10秒视频很惊艳，为什么AI做一部短剧还是这么难？

背景：从"惊艳 clip"到"可交付成片"

InfoQ《极客有约》联合 QCon 2026 上海站，邀请四位嘉宾讨论 AIGC 在专业内容生产中的工程化落地。开场共识很清晰：过去一年最大的变化不是模型变强了，而是竞争维度从"谁做出更好 Demo"切换到了"谁跑通可规模化的生产链路"。

三位嘉宾各自一句话总结：

• 路香菊（爱奇艺）：AI 从 demo 阶段走到稳定交付的作品阶段，流程越来越短，跨行业参与越来越多。
• 邹娟（阿里）：从比拼"生成一个好的镜头"转向"比拼完成一个可规模化的生产任务"。竞争单位从单个 clip 变成完整链路。
• 郑重（生数科技）：从单点工具转向内容生产力阶段。三个关键问题——能否把创意转化为生产流程；复杂内容的一致性/稳定性/可控性能否达到工业级；能否上生产、自动化程度如何。

My take：这个判断对工程团队很关键。很多团队还停留在"模型能力评测"阶段，但客户已经不关心你的 benchmark 了——他们问的是人物一致不一致、商品有没有变形、能不能按时交付、成本能不能 hold 住。模型强 ≠ 系统能交付。

1 模型越强，为什么系统越复杂？

邹娟说了一句很反直觉的话："模型越强，工程和系统能做的事不是更少，而是更多。" 模型升级后，第一代配套系统部分会被吃掉，但第二代系统的 scope 更大、要求更高。系统要承担更多约束、编排和验证：需求规范化、可规模结构化、任务拆解编排、每步合格判断、失败重试。

郑重补充了生产场景的具体约束清单：连续镜头与多分镜中人物一致性、多机位站位一致、商品比例形状及 logo 中英文异形文字一致、多镜头拼接跳帧与丝滑衔接。这些都不是单次模型调用能解决的，要靠 AIGC 模型 + 配套系统。

路香菊从创作侧给出了一个容易被忽略的前提：我们很难定义"一个好的作品到底是什么"。 从主题、立意到题材，好作品经得起多维度分析，但在问世之前，很多角度都需要去定义和梳理。把需求定义清楚本身就是一项非常复杂的、专业性的工作。大模型解数学题厉害是因为边界清楚，但剧本创作不是。

My take：这对前端工程师做 AI 产品有直接启发。我们习惯了"需求明确→实现"的路径，但 AIGC 内容生产的需求定义本身就是核心瓶颈。用户说"我要一个能打动人的故事"——打动谁？靠什么打动？哪些表达不能接受？这句话里藏着大量还没做出来的决定。

2 AI 应该替创作者做什么？

路香菊给出了一个清晰判断标准：两个条件——能不能被清楚地交代，以及完成之后能不能评判。 能评判的工作 AI 可以做；不能评判的，需要与人交互让人做决定。

AI 擅长的拆解类工作：信息抽取、混拍拆解、场景表、实体表、世界观抽取、情感线/情绪/节奏线分析、类型画面判断、短剧爆款预判。

AI 给不了的是骨架之上的东西——主题表达、要传递的情绪。"AI 可以给你土壤，但这个土壤上长什么，需要你去回答。"

关于 Agent vs Workflow 的选择，邹娟给出三要素框架：

• 实现路径是否开放：没有唯一正确路径时适合用 Agent 做探索
• 结果能否验证：越难自动验证的决策，越不能放大自主权
• 做错的代价：涉及核心资产（人物设定、超预算调用、资产删除）必须用 Workflow 保证

而且 Agent 和 Workflow 不是二选一：Workflow 可包含 Agent 节点，Agent 可调用经验证的 Workflow。"让 Agent 在边界内探索，让 Workflow 去保证执行。" 涉及人，人负责关键取舍。

My take：这个 Agent/Workflow 框架比我见过的大部分架构设计文章都清晰。核心洞察是：不是"用不用 Agent"的问题，而是"哪一步的验证成本高到必须固化为确定性流程"。做 AI 产品的同学经常犯的错就是一上来全铺 Agent，出了问题无法追溯。

3 更强的模型还是更可控的模型？

郑重的判断很直接：可控本身就是评价模型是否更强的重要维度。 一个模型十次里一次惊艳九次没法用，本质上是手搓单模、做能力探索，不适合做生产力。十次里八九次稳定满足要求的模型，上下限相对明确，才适合做生产。

不可控带来的三个生产问题：

1. 更多抽卡——稳定模型 2 抽 1 或 3 抽 2，不稳定可能 10 抽 1、20 抽 1，按调用次数收费成本爆炸
2. 无法自动化/流程化——同样输入输出随机，无法沉淀 SOP，中间产出物质量无法标准化
3. 不同阶段质量参差不齐——无法整合成完整高质量内容

邹娟用五层设计解决"概率性生成→确定性交付"：

• 第一层（生成前）：约束明确化——人物、场景、道具、风格、镜头目标形成经过确认的参考资产和结构化约束
• 第二层（拆解）：长程任务拆成可验收阶段，越靠前影响越大的问题越早发现
• 第三层（验证）：区分"API 调通"和"内容 OK"——人物一致性、商品可靠性、画面穿帮需独立检查
• 第四层（恢复）：局部重跑——一个镜头失败不应拖着整条链路重跑，保存已确定结果，支持局部重试替换和降级
• 第五层（资产化）：记录每次调用的版本、输入约束、参数、耗时、验收结果，做成可观测系统

My take：这个五层框架非常工程化，可以直接用作 AI 视频生成平台的系统设计 checklist。尤其第四层"局部恢复"和第五层"数据资产化"是最容易被低估的——大部分团队做到第二层就停了。

4 从 Clip 到成片，系统缺什么？

邹娟指出了最容易被低估的工程问题：让成片成为可持续修改的工程。 成片不只是输出结果，它应该是一个可编辑、可追溯的工程描述——包含素材、clip 编排、音视频叠加、剪辑点、音轨、配音、字幕及素材关系。

举例：1.5 分钟短剧约 30 个镜头，一句台词从 3 秒改成 5 秒，可能影响前后 clip、口型、镜头长度、字幕时间甚至 BGM 节奏。系统若不知依赖关系，就会改一处、坏多处。

关于多 Agent，邹娟的判断和拆微服务类比很到位：不是越细越先进，而要看边界是否合理、接口是否明确、体系能否隔离。 三个判断点：是否真需要不同专业职责；是否有独立输入输出及清晰验收标准；拆分收益是否超过通信延迟和调试成本。

My take：多 Agent 拆分和微服务拆分的类比非常精准。做过后端架构的人都知道"过度拆分微服务"的痛——上下文传递、重复调用、状态同步、意见冲突和错误放大，这些在 Agent 架构里一个不少。"Agent 数量不是能力指标，协作收益必须覆盖协作成本"这句话可以直接贴到架构设计文档里。

5 规模化后最终拼什么？

成本方面，郑重指出三块巨大支出：模型成本、工程成本、迭代成本。做 Demo 很快（手搓 + 多买 token），但搭生产环节极痛苦。

邹娟给出了最经典的成本公式：

真实成本 = （生成 + 重试 + 审核 + 人工编辑 + 质检 + 存储 + 渲染 + 运营协同）成本之和 / 可用合格成片数

远高于"一次模型调用 5 秒多少钱"，所以会出现"越便宜的模型越贵"的感觉。工程侧重点看：首次验收通过率、平均修改次数、单条人工介入时长、规模化下按期交付比例。

路香菊补充了组织协同成本：AI 能快速出 80 分剧本，但从 80→90 分需要专业知识搭建，从 90→95 分以上复杂度极高——最后那一点点的提升背后工作量是指数级增长的。

关于未来壁垒，三位嘉宾的共识是：能跑通且能自我进化的业务闭环。 不是某个单点强，而是系统能否在外部环境不断变化下稳定接入、控制质量、管理成本、快速迭代，并对业务效果负责。把专业 know-how、数据、Agent Loop、Workflow 和生产平台结合，持续交付业务结果。

My take：这个结论对创业公司和技术团队都很有指导意义。如果你在 AIGC 内容生产赛道，壁垒不在模型调用能力（模型会持续迭代、持续降价），而在：① 能把专业判断沉淀成流程和约束的能力；② 持续积累反馈数据并回流优化的闭环；③ 在模型不断变化时仍能稳定接入的工程架构。前端的工程化经验在这个领域反而非常吃香——状态管理、依赖追踪、局部更新、版本控制，这些都是成片工程化的核心。

嘉宾与会议信息

• 鲜嘉麒：快手电商智能体技术负责人（主持人）
• 路香菊：爱奇艺 AI 高级算法总监
• 邹娟：阿里巴巴资深技术专家
• 郑重：生数科技解决方案负责人

QCon 全球软件开发大会 2026 上海站（10月22-24日）设有【AIGC 内容工业化】专题，聚焦工程化落地与价值转化。