夜雨聆风最近尝试了一个挺有意思的项目——用AI多智能体协作系统，在50分钟内完成了一部短片的完整创作包：从剧本到分镜，再到AI视频提示词，全部搞定。
这篇文章，我想把这次体验完整记录下来。不是为了展示"多厉害"，而是想诚实地聊聊：这套系统是怎么运作的？它解决了什么问题？又有哪些真实的限制？
先回答一个问题：为什么要"多智能体"？
你可能会想：让一个AI模型同时扮演编剧、导演、美术、分镜师不行吗？
说实话，我试过。
问题一：边界会模糊。 AI会想"既然我同时是编剧又是导演，为什么我不能直接给剧本加上镜头语言？"然后它就会把剧本和导演脚本混在一起写。下游拿到的东西，就不知道哪些是"已经翻译好的"，哪些是"还需要翻译的"。
问题二：没有交接意识。 一个AI扮演所有角色，它会默认"我之前写的那些东西，下一个角色当然知道"。但实际上，AI的上下文窗口是有限的——写到后面，可能已经忘了开头说了什么。
问题三：自审变成自我辩护。 "我写的剧本，我来检查有没有问题"——这个检查是不独立的。AI会倾向于认为自己写的东西没问题。
所以，我开始尝试多智能体协作：让不同的AI各司其职，通过文件交接的方式传递工作成果。
"虚拟影视公司"是怎么分工的？
我把这套系统比喻成一个"虚拟影视公司"：
用户（我） ↓ 发起指令film_crew（制片人/总调度） ↓ 分包任务├── scriptwriter（编剧）├── director（导演）├── art_designer（美术设计）├── storyboarder（分镜师）└── image_gen（提示词工程师）简单说就是：有专门负责写剧本的，有专门负责设计镜头的，有专门负责画面视觉的，有专门负责把导演想法翻译成AI指令的，还有一个"制片主任"站在最上面，确保每个部门按时交活、品质过关。
这次做了什么？
项目叫《工地谜案：隐患追踪》v2，是一个关于地下综合管廊隐蔽工程质量问题的悬疑故事。
核心设定：防腐涂层厚度为零。
与v1的区别：
真实的协作流程是怎样的？
第一步：编剧接单
我告诉编剧："你要写一个9场景的剧本，核心发现是防腐涂层厚度为零，有5个角色。"
编剧埋头写，写完把剧本文件交给下一环节。
第二步：导演接单
把剧本交给导演，问他："观众应该怎么看这个故事？"
导演负责设计：哪个镜头该拉远景，哪个该特写，哪段应该快节奏，哪里要留白。
第三步：美术接单
把导演脚本交给美术，问："小智长什么样？地下管廊看起来是什么光线质感？"
美术设计出完整的视觉规范。
第四步：分镜师接单
把美术规范交给分镜师："现在把这一切翻译成37个分镜面板，每个面板的画面描述要能直接交给AI生成图片。"
第五步：提示词工程师接单
把分镜包交给提示词工程师："现在把这些分镜画面翻译成AI平台能读懂的提示词。"
关键机制：文件交接
每个环节完成任务后，不是"说完就算"，而是必须把产出写成文件，放到规定的位置。下一个环节要做的第一件事，就是读取上游的文件，而不是凭记忆或猜测。
这就像真实片场：编剧交剧本，导演拿剧本拍戏，拍完素材交给剪辑师。每一棒都有交接清单，谁没交活、谁的东西不合规，一目了然。
项目目录结构 — 工地谜案隐患追踪v2
工地谜案隐患追踪v2/
│
├── 根目录
│ ├── brief_v2.md (17K) ← 项目简报（frozen）
│ ├── status.md (2.7K) ← 项目状态
│ └── final_acceptance_normalized_v2.md (3.1K) ← 口径规范化文件
│
├── 01_script/
│ ├── script_draft_v2.md (16K) ← 剧本（9场景）
│ ├── director_handoff_note_v2.md (4.6K) ← 剧本→导演移交说明
│ ├── script_self_review_v2.md (2.9K) ← 剧本L1自审
│ └── script_stage_review_bundle_v2.md (2.6K) ← 剧本Stage Bundle
│
├── 02_direction/
│ ├── director_script_v2.md (52K) ← 导演脚本（56镜头/9场景）
│ ├── director_self_review_v2.md (2.4K) ← 导演L1自审
│ └── direction_stage_review_bundle_v2.md (2.0K) ← 导演Stage Bundle
│
├── 03_art_design/
│ ├── art_foundation_pack_v2.md (8.3K) ← 视觉基底包
│ ├── character_visual_pack_v2.md (10K) ← 角色视觉包（5角色）
│ ├── scene_visual_pack_v2.md (21K) ← 场景视觉包（9场景）
│ ├── prop_visual_pack_v2.md (15K) ← 道具视觉包（10项）
│ ├── art_design_handoff_note_v2.md (4.7K) ← art→storyboard移交
│ ├── image_gen_handoff_note_v2.md (1.9K) ← art→image_gen移交
│ ├── art_self_review_v2.md (2.7K) ← art L1自审
│ └── art_stage_review_bundle_v2.md (2.3K) ← art Stage Bundle
│
├── 04_storyboard/
│ ├── storyboard_blueprint_v2.md (25K) ← 分镜蓝图（37 Panels）
│ ├── storyboard_panel_prompt_pack_v2.md (35K) ← 分镜提示词包
│ ├── storyboard_handoff_note_v2.md (12K) ← storyboard→image_gen移交
│ ├── storyboard_self_review_v2.md (2.6K) ← storyboard L1自审
│ └── storyboard_stage_review_bundle_v2.md (1.9K) ← storyboard Stage Bundle
│
├── 05_image_gen/
│ ├── character_reference_generation_prompt_pack_v2.md (13K) ← 角色参考图提示词
│ ├── scene_reference_generation_prompt_pack_v2.md (17K) ← 场景参考图提示词
│ ├── prop_reference_generation_prompt_pack_v2.md (18K) ← 道具参考图提示词
│ ├── kling_3_0_omni_prompt_pack_v2.md (45K) ← Kling视频提示词
│ ├── seedance_2_0_prompt_pack_v2.md (45K) ← Seedance视频提示词
│ ├── reference_asset_generation_prompt_review_v2.md (2.7K) ← image_gen L1自审
│ ├── reference_binding_registry_v2.md (3.1K) ← 绑定追踪表
│ └── image_gen_stage_review_bundle_v2.md (2.2K) ← image_gen Stage Bundle
│
└── 06_final_delivery/
├── final_human_prompt_delivery_pack_v2.md (17K) ← 最终人类交付版
└── final_delivery_validation_note_v2.md (3.5K) ← 最终验收报告
这次做了多少事？
耗时：从用户说"确认"到最终文件生成，大约50分钟。
产出统计：
| 总文件数 | 32个 |
总计约400KB的文本内容。
这套系统目前有哪些限制？
诚实地说，有几个真实的限制：
1. 提示词还没真正"跑过"
我们产出了完整的提示词包，但这些提示词还没有在实际AI视频平台上测试过。理论上可以直接复制到Kling或Seedance平台生成视频，但实际效果怎么样——数字会不会模糊、过曝不过曝——这些都要等真正跑过才知道。
2. 还没有人工审核环节
目前所有产出都是AI自动生成、自动交接、自动审查。没有人在中途停下来看："这段戏的节奏对不对？""小智这个表情设计合不合理？"
3. 分镜包还没有真正生成图片
37个分镜面板，每一个都写了画面描述，但这些描述最终生成出来的图片长什么样，目前还是未知数。
多智能体协作 vs 单智能体——本质区别是什么？
单智能体扮演多角色，就像一个人同时是编剧+导演+摄影+剪辑——当他在剪片的时候，可能会忘记当初为什么这样拍；当他觉得剧本不满意，会直接改掉，而不是停下来问编剧。
多智能体协作，就像一个真实的片场：编剧写完剧本，导演拿到剧本拍戏，剪辑师拿到素材剪辑。每个人都在自己的岗位上做好自己的事，同时知道"别人的事归别人管"。出了问题，找对应的负责人，不互相甩锅，也不互相越位。
边界天然清晰——每个智能体只负责自己那一段。
文件协议强制交接——上一棒做了什么、没做什么，清清楚楚。
独立审查变成真实存在——制片人不是创作团队的一部分，所以它做最终把关的时候，是真正在检查别人的工作，而不是在检查自己。
未来怎么提升？
几个观察和想法：
编剧：对白偏功能性，有时候角色说话像"监理教科书"而不是"真实的人"。未来应该建立"角色声音库"，让对白听起来更像人说的。
导演：镜头数量偏多（56个），有时候"翻译"过于忠实原著，缺乏独立的导演视角。导演不应该只是"剧本的图解者"。
美术设计：文字描述偏多，视觉参考（图片Moodboard）偏少。人类的视觉感知对图片的反应速度是文字的10倍以上。
分镜师：有时候画面描述过于复杂，AI可能生成不出来。分镜描述和AI生图能力之间需要精确匹配。
提示词工程师：负面提示词有时候过于冗长，可能会影响实际生成效果。
最后说几句
这次体验让我对AI协作有了更具体的认知：
好的方面：50分钟产出了完整的创作包，治理流程第一次被完整执行，跨版本的视觉锚点（比如主角小智的外观）得到了严格继承。
还有空间的：提示词的真正验证，还需要人工执行这一步。人工审核节点的缺失，是目前最真实的限制。
如果你也在探索AI创作，希望这个记录对你有帮助。也欢迎留言交流你的经验和想法。
本文档由 AI 多智能体系统生成 | 2026-04-11
个人理解可能存在偏差，欢迎读者朋友指正。
