用提示词和 NVIDIA Cosmos 与 VSS 3.3 构建视觉 AI Agent

NVIDIA Developer 发布直播课程，演示如何用自然语言提示、NVIDIA Cosmos 和 NVIDIA VSS 3.3 构建视觉 AI Agent。流程覆盖实时视频流接入、告警验证、视频搜索、摘要与报告，并引入 Build Vision Agent skill 降低开发工作量，以及 Adaptive Efficient Video Sampling（EVS）控制视频处理成本。课程还将演示如何配置 Adaptive EVS 并测量其对 token 用量、吞吐与延迟的影响。

此前构建视觉 AI Agent 通常需要自行拼接视频接入、告警、搜索与报告链路，并单独优化长视频处理成本。此次 NVIDIA 将技能化开发路径与自适应视频采样同时放入 VSS 3.3 工作流，把提示到部署的过程压缩为可复用的共享服务，并让成本指标可被直接测量。

视频理解的主要成本来自对小时级素材的逐帧处理。Adaptive EVS 通过按需调整采样密度减少无效计算，从而影响 token 用量、吞吐和延迟；Build Vision Agent skill 则把告警验证、搜索、摘要和报告封装为可组合能力，让编码 Agent 复用已有服务并增量扩展运行中的应用。

对产品和研发团队而言，视觉 Agent 的开发重心可能从底层视频管线搭建转向技能编排与提示设计。成本优化不再依赖经验判断，而可通过 token、吞吐和延迟指标评估。已上线应用可添加能力而无需重写，部署验证也被纳入标准流程。

• 在安防、工业巡检等长视频场景，试点 Adaptive EVS 并对比开启前后的 token 成本与延迟。
• 将告警验证、视频搜索、摘要和报告封装为内部共享服务，供多个视觉 Agent 复用。
• 把提示到部署的流程产品化为模板，让非算法团队也能配置垂直场景视觉 Agent。
• 建立视频采样策略与处理成本的监控面板，作为视觉 Agent 上线前的评估项。

• Adaptive EVS 的具体采样策略和可配置参数未在证据中说明。
• Build Vision Agent skill 是否已普遍可用、支持哪些模型与部署环境尚不明确。
• 直播中承诺的降本幅度和延迟数据尚未给出，需要实测验证。
• VSS 3.3 与上一版本的功能差异和迁移成本未被证据覆盖。