专题演讲嘉宾：路香菊 博士

大模型用于剧本创作时，常出现结构松散、台词悬浮、“AI味”明显及情绪臆想等问题。本次分享将介绍纳逗PRO·剧本空间如何构建VibeWriting模式：以主对话框驱动多Agent协作，将自由交互与专业剧本工作流、量化评估方法论结合，并通过专业知识库增强，实现“边创作、边评估”。分享将重点解析情节逻辑一致性、如何实现剧本结构符合商业化叙事、台词优化及去AI味等技术方案，以及多Agent冲突、上下文漂移、废话累积和评估压制创意等踩坑经验。实践中，剧本开发效率极大提升，为AIGC专业内容生产提供可实现路径。

演讲提纲

1. 从“生成文字”到“专业剧本创作”：问题与挑战
   • 通用大模型在剧本创作中的典型问题
     • 缺乏专业性的商业化叙事意识：情节割裂、结构松散。
     • 长文本创作容易遗忘设定，出现人物性格漂移、时间线冲突和伏笔失联。
     • 台词空洞、缺少人物身份个性。
     • “AI味”重。
   • 纳逗PRO·剧本空间的目标
     • 将开放式对话的创意自由，与专业剧本工作流的结合。
     • 建立“创作—评估—定位问题—局部修改—再次评估”的VibeWriting闭环。
2. VibeWriting总体架构：主对话框如何驱动多Agent
   • 主对话框识别用户意图，当前处于讨论、检索、创作、评估还是修改阶段。
   • 从自然语言中提取创作对象、操作类型、约束条件和期望交付物。
   • 判断应该直接生成、调用专业工作流，还是进一步澄清需求。
   • 多Agent的专业分工与协作
3. 专业剧本工作流：让创意自由，但创作过程可控
   • 从创意到成稿的分阶段工作流、工作流原子化
   • 主对话框与工作流的融合
   • 系统根据意图自动定位受影响的创作资产，避免每次从头生成。
   • 修改前分析影响范围，修改后自动检查人物、事件、时间线与伏笔。
   • 支持局部改写、版本对比和回滚，保留编剧的最终决策权。
4. “边创作、边评估”：剧本量化评估如何反哺生成
   • 创意阶段评估题材辨识度、核心冲突和市场沟通效率。
   • 大纲阶段评估因果完整性、转折有效性及商业结构紧凑度。
   • 人物阶段评估人物目标、关系张力、行为一致性和成长弧光。
   • 分集阶段评估信息增量、情绪曲线、冲突密度及结尾钩子。
   • 场景阶段评估场景必要性、人物行动、潜台词和可视化程度。
   • 台词阶段评估身份差异、口语感、信息效率和“AI味”。
   • 评估结果的结构化表达
5. 三项关键技术实践
   • AI写作“去AI味”用专业知识指导AI的生成，用专业的方法论评估与监督生成的质量
   • 角色台词优化为角色建立年龄、地域、职业、教育程度、权力位置及语言习惯等台词画像。
   • 降低大模型臆想IP改编时建立原作事实清单，对新增人物和情节进行明确标记。在生成后增加事实与设定校验，检查是否违反世界观、人物履历及时间线。
6. 实际踩坑与解决方案
   • 坑一：上下文越长，模型反而越容易忘记关键设定
     • 现象：将完整剧本放入上下文后，模型仍然混淆人物关系和前期伏笔。
     • 原因：关键信息被正文稀释，简单摘要又会丢失细节。
     • 解决：将人物、事件、时间线、伏笔及世界观拆成结构化记忆，按任务动态召回相关内容。
   • 坑二：过度追求量化分数，内容越来越工整却越来越平庸
     • 现象：结构得分提高，但人物的独特性、意外感和作者风格下降。
     • 原因：把类型经验和风格偏好都设计成了刚性指标。
     • 解决：将指标分为逻辑底线、商业建议和风格选择；只强制修复逻辑错误，创意建议交由编剧决定。
   • 坑三：“去AI味”的关键是利用专业方法论的指导
     • 原因：AI味的根源不是词语，而是缺少具体人物、具体关系和具体行动。
     • 解决：从场景任务和人物行动出发重写，要求每句台词改变关系、信息或行动状态。
7. 结论：多Agent的价值不是“多”，而是专业闭环
   • VibeWriting不是一次性生成剧本，而是让自然语言交互持续驱动专业创作流程。
   • 多Agent的核心价值在于专业分工、上下文隔离、协作协议与结果复核，而非Agent数量。
   • “边创作、边评估”能够更早发现结构和人物问题，降低成稿后的整体返工成本。
   • 量化评估服务于创作而非替代审美，最终目标是让AI承担重复劳动，让编剧保留创意判断与表达权。

实践痛点

• 实践中的首要难点是准确理解创作者意图。剧本需求往往模糊、跳跃且持续变化，系统既要主动补全，又不能越俎代庖；澄清过多会打断灵感，直接执行又可能造成方向性偏差。其次，长篇创作中的上下文污染具有明显的连锁效应：一个错误设定进入人物卡、大纲、分集和正文后，可能被多个Agent反复引用、相互强化，最终形成“看似一致、实际错误”的结果。
• 自由编辑同样存在代价。创作者希望随时修改任意人物、场景和台词，但一次局部调整可能影响后续情节、伏笔及人物弧光，因此需要复杂的中间文件、依赖关系、版本管理和回滚体系；管理越严格，交互越不自由。经典剧本库可以提供结构经验和类型参照，却也可能导致桥段趋同、创作模板化，甚至带来版权与素材污染风险；强调创新又会降低商业类型规律的可控性。此外，量化评估能发现结构与逻辑问题，但艺术价值难以被完全指标化，过度追求高分可能抹平作者风格。因此，系统必须在意图理解与执行效率、长期一致性与上下文成本、自由创作与工程管理、经典规律与艺术创新之间持续取舍。

前沿亮点

• 自由对话与专业工作流的双层协同架构
  • 不同于仅依赖Prompt或固定工作流的方案，VibeWriting以主对话框理解创作者开放、动态的意图，再将任务路由至人物、结构、场景、台词等专业Agent；通过结构化任务单连接自由交互与确定性流程，在创意自由度和生产可控性之间取得平衡。
• “边创作、边评估”的闭环式多Agent协作
  • 将剧本量化评估嵌入创作过程，针对商业结构、人物弧光、情节因果、台词生活化及“去AI味”等维度，输出带原文证据的问题定位和局部修改建议。创作Agent与评估Agent进行上下文隔离，避免相互迎合及错误自我强化。
• 面向长篇创作的结构化记忆与影响分析
  • 不单纯依赖超长上下文，而是将人物、事件、时间线、伏笔和世界观沉淀为可检索的创作资产；局部编辑后自动分析影响范围并触发一致性检查，降低上下文污染、人物失真及错误设定在多Agent间扩散的风险。

听众收益

• 对内容创作者：了解如何将AI真正融入剧本创作，而非停留在简单文本生成；掌握从创意、大纲、人物、分集到台词优化及量化评估的协同方法，获得兼顾创作自由与专业规范的AI使用经验。
• 对技术研发者：获得一个基于大模型和多Agent架构构建垂直领域应用的完整案例，了解意图识别、任务路由、专业工作流、结构化记忆、知识检索及“创作—评估—修改”闭环的设计与实现。
• 对AI产品及行业从业者：理解大模型在长文本创作中的能力边界与工程取舍，包括上下文污染、Agent协作冲突、幻觉控制、版本管理，以及创意自由度与流程标准化之间的平衡，并获得可迁移至其他专业内容生产场景的实践经验。