传统影视前期制作中，剧本创作和分镜设计是两个高度依赖人工的环节。编剧可能需要数周时间打磨三幕结构，导演和分镜师再根据剧本逐场绘制分镜，一个十分钟的短片往往要产出上百张分镜图。AI电影Agent的目标就是把这条链路自动化：用户输入一句创意，Agent产出可拍摄的剧本和分镜表，甚至直接生成分镜概念图。这篇文章从技术角度拆解这套系统的实现方式。
电影Agent的整体架构设计
一个完整的电影Agent通常不是单一模型调用，而是由多个职责明确的子模块组成。核心可以分为四层：意图理解层、剧本生成层、分镜转换层、视觉呈现层。意图理解层负责把用户模糊的创意（比如一个科幻短片）扩展成有题材、基调、时长约束的结构化需求；剧本生成层基于大语言模型产出符合戏剧结构的剧本；分镜转换层把剧本拆解为镜头序列；视觉呈现层调用文生图模型产出分镜画面。
在编排方式上有两种主流选择。第一种是线性流水线，用LangChain或LlamaIndex的Chain串联各个阶段，优点是流程可控、易于调试；第二种是多Agent协作架构，让编剧Agent、分镜师Agent、审稿Agent各自扮演角色互相迭代，优点是产出质量更高，缺点是token消耗大、循环不可控。实践中常见的做法是混合使用：剧本阶段用多Agent迭代提升质量，分镜阶段用确定性流水线保证稳定输出。
状态管理是容易被忽视的一环。整部电影的上下文远超单次对话窗口，必须设计剧本数据库来存储场景、角色、道具等实体信息，Agent在每个生成步骤中按需检索相关片段，而不是把全量剧本塞进上下文。这就是典型的RAG思路在影视领域的应用。
剧本生成的提示词工程与结构化输出
剧本生成的关键不在模型本身，而在提示词的结构设计。直接让模型写一个剧本会得到流水账，正确做法是先固化戏剧结构，再分段生成。常见的结构约束包括三幕式比例（建置占四分之一、对抗占二分之一、结局占四分之一）、每场戏的目标与冲突、角色弧光的推进节点。把这些约束写进system prompt，能让产出质量提升一个档次。
输出格式必须结构化。不要让模型输出纯文本剧本，而是输出JSON或YAML格式，把每一场戏拆成场景号、地点、时间、出场角色、剧情摘要、对白列表等字段。这样后续分镜生成可以直接按场处理，不需要再写脆弱的正则去解析自然语言剧本。以OpenAI的function calling或JSON mode为例：
SCENE_SCHEMA = {
"type": "object",
"properties": {
"scene_id": {"type": "integer"},
"location": {"type": "string"},
"time_of_day": {"type": "string", "enum": ["白天", "夜晚", "黄昏"]},
"characters": {"type": "array", "items": {"type": "string"}},
"summary": {"type": "string"},
"dialogues": {
"type": "array",
"items": {
"type": "object",
"properties": {
"character": {"type": "string"},
"line": {"type": "string"},
"action": {"type": "string"}
}
}
}
}
}另一个重要技巧是分场生成加一致性校验。一次性生成整部剧本会导致后半段角色设定漂移，比如主角性格前后矛盾。解决办法是逐场生成，每次生成前把已生成场景的摘要、角色状态表注入上下文，并在生成后用一个校验Agent检查角色行为是否符合既定人设，不符合则触发重写。这种自我校验循环通常迭代两到三轮即可收敛。
分镜生成：镜头语言建模与画面提示词构造
分镜生成的本质是把文字剧本翻译成镜头序列，这一步需要建立镜头语言的知识体系。一个分镜条目至少包含：景别（远景、全景、中景、近景、特写）、机位角度（平视、俯拍、仰拍、过肩）、运镜方式（固定、推、拉、摇、跟）、画面内容描述、时长估计。这些概念要预先定义成枚举值，让模型在受限词汇表中选择，而不是自由发挥。
切分镜头的策略有两种。一种是基于节奏规则：对话场景默认正反打切换，动作场景用短镜头快切，抒情段落用长镜头。另一种是基于语义分析：让模型识别每场戏的情绪曲线，在情绪转折点安排特写或空镜。实际效果上，两种结合最好，先用规则铺出基础节奏，再用语义分析在关键节点做艺术化调整。
画面提示词构造是连接文本和图像模型的桥梁。把分镜条目转成文生图prompt时，需要拼接四个信息源：角色外观描述（从角色设定库提取）、场景环境描述、镜头参数（景别和角度翻译成构图词汇）、风格约束（如电影感打光、胶片质感）。角色一致性是最大难点，目前的主流方案是为每个角色训练LoRA，或在prompt中固定使用详细的外观描述模板，配合支持参考图的图像模型（如IP-Adapter方案）来锁定形象。
def build_image_prompt(shot, character_lib, style):
# 从角色库提取外观描述，保证跨镜头一致
chars = ", ".join(
character_lib[c]["appearance"] for c in shot["characters"]
)
# 景别与角度映射为构图词汇
framing = FRAMING_MAP[shot["shot_size"]] # 如 close-up
angle = ANGLE_MAP[shot["camera_angle"]] # 如 low angle
prompt = (
f"{framing} shot, {angle}, {chars}, "
f"{shot['scene_env']}, {style}, "
f"cinematic lighting, film grain"
)
return prompt落地实践：多Agent协作的完整流程与局限分析
把前面的模块组装起来，一个可运行的电影Agent流程是这样的：用户输入创意，导演Agent先产出故事大纲和基调定义；编剧Agent逐场生成结构化剧本，审稿Agent负责逻辑和人设校验；分镜师Agent把定稿剧本转为镜头表；美术Agent为每个镜头生成概念图；最后由剪辑规划Agent输出镜头时长建议和转场方式。每个环节的产出都落库，支持人工介入修改后重新触发下游生成。
from langchain.agents import AgentExecutor
director = make_agent(role="导演", output="故事大纲与基调")
writer = make_agent(role="编剧", output="结构化剧本JSON")
reviewer = make_agent(role="审稿人", output="修改意见")
board = make_agent(role="分镜师", output="镜头表JSON")
pipeline = AgentExecutor.from_agents(
agents=[director, writer, reviewer, board],
# 审稿不通过则回退到编剧节点，最多重试三次
max_retries=3,
fallback_node="编剧"
)
result = pipeline.invoke({"idea": "一个关于时间旅行的短片创意"})目前这套方案仍有明显局限。角色一致性问题在生成画面超过几十张后会累积放大，需要定期人工校对；镜头连贯性方面，图像模型难以保证前后镜头的光线、服装、道具完全一致，实践中倾向于把关键道具也纳入外观模板；叙事层面，模型生成的剧本容易套路化，冲突强度不足，这需要审稿Agent的评判标准做得足够细致。工程上的建议是：把Agent定位为前期草稿工厂而非最终创作者，人机协作的工作流远比全自动更能产出可用的影视前期物料。