ARTICLE · 1260062
做了一个AI漫剧工具后,发现最难的根本不是“生成视频”(上)
做了一个AI漫剧工具后,发现最难的根本不是“生成视频”(上)做AI漫剧工具大半年后，我最大的感受是：靠大模型“一键成片”，纯粹是自欺欺人。 如果你只是想让AI生一个几秒钟的炫酷视频发发朋友圈，现在的工具足够了。但如果你是要把十万字的剧本变成一部几十集的短剧，即使把顶尖的大模型全调用一遍，依然做不出来。 AI漫剧最难的根本不是“生成一个好看的视频”，而是连续、稳定、可干预地生成几百个不崩塌的镜头。 一个镜头生成得好，并不代表一部漫剧能做出来。因为一部漫剧里会有几十个角色、上百个场景、几百个道具，以及成百上千个镜头。 
成百上千的镜头组成一部短剧 今天，我们不聊那些虚无缥缈的AI趋势，就从7个具体的Agent切入，讲讲如何从0到1跑通工业级漫剧生产线。由于篇幅过长， 所以会分成上中下三部分进行说明。 刚开始，觉得AI漫剧的产品逻辑其实非常简单：上传剧本 → AI分析 → 生成角色 → 生成分镜 → 生成视频。 但真正开始做以后，第一步就出了问题：一个剧本，到底应该怎么让AI“理解”？ 拿剧本里最普通的一句话举例：“三日后，李玄再次来到城门，此时的他已经换上了一身黑色长袍。” 人类一眼就能看懂，但对于 AI 来说，这句话里隐藏着无数灾难级变量： 如果直接把整本剧本扔给一个超级 Agent ，让它自由发挥，结果必然是：Agent 觉得自己每一步都没错，但组合起来却是一部彻头彻尾的烂片。 所以后来我们把整个生产流程拆成了几个相对独立的专业Agent。 拍电影讲究编剧、导演、美术、摄像、场记的明确分工。AI 也一样，我们最终将整个流程切分成 7 个职责单一、极度克制的 Agent，由 Orchestrator（总控模块）像流水线厂长一样统一调度。 
多Agent协作 它不是简单做摘要，它负责建立整个剧本的“全局认知”，包括：章节结构、世界观设定、全剧时间线、人物社会关系、关键剧情节点等。 它的核心使命，就是为后续所有 Agent 制造一份不可违背的“剧本事实层”。 它负责通读剧本，然后回答一个问题：这部剧到底需要哪些视觉资产？ 主要包括： 这一层的价值在于形成可复用的资产。因为如果没有统一的资产清单，后面每个分镜Agent都会自己“创造角色”。最后很容易变成：同一个李玄，在不同镜头里会变成5 个长相完全不同的人。 有了资产清单之后，还不能直接生图，资产提取 Agent 负责把“李玄”这个名字，变成机器可以理解的视觉描述。比如：年龄、性别、发型、脸型、五官、服装、配饰、身材、人物气质、视觉风格等。 然后进一步生成对应的生图Prompt。也就是说：资产名称 → 资产定义 → 视觉Prompt。 这一步才真正调用图片大模型，生成角色图、场景图、道具图。 但这里有一个非常大的坑：图片生成出来，不等于资产就完成了。关键在于：如何让该资产在接下来的数百个镜头里保持一致？ 这也是一个多么痛的领悟：一致性不是生成阶段的问题，而是整个工作流的问题。 角色绝不能只是一段可变的 Prompt，而必须成为一条带有唯一 ID、绑定固定参考图、具备实时状态的结构化资产。后续任何生成，都必须强制引用该固定资产，而非重新描述。 资产准备好之后，才进入分镜。这时候我们发现：分镜绝对不是简单地把剧本切成几段，它需要具备真正的“导演思维”。 分镜Agent需要理解： 分镜 Agent 最终会输出包含分镜文本（原剧本）、画面描述、资产 ID 引用、首帧 Prompt、视频 Prompt的多维结构化字段。文学语言被成功转化为视听语言。 比如：李玄推开房门，看见苏晚站在窗边。文学上可能只是一句话，但分镜Agent需要进一步判断： 分镜生成以后，才进入真正的视频生成。 生视频 Agent 需要把前期确定的角色、场景、道具、动作、运镜方式、过渡方式等复杂信息，毫无偏差地灌入视频模型。即：如何把前面所有已经确定的信息，正确传递给视频模型。 生视频 Agent 还必须具备完整的工作流控制能力：传递参考资产 → 创建异步渲染任务 → 实时追踪任务状态 → 触发异常重试逻辑。它保证的不是“生一次视频”，而是“稳定交付一个达标的视频片段”。 比如一个镜头涉及：李玄、苏晚、客栈、长剑。那么视频生成时，需要保持：角色一致 + 场景一致 + 道具一致 + 动作正确 + 镜头正确。 这是最容易被忽视，却决定了整套系统生死存亡的最后一道关卡。 生成式 AI 的天然随机性，会导致画面极易出现人脸崩坏、多肢畸变、角色突变、动作漂移等问题。如果依靠人工逐个镜头审查，生产效率会瞬间归零。 所以我们增加了审核Agent，它通过轻量级质检模型和规则，对生成结果进行初步筛选，构建出“生成 → 自动化质检 → 未通过重试 → 再质检”的自动化闭环，把人工从无休止的“盯筛打回”中解放出来，这才叫真正的工业化流水线。 做完这 7 个 Agent 后，我们才算真正把 AI 漫剧从“玩票性质的 Demo”带进了“工业化量产”的门槛。 AI 时代的内容创作，最难的从来不是追逐某一款刚发布的高分模型，而是如何用工程化思维，把不可控的大模型打造成一条精密、稳定、可干预的生产线。 7 个 Agent并不是最重要的，真正重要的是：7个Agent之间到底怎么协作。 先卖个关子，且听下回分解～
开始就把事情想简单了
李玄之前穿什么？黑色长袍是临时变装，还是常态资产？
“三日后”对应的光影与时间线变化是什么？
城门是新建场景，还是可以调用的既有资产？
这一幕包含哪些关联角色？是否需要新增特定道具？
7个Agent组成的“工厂流水线”
1.剧本梗概Agent：先让AI“读懂”整部剧
2.资产总导演Agent：决定“这部剧需要什么”
角色清单：李玄、苏晚、王掌柜...
场景清单：京城、客栈、王府、城门...
道具清单：长剑、玉佩、书信、酒壶...
3.资产提取Agent：解决“资产具体长什么样”
4.资产图片生成Agent：把“文字资产”变成“视觉资产”
5.分镜提取Agent：开始做“导演”的工作
谁在场？在什么场景？做出什么动作？
表达什么情绪？匹配什么景别与机位？
镜头如何运动？镜头前后如何承接？
是否需要一个开门镜头？
是否需要苏晚的特写？
李玄看到苏晚时需要什么表情？
是否需要一个两人的关系镜头？
镜头应该固定还是移动？
