Product archive / Case study

明日导演 Agent

将分散的导演知识、短剧方法与 AIGC 生产经验，转化为可检索、可路由、可执行的创作辅导系统。

案例目录

01从创作判断缺口出发

学生真正缺的不是又一个生成入口，而是在创作过程中有人帮助他们判断。这个镜头为什么这样拍、人物和场景怎样保持连续、生成失败后应该优先修改哪一项，都是 AI 工具进入课堂之后仍然没有被解决的问题。

项目起因来自我司与高校影视、数字媒体相关教学场景的合作交流。教师希望有一个使用便捷的 AI 影视辅导智能体，并能搭载在生成平台上；但单靠课堂讲授，难以覆盖学生在选题、分镜、提示词、修复和评价中的过程问题。

核心机会不是再做一个会聊天的机器人，而是把导演知识、短剧方法和 AI 生产经验，组织成可检索、可追问、可执行的创作辅导系统。

因此，明日导演被定义为一名 AI 导演教学顾问：先帮助用户形成判断，再把判断转化为一个角色、一个场景、一个镜头或一次修复任务的可执行方案，而不是“一键生成成片”。

项目采用 Agent、RAG 与 Workflow 三层协同，而不是让一个超长系统提示词承担全部任务。

RAG

导演基础、短剧方法与 AI 影视实践被整理为独立知识域，让回答能够命中具体资料，而不是依赖模型的通用记忆。

AGENT

识别作品类型、创作阶段与材料完整度，决定是检索知识、追问关键信息、调用模板，还是进入复杂工作流。

WORKFLOW

剧本评分涉及类型判断、多维评价、分数档位与针对性建议，适合拆成可观察、可调试的节点。

为了避免“搜到什么就上传什么”，项目先建立资料治理结构。Firecrawl 只用于公开资料的候选检索与网页原文采集；正式内容必须经过来源判断、人工提炼、教学化改写与敏感信息清理后，才能进入知识库。

内部生产经验只提炼可迁移的方法，不保留原项目剧本、客户素材、角色设定、商业提示词、模型账号或具体参数。最终入库的是“如何盘点资产”“如何锁定连续性锚点”“如何判断修复还是转绘”等通用方法。

知识库	资料数	核心内容	适用标签
导演与视听基础	5	导演意图、景别、机位、构图、轴线、正反打、视觉连续性	`general`
短剧创作方法	9	首场冲突、场次节奏、对话调度、冲突升级、结尾钩子	`short_drama`
AI 影视创作实践	9	资产盘点、提示词结构、一致性、单镜头生成、修复与转绘	`general / short_drama / tvc / film_short`

RAG 的验收不以“上传完成”为准。项目为核心资料设计典型问题、预期命中文档和通过条件，观察召回片段、来源文档与相似度得分。留存的“导演意图卡”查询返回三个相关片段，得分约为 0.804、0.798 和 0.791，第一命中建议不低于 0.70。

Agent 面向短剧、TVC / 品牌广告片和电影短片创作，但不替用户批量生产内容。它帮助用户形成导演思维、理解创作选择，并把选择转化为可执行表达。

对话开始后，Agent 先识别作品类型和当前任务。材料不足时，它只完成一次关键澄清；问题属于导演知识或生成方法时，调用对应知识库；用户提交完整剧本并要求评审时，才进入“剧本评分与优化”工作流。

01从材料读到什么：区分明确事实、合理推断和待确认项。

02模板怎么填：提供当前任务对应的可填写结构，并解释关键字段。

03一条可复制完成稿：只完成当前一个对象或一个镜头，并说明关键导演选择。

04下一步：只追问一个最影响后续创作的问题。

年龄、外貌、服装、剧情、台词、场景和风格都不能在没有依据时伪装成既定事实。这个约束不是限制功能，而是在保护产品的教学定位：用户最终获得的不只是一次答案，而是一套可以迁移到下一次创作的方法。

短剧、TVC 和电影短片的评价重点不同；同一个总分下，作品需要的反馈深度和修改优先级也不同。因此，剧本评分被拆成独立工作流，而不是放进完全自由的对话中。

工作流包含 12 个专业系统提示词节点：其中 3 个节点分别负责短剧、TVC 和电影短片的类型化质量评估；另外 9 个节点由“3 种作品类型 × 高、中、低 3 个评分档位”组合而成，输出与作品类型和成熟度匹配的优化建议。

工作流阶段	解决的问题
输入	接收剧本正文与作品类型，形成统一任务参数。
类型路由	区分短剧、TVC 与电影短片，避免使用同一套标准评价所有作品。
专属评估	从 Hook、结构、角色、情绪、节奏、市场潜力等维度完成诊断。
分数分档	根据 high / medium / low 进入不同反馈策略。
针对性建议	结合类型与成熟度，输出优先级不同的修改方向。
结果聚合	统一字段和数据结构，便于 Agent 解读、记录与后续复用。

结构化结果包含作品标题、总分、评分档位、Hook、结构、角色、情绪、节奏、市场潜力、一句话判断、核心优势与改进建议等字段。Agent 接收 JSON 后，再把机器结构转换为用户能够理解的导演建议。

Agent 产品不能只凭“聊起来感觉不错”验收。项目把知识召回、行为遵循和任务执行拆成三种测试：知识命中测试验证来源、片段相关性与相似度；Agent 行为测试验证追问顺序与生成边界；工作流结果测试检查不同类型、不同质量档位下的路由、字段和解析结果。

阶段成果	当前完成情况
知识资产	完成 3 个独立知识库的结构搭建、约 23 份首批正式入库资料，以及候选、来源和审核记录。
RAG 验收	完成核心文档的典型问题设计、命中检查与相似度观察，并保留知识命中测试截图作为阶段证据。
Agent 设计	完成角色定位、类型路由、材料边界、固定回答顺序与行为测试，目前已进入公司内部测试。
工作流	完成短剧 / TVC / 电影短片路由，以及 12 个专业系统提示词节点的类型化评估、分档优化与 JSON 聚合。

我在项目中担任 AI 产品经理。独立完成产品定义、知识库规划、资料整理、教学笔记与模板编写、Agent 系统提示词配置、模式路由、行为规则设计，以及“剧本评分与优化”工作流搭建；并通过知识命中、Agent 对话和工作流运行结果，定位召回偏差、回答越界与输出结构问题。

01Agent 的质量上限，往往在模型之外。资料来源边界、知识任务结构和回答行为约束，是 Agent 进入真实场景的前提。

02RAG 和工作流解决的是两种问题。RAG 处理需要专业依据、表达多变的知识任务；工作流处理步骤稳定、分支明确且需要结构化结果的复杂任务。

03“不替用户全部做完”也是产品设计。一次只处理一个对象、材料不足先追问、先讲模板再给完成稿，让用户理解选择，而不是只索取答案。