应用开发

项目简介

依据当前公司的无限画布平台制作能一键生成 3 分钟的车评视频。
用户只需要输入汽车关键视角和关键细节的图片，经过工作流运行，可以生成一整套配有完整口播文案的 3 分钟视频的所有素材。因为没有辅助剪辑的功能点，最终需要人为轻量性的介入，进行二次拼贴。

当前画布缺失点

1. 素材资产库缺失，Agent 无法动态调用汽车图片素材 ID。只能固定的将一批素材投递给 LLM、图像、视频模型。

→ 造成的问题：汽车部分细节无法被正确展示

2. 没有共享记忆节点，造成上下流程下的 LLM 记忆断层

3. 没有自动剪辑，只能做剪辑的拼贴

实现方案（工作流程图）

流程详解与核心职责优化版

1. 总导演 Agent (General Director)
职责：负责全片的宏观统筹与基调奠定。它会审查用户输入，应用“反差吐槽拉扯”、“钱包共情”等核心创意机制。它严格限制全局只能出现 3 个静态锚点场景（禁止动态行驶道路作为主场景），并确保整体叙事符合 180s 的黄金转化漏斗模型。

2. 关键美术 Agent (Key Art)
职责：负责场景的“视觉包装”。它接过前置的总导演场景锚定，分别设计3个关键场景。包括明确每个画面的场地环境、时段（清晨/深夜等）、昼夜属性以及影调色彩（冷暖对比、饱和度），确保最终画面的美术以及保证整个视频的主场景一致。

3. 大纲拆分 Agent (Outline Splitting)
职责：进行信息结构的重组与上下文的连接。它承接总导演的战略，将繁杂的车评信息拆解并组装成符合标准的 7 幕结构。其最重要的动作是确保前一幕与后一幕之间的上下文逻辑平滑过渡，避免生硬的话题跳转，为下游的细节生成搭建一个连贯的故事骨架。

4. 脚本生成 Agent (Script Generation)
职责：这是整个流转中最关键的“物理对齐”环节。它的核心任务是提取一个一个特定时间段的“时间格子”（如 15s积木块），并向这些时间格子里精准填充内容。它必须确保在这个特定的时间格子里，口播字数不超标（例如 15s 不能超过 67 字），同时剥离所有微观动作指令和特效花字，并将不适合当前场景的画面（如地库测试）精准放入 B-roll（穿插空镜）的格子里。

5. 场景、角色、汽车锚定图生成 Agent (Anchor Image Generation)
职责：负责“防对号入座”与“视觉连贯性锁定”。它基于场景规划和美术设定，为全片的 3 个核心大场景、主讲人特征、车型特征，生成精准的静态锚定图（参考图）提示词。这确保了整个视频在生成长视频时，主讲人服装统一，车型不变，场景光影不出戏。

6. 动态提示词优化 Agent (Dynamic Prompt Optimization)
职责：优化单个时间格子内的脚本动态提示词。它会给之前的画面加上具体的微观动作（例如“右手捏着杯子”）、微表情变化、以及符合物理规律的运镜方式，产出最终可以用来抽卡的 Prompt。

几个问题的处理

上下文割裂和上下文爆炸问题：
由于缺失记忆功能，将上游输出完整给到下游，并让下游 agent 主动提取部分上游的概述，利用 LLM 自身能力完成上下文的压缩和信息传递。
由于不具备上下文压缩功能和 items 拆分功能，上游的输出 + 系统提示词 + 当前对话的提示词，整个会话字符数非常庞大，且存在大量非当前阶段的必要信息，模型幻觉严重。通过安排分支节点，让 LLM 依据既定好的时间格子，分离出特定的时间片段，大幅度削减上游提示词注入的数量。

场景跳跃问题：
1. 设置主场景和其他场景
2. 总导演部分做场景限制，不允许短时间内跳跃多个主场景
3. 分镜部分提取时间格子后，自动判断和上一个时间格子内的场景差异，如果主场景改变，那么需要设计一下场景的改变
4. 锚定图部分如果识别到是多个场景，就主动提取多个美术场景并生成多个场景的图

口播语速过快问题：
1. 口播文字数量限制在 67 以内
2. 当人物说话过慢时，添加提示词要求说话稍快
部分镜头需要添加到 Badcase 中：

• 禁止人和车屁股全景同框
• 禁止机械停车位
• 生图阶段禁止让人物坐在车里
• 禁止怼脸直接生成人脸面部特写
• 禁止让人物莫名指向自己

人车比例问题：
添加特定提示词，要求车比人高或者人比车高。
图像模型对人车比例敏感度和准确度不如 SD2，减少在图像模型对人车比的锚定。

后续可以进行的优化

在保持当前画布情况下：

1. 在架构上，针对开场和结尾单独设计子 Agent，单独生成，这样更具备开场的吸引力

2. 在画面稳定性和运镜动态上做一个权衡，现在的画面运镜太干瘪

3. 人物情绪太严肃，如果偏向更活泼的，考虑修改“总导演”的人格设定