用过 Midjourney 或 Runway 的人大概都有过这种体验：为了调整一个细节（让品牌色保持一致，或者让视频里的人物动作连贯）需要疯狂修改提示词，反复试错，耗费大量时间却依然得不到稳定的结果。

这种"开盲盒"式的工作方式，在个人创作时尚可接受；但一旦进入业务场景，需要批量、稳定、高质量地产出视觉物料，它就成了真正的瓶颈。

破局的思路其实并不复杂：既然写代码可以用自动化测试来保证质量，视觉生成为什么不行？这篇文章想聊的，正是如何把 Agentic Workflow（智能体工作流） 引入图像和视频生成，构建一套真正可落地的自动化媒体生产系统。

一、核心思路：Generate → Evaluate → Iterate

传统工作流的问题在于，"判断好不好"这件事完全依赖人工。人是循环里最慢的那个环节。

生成式媒体 Agent的核心，是把这个判断环节也自动化。整个系统围绕三个步骤不断循环：

• 生成（Generate）：调用底层大模型（如 Google 的 Nano Banana 图像模型或 Veo 视频模型）生成初始素材；

• 评估（Evaluate）：系统自动判断生成的结果是否符合要求；

• 迭代（Iterate）：如果评估不达标，Agent 分析原因，自动调整 Prompt 或参数，重新生成，直到满足质量标准。

Agent核心循环：Sense - Thnk - Act - Learn四个环节构成闭环，驱动自主迭代

这个循环里，最大的挑战在于"评估"。视觉内容的质量往往是主观的，没有唯一的标准答案。如果 Agent 自己不知道什么是"好"，它就无法自我修正。

下面这套三层评估管道，是解决这个问题的关键。

二、三道质量防线：让 Agent 学会"看懂"好坏

第一道防线：图像-文本相似度

这一层使用视觉-语言模型（如 Google 的 SigLIP 或 OpenAI 的 CLIP）来计算生成的图像与目标文本之间的匹配度，快速过滤掉那些明显"跑题"的废片。

SigLIP（Sigmoid Loss for Language Image Pre-Training）的原理是将图像和文本分别通过各自的编码器，映射到同一个特征空间中，然后计算两者的余弦相似度（Cosine Similarity）。如果生成的图和 Prompt 的匹配度低于设定阈值，系统直接将其淘汰重做，不需要进入下一环节。

SigLIP架构：图像和文本分别编码后，通过余弦相似度矩阵计算匹配分数，高效过滤跑题废图

这种方法计算成本极低，适合作为第一道快速筛选关卡。

第二道防线：大模型裁判（LLM-as-a-Judge）

对于更复杂的逻辑判断，相似度分数就无能为力了。这时，需要引入多模态大模型（如 Gemini 1.5 Pro）作为"裁判"。

把生成的图片喂给 LLM，并向它提出具体问题："这张图里有没有包含品牌 Logo？"、"视频中的人物动作是否连贯？"LLM 裁判不仅能给出"是/否"的判断，还能提供详细的反馈意见。这些反馈会被提取出来，输入回生成环节，指导下一次的迭代。

这本质上是让一个强大的 LLM 去当裁判，评估另一个生成模型的输出。

LLM as a Judge架构：生产应用的输出美送入评估LLM，结合评估模板生成结构化的评估报告

第三道防线：结构化评分表（Structured Rubrics）

为了让评估过程标准化、可量化，需要在 Agent 中硬编码明确的多维度打分标准。以 UI 设计图生成 Agent 为例：

三道防线层层把关，Agent 就能像一位不知疲倦的严苛艺术总监，自动把控输出质量。

三、图像生成：让 LLM 帮你写 Prompt，再用参考图锁死风格

用 LLM 扩写"超级 Prompt"

不必自己绞尽脑汁写长难句。更高效的做法是：先用自然语言向 LLM 描述需求，让 LLM 帮你扩写成结构化、细节丰富的"超级 Prompt"，再喂给图像模型。

例如，只需说"帮我生成一张光合作用的儿童科普信息图，风格要可爱"，LLM 会自动补充构图、色彩、字体风格、元素布局等细节。下图是 Google Nano Banana 模型用这种方式生成的结果——注意它在文本渲染和图文排版上的能力，这正是许多老一代图像模型的弱项：

Nano Banana生成的光合作用信息图，展示了模型在文本渲染和信息图排版上的强大能力

Nano Banana 模型目前提供三个版本，各有侧重：

用参考图锁死品牌风格

在企业应用中，使用图像到图像（Image-to-Image）的生成方式，提供风格参考或草图，能大幅提升生成结果的可控性。Nano Banana Pro 支持最多 14 张参考图同时输入，足以覆盖复杂的品牌视觉规范。

四、视频生成：Veo 3 的七维提示词结构与起止帧控制

视频生成的难度远大于图像，因为需要同时控制画面内容、运镜方式和时间维度。Google 的 Veo 3 模型的提示词遵循一套清晰的结构：

一个高质量的 Veo 提示词需要覆盖七个维度：

起止帧控制：最被低估的特性

Veo 3 还有一个非常实用的特性：起止帧控制（Start/End Frame）。你可以直接指定视频的第一帧和最后一帧，Veo 会自动在这两帧之间生成平滑、符合逻辑的过渡动画。

Veo起止帧控制：指定FIRST和LAST两帧图像，Veo自动生成中间的过渡动画

这对于制作有明确起承转合的产品演示短片来说非常实用：只需要准备好"开场画面"和"结尾画面"，中间的过渡完全交给 Veo 来完成。

五、两个典型的 Agent 工作流

案例一：品牌 UI 设计智能体

任务目标：根据给定的品牌指南（Brand Guidelines），自动生成符合品牌调性的 App UI 界面图。

工作流设计如下：

1. Agent 读取包含品牌色彩、字体、Logo 规范的 PDF 文档；

2. 调用 Nano Banana Pro 模型生成初版 UI 设计图；

3. 调用 Gemini 1.5 Pro 作为裁判，检查生成的 UI 图是否使用了正确的品牌色、Logo 位置是否正确；

4. 如果裁判发现色彩偏差，将具体的 RGB 值错误反馈给生成模型，强制其在下一轮迭代中修正；

5. 最终输出一张完美契合品牌规范的高保真 UI 图。

这个工作流的核心价值在于：它将原本需要设计师反复沟通确认的品牌合规检查，完全自动化了。

案例二：多场景讲解视频 Agent

任务目标：制作一段包含多个场景切换、且带有同步语音解说的科普视频。

工作流分为四个阶段：

1. 剧本规划：Agent 先使用 LLM 编写分镜剧本和解说词；

2. 生成参考帧：为每个场景生成关键帧图像，确保整体画风一致；

3. 视频生成与音频同步：使用 Veo 模型将参考帧转化为动态视频，并生成原生同步的音频；

4. 时间一致性评估（Temporal Consistency）：Agent 评估场景 A 切换到场景 B 时，人物和环境是否发生了不合理的突变，如果不合理，则退回重做。

六、动手实践：用 Gemini CLI 快速搭建第一个媒体 Agent

想搭建这样一套系统，可以从 Gemini CLI入手。这是 Google 提供的一个终端工具，支持通过自然语言指令直接构建、测试和迭代生成式媒体应用。

Gemini CLI终端界面：通过自然语言指令驱动Agent完成任务，支持MCP工具接入

Gemini CLI 对 MCP（Model Context Protocol）提供了原生支持，可以将 Nano Banana、Veo、Lyria 等媒体生成工具直接接入，用自然语言驱动整个媒体生成工作流，而不需要从头编写大量样板代码。

对于个人 Google 账户，Gemini CLI 提供了相当慷慨的免费配额：每分钟 60 次请求、每天 1000 次请求，足够用来搭建和测试一个完整的媒体 Agent。

小结

从单纯的"提示词魔法"走向"工程化的 Agent 系统"，是视觉生成技术真正走向工业化的必经之路。

Generate → Evaluate → Iterate 这三个齿轮咬合在一起，构建出的不再是一个随机出图的玩具，而是一条真正能为业务创造价值的自动化视觉生产线。

如果你也受够了毫无尽头的"盲盒式抽卡"，这套方法论值得一试。把生成质量的控制权从运气手里夺回来，AI 视觉生成的天花板，比你想象的要高得多。