সম্প্রতি আমি @evanLiaoQ-এর তৈরি Pexo নিয়ে ভাবছি, এই প্রজেক্টটি আমার কাছে আলোচনার মতো মনে হচ্ছে। এখন AI ভিডিও সেগমেন্ট খুবই প্রতিযোগিতামূলক। Kling, Veo, Seedance, Sora, Runway—প্রতিটি মডেলের ক্ষমতা সময়ের সাথে সাথে এগিয়ে যাচ্ছে, চিত্রের গুণগত মান, সময়কাল, চরিত্রের সামঞ্জস্যতা, এবং গতিশীলতা দ্রুত উন্নতি পাচ্ছে। কিন্তু ব্যক্তিগতভাবে ব্যবহার করার পর আপনি একটি সমস্যা দেখতে পাবেন: মডেলগুলির সংখ্যা বাড়ছে, কিন্তু একটি সম্পূর্ণ ভিডিও তৈরি করা সহজ হচ্ছে না। আপনাকে এখনও বিষয়বস্তু বাছাই, স্ক্রিপ্ট লেখা, শটগুলি বিভক্ত, মডেল বাছাই, Prompt লেখা, বারবার জেনারেট, তারপর ভয়েসওভার, সঙ্গীত, সাবটাইটেল, এবং এডিটিংয়ের জন্য কাজ করতে হবে। অনেকসময়, একটি শট জেনারেট করতে কয়েকমিনিটই লাগে, কিন্তু এটিকে একটি পোস্ট, ব্যবহারযোগ্য, Marketing-এর জন্য উপযোগী সম্পূর্ণ ভিডিওতে পরিণত করা—এটিই সবচেয়ে সময়সাপেক্ষ। Pexo-এর লক্ষ্যই এইসবই। এটি আবারও একটি অধস্তন AI-ভিডিও মডেল তৈরির চেষ্টা করছেনা—এটি ৩-এরওপরে AI Video Agent-এরওপরে। সহজভাবে: আগে,আপনি ৩-এরওপরে AI-টুলগুলির ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপরে ৩-এরওপरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे ३-एरोपरे। Pexo: "আমি "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "আমি" "आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""आमि""�amिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamिआamิ। Pexo: “I want to make a video about...” বাকিটা Agent’কথা। এটা তারা’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’সংকলন’ Pexo: “I want to make a video about...” বাকিটা Agent'দিয়া। It can understand your request, scrape web pages or assets, organize information, generate scripts, split shots, and then invoke different image, video, and audio models based on context to assemble a complete video. So what I find truly interesting about Pexo isn’t how many models it integrates—it’s that it wants to transform the interaction paradigm of AI video from: Generate a clip → Make me a video. These two logics are fundamentally different. The former sells “generation capability”; the latter sells “the outcome.” For example, Pexo can now directly take a product’s official website URL, have the Agent extract product info, and auto-generate a Product Video. This is highly practical for SaaS, brands, e-commerce, and crypto projects. Previously, making a product video might require hiring copywriters, designers, editors—even outsourcing an entire team. In the future, you might just paste your website, product screenshots, and key selling points into the Agent—and refine it through chat. Another feature I’ve been closely watching is “Mark to Fix.” The issue with AI video today isn’t “can it generate?”—it’s “how do you edit it?” A logo is too big. A character’s shirt color is wrong. A section needs replacement. The subtitle position is off. If you regenerate the entire clip every time, efficiency plummets. Pexo’s approach is to simply circle the area on screen and tell the Agent: Replace this. Don’t touch this. Change this to another version. If this local editing and context-awareness capability continues to improve, AI video will truly evolve from a “gacha tool” into a production tool. Moreover, Pexo is no longer just building a standalone website. They’ve started launching Pexo Skills—integrating with Agent environments like Claude Code, Codex, Cursor, Manus, OpenClaw. This step is even more significant. Because in the future, we may not actively open dozens of AI websites. Instead, we’ll simply tell our General Agent: Help me build a product. Help me write a website. And make me a launch video. Then the General Agent will invoke specialized Agents like Pexo in the background to handle video production. The General Agent handles task comprehension; Pexo handles video execution with professional-grade precision. This might be the exact position Pexo is aiming for. Pexo’s founder Evan Liao has long been working in AI video and content generation—with prior experience at Tencent, ByteDance, and Vidu—so this project’s trajectory is very consistent. From Apex Context to today’s Pexo, they’ve consistently emphasized one concept: Context. Models will keep getting stronger and cheaper. But what truly determines whether an Agent is useful isn’t how many models it connects to—it’s whether it can truly understand what you mean, remember brand and character context, know which model to invoke in which scenario, and automatically correct itself when generation fails. I believe this is precisely where Vertical Agents will be most interesting to watch. As underlying models become commoditized, competition will shift from “whose model is strongest” to “who understands tasks best, understands users best, and gets closest to the final outcome.” What Pexo is doing is essentially betting on this direction. From AI Video Generator → to AI Video Agent. I’ll continue following whether it can truly connect generation, editing, context, and agent workflows into one seamless video production system. @evanLiaoQ