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。

AIGC 快速发展大幅降低广告内容生产门槛，也对合规治理带来新挑战。传统“审核反馈 + 手工修复”链路冗长、通过率低，商家为规避风险常主动弱化表达，导致合规与营销难以兼容。
为此，我们构建了基于 Agentic AIGC 的素材修复架构：将审核结论解构为结构化任务，通过对文字、图像、视频的局部精准编辑与片段生成/替换消除风险、保留素材价值，并借助多目标强化学习在合规与营销吸引力之间动态求解。本次演讲将围绕风险理解、编辑与生成协同、多目标优化等技术实践展开，探讨合规与营销的对抗、千万级素材吞吐下的质量与成本权衡，帮助企业构建安全与增长兼得的柔性内容治理能力，助力商家实现长期经营增长。

演讲提纲

1. AIGC 时代下的广告素材合规难题
   • AIGC 大幅降低广告素材生产门槛，素材产出与投放节奏进入指数级增长，AIGC生成与改写也逐步融入商家的日常素材生产。但对拒审素材而言，商家自行修复缺乏对审核规则与风险边界的精准理解，容易反复被拒，或因过度改写削弱营销表达；素材合规修复仍高度依赖“审核反馈 +手工修复”，成本高、周期长、通过率低，与 AIGC 的产出节奏形成明显落差。
2. 把 AIGC 塞进修复链路，为什么没那么简单？
   • 风险归因与定位：知其违规，更知其所以然
   • 安全与营销博弈：既要过审，也要有效
   • 编辑的时空一致性：局部改动，全局自洽
   • 质量与成本权衡：要修得好，也要修得快
3. Agentic AIGC 修复架构：理解、决策、生成的协同
   • 整体架构：以多 Agent 协同驱动素材合规修复，覆盖文字、图像、视频多场景与多风险类型
   • 风险结构化理解：将审核结论解构成可执行任务
   • 多目标强化学习：在合规与营销吸引力多目标约束下动态求解
   • 多模态编辑与生成协同：文字、图像、视频编辑与生成的联动，兼顾时空一致性
   • 指令驱动的端到端视频编辑：一句话完成从素材到合规成片的编辑
4. 未来展望：生成即合规
   • 理解与生成统一架构：统一建模，推动从“先生成、后审核”演进为“生成即合规”
   • Agent 从“补丁”走向“共创”：合规能力从事后修补前置为创作阶段的原生能力

实践痛点

• 修复策略难以标准化：不同品类、不同风险类型的修复逻辑差异大，规则化与人工经验都难以覆盖全场景
• 合规与营销的表达冲突：营销追求强表达以提升转化，合规要求在边界内呈现，两者在实际素材上频繁冲突
• 多模态编辑一致性难保障：视频局部改动容易出现穿帮、风格漂移，图像/文本改写易脱离原素材语境
• 规模化修复的成本压力：高质量生成模型推理成本高、时延大，难以在大规模素材修复场景下全量落地

前沿亮点

• 规模化落地的 Agentic 素材合规修复体系：覆盖文字、图像、视频全模态，服务千万级素材场景
• 一句话完成端到端视频编辑：无需分镜拆解与逐帧标注，指令驱动即可产出合规且连贯的成片，显著降低生成成本
• 柔性治理的边界方法论：为生成式 AI 参与内容治理提供可复用的边界框架
• 合规与营销的联合优化范式：不止于守住合规底线，通过多目标建模让修复后的素材同时保留营销表达力

听众收益

• 关键技术实践：风险结构化、多目标强化学习、多模态编辑与生成协同的落地经验
• 工程权衡思路：合规与营销的对抗、质量与成本的取舍、柔性治理的边界划定
• 业务视角启发：如何在守住安全底线的同时释放营销表达空间，实现“安全与增长兼得”
• 前瞻趋势判断：把握合规从“事后审核”前置到“生成阶段"的行业演进，为业务落地生成式 AI 提供参考

生成式 AI 让“一句话出视频”成为现实，但行业落地的挑战不仅在于高质量 Clip 生成，也在于如何将数十个 AI 片段加工、编排并渲染合成为数分钟的完整成片。本次分享介绍万镜一刻的工程实践：通过L型架构实现能力复用与产品解耦；设计四层 API，让 AI 视频能力可组装、可编排；构建 Multi-Agent 协作体系，让创意发现、编剧、导演、剪辑等 Agent 在统一 Timeline 上完成端到端成片流水线。同时分享多模型调度一致性、长时间线渲染稳定性、Agent间上下文传递等踩坑经验。该架构已支撑短剧、营销、电商等多行业场景的规模化视频生产。

演讲提纲：

1. 从Clip到Timeline：问题定义
   • 生成式视频的“最后一公里”困境：模型日新月异，但从单个Clip到可交付成片之间存在工程空白。
   • 成片 ≠ 片段拼接：一致性、节奏、转场、配音对齐、质检等问题，到Timeline阶段才集中爆发。
   • 万镜一刻的定位：覆盖创意到成片交付的全链路，与素材生成类平台有本质差异。
2. L型架构与多层API设计
   • 为什么是L型：横向PaaS同时支撑AIGC通用服务能力，纵向SaaS/Agent快速适配不同AIGC场景的特性能力。
   • 多层API：每层解决什么问题，层间如何递进。
   • 踩坑：各种边界的划分与重叠——过早抽象，API爆炸；过晚抽象，重复建设；过度抽象，效率低。
3. 长程任务与多模型调度
   • 长程任务拆解与执行策略。
   • 内容一致性优化。
   • 模型路由与降级：同一物理模型多供应商主备切换的调度设计。
   • 踩坑：
     • SubAgent“过度指挥”——约束太强，丧失多样性。
     • 长成片Context窗口溢出——分段传递 vs. 摘要传递的取舍。
     • 配音时长与视频时长对不齐——动态变速 + 静音填充 + 画面延伸。
4. 落地效果与展望
   • 当前支撑的行业场景。
   • 从分钟级成片到更长内容的技术挑战。

实践痛点：

生成模型的不可控性是最大痛点。AI 生成输出在叙事语义、运镜手法、情绪表达、风格氛围、多人站位关系上都存在不确定性。一条成片调用数十次生成模型，任何一次“跑偏”都影响整体。
长程任务的状态管理复杂度远超预期。数十个异步子任务、复杂依赖关系、长尾延迟与偶发失败，部分重试、状态回滚的工程量占系统相当比例，但对外完全不可见。

Trade-off：

• 质量 vs. 速度。每增加一轮质检环节，Pipeline耗时都会增加。目前采用“分场景、分级质检”的模式，代价是仍会漏过低质量片段。
• 通用性 vs. 场景深度。PaaS抽象越通用，场景体验越平庸；做得越垂直，复用价值越低。目前妥协为“底层通用，场景层按行业分叉”，代价是场景层维护成本有所增长。

前沿亮点：

• 成片制作Know-how原生嵌入生成链路
  • 业界主流方案的核心竞争力在单段Clip的生成质量，成片组装仍依赖人工剪辑或简单拼接。我们的差异在于将视频制作的结构化Know-how重构为Agent约束和Timeline编排，使系统以成片交付标准反向指导每个片段该生成什么、多长、什么景别、如何衔接——这是从秒级Clip跨越到分钟级成片的关键路径。
• AI生成与音视频处理的帧级原生融合
  • 业界常见架构是“AI生成”和“视频处理”两套独立系统：先调模型生成Clip文件，再导入传统Pipeline做拼接、渲染。这种割裂带来效果和性能的双重问题。我们将部分场景的AI推理与媒体引擎的帧处理Pipeline原生融合，在同一数据流中完成生成、增强与渲染，避免中间态落盘带来的效果与性能损失。

听众收益：

1. 了解AI视频从Clip生成到分钟级成片交付之间的工程化Gap，以及“成片思维”与“素材思维”的本质差异。
2. 获得一套经过生产验证的AIGC PaaS + SaaS/Agent分层架构设计经验。
3. 掌握长程AI任务中多模型调度、上下文传递、状态管理的实战踩坑与应对策略。

视频生成模型正在从“生成一段可看的视频”进入更复杂的阶段：它需要在多主体、多镜头、长时序和交互场景下保持一致性、可控性和实时响应能力。这些问题不仅决定了生成效果，也决定了视频 AIGC 能否真正进入专业内容生产和实时互动场景。
本次分享将围绕视频生成中的关键技术挑战展开，包括角色与场景一致性、参考驱动生成、镜头与叙事控制、流式视频生成以及世界模型方向的探索。分享将结合 Vidu 在模型迭代和场景实践中的技术路径，讨论视频生成模型如何从离线生成工具，逐步演进为可控、可交互、可扩展的内容生产基础能力。

演讲大纲

1. 视频生成模型面临的关键挑战：从图像生成到视频生成，难点不只是增加时间维度，而是如何在连续画面中保持主体、场景、动作、风格和叙事逻辑的一致。分享将首先拆解当前视频生成在多主体一致性、长时序稳定性、动作控制、镜头语言和实时响应方面的主要瓶颈。
2. 一致性：从随机生成到参考驱动生成
   • 视频内容生产需要模型稳定复现角色、商品、场景和风格。分享将介绍参考生视频、参考生图、主体保持等能力所解决的问题，以及它们如何降低多镜头、多场景创作中的断裂感。
3. 可控性：从画面生成到镜头与叙事控制
   • 专业视频创作并不只是生成画面，还需要理解剧本、角色关系、情绪变化、动作节奏和镜头调度。分享将结合 AI 剧创作场景，讨论模型如何完成脚本理解、智能分镜、运镜规划和多镜头一致性控制。
4. 实时性：从离线生成到流式交互
   • 传统视频生成通常是输入提示词后等待结果，难以支撑实时互动体验。分享将介绍 Vidu S1 流式视频生成模型的方向，重点讨论秒级响应、无限互动时长、双向感知、即时指令遵循和多模态输入输出对交互式内容生产的意义。
5. 从世界生成到世界行动
   • 视频模型不仅生成画面，也在学习对时空、动作和物理世界的理解。分享将介绍生数科技在世界行动模型方向的探索，讨论视频生成、世界模型与具身智能之间的关系。
6. 总结：视频 AIGC 的技术演进路径
   • 回到整体技术路线，总结视频生成模型如何从“可生成”走向“可控生成”，再走向“实时交互”和“世界理解”。

听众收益  

• 理解视频生成模型在一致性、可控性、长时序和实时交互上的核心难点。  
• 了解参考驱动生成、智能分镜、镜头控制、流式生成等能力背后的技术价值。  
• 获得视频 AIGC 从 Demo 走向专业内容生产场景时需要解决的问题框架。  
• 看到视频生成模型向世界模型、具身智能方向演进的技术趋势。