaan löytääkseen nopeasti relevantit lähtökohdat:

Mallien löytäminen käytännössä

Kun käyttäjä pyytää “animoitua kaaviota, joka näyttää myyntidataa,” AI-agentti:

1. Kutsuu list_examples(category: "data-visualization")-funktiota ja saa listan kaavioon liittyvistä malleista.
2. Tunnistaa animated-bar-chart-mallin parhaiten vastaavaksi kuvauksen perusteella.
3. Kutsuu get_example("animated-bar-chart")-funktiota ladatakseen täydellisen mallin.
4. Tutkii mallin rakennetta ymmärtääkseen miten data on muotoiltu.
5. Korvaa esimerkkidatan käyttäjän todellisilla myyntiluvuilla.
6. Validoi ja renderöi.

Tämä löytäminen-ensin-lähestymistapa tarkoittaa, että AI-agentit tuottavat johdonmukaisesti hyvin rakenteiltuja malleja, koska ne rakentavat testattujen esimerkkien päälle sen sijaan että generoisivat malli-JSONia tyhjästä.

Kaikkien saatavilla olevien mallien tutkiminen

Nähdäkseen jokaisen saatavilla olevan mallin, AI-agentti voi kutsua list_examples-funktiota ilman kategorisuodatinta. Vastaus sisältää metatiedot kaikille 100+ mallille, jolloin agentti voi etsiä kategorioiden yli parasta vastaavuutta. Jokainen merkintä sisältää mallin nimen, kategorian, kuvauksen, mitat ja keston, antaen agentille tarpeeksi tietoa tehdäkseen tietoon perustuvan valinnan.

Tuetut AI-työkalut

Rendervidin MCP-palvelin toimii minkä tahansa työkalun kanssa, joka toteuttaa Model Context Protocol -asiakasohjelman määrittelyn. Seuraavat työkalut on testattu ja vahvistettu toimivan Rendervidin kanssa:

Koska MCP on avoin standardi, mikä tahansa tuleva työkalu, joka lisää MCP-asiakasohjelman tuen, on automaattisesti yhteensopiva Rendervidin MCP-palvelimen kanssa. Palvelimeen tai sen työkaluihin ei vaadita muutoksia.

Seuraavat askeleet

• Rendervidin yleiskatsaus – Opi kaikista Rendervidin ominaisuuksista, tulostuformaateista ja arkkitehtuurista.
• Mallijärjestelmä – Syväsukellus JSON-mallin rakenteeseen, muuttujiin ja syötejärjestelmään.
• Komponenttien viite – Dokumentaatio kaikille tasotyypeille ja mukautetuille React-komponenteille.
• Käyttöönottoopas – Ota Rendervid käyttöön AWS Lambdassa, Azure Functionsissa, Google Cloud Runissa tai Dockerissa pilvilaajuiseen renderöintiin.
• GitHub-repositorio – Lähdekoodi, ongelmanseuranta ja yhteisön kontribuutiot.