规划审查集数上限
AI Product · Quality Assurance
Episode Review Agent
把漫剧人工审片 workflow 拆解为可追溯的多路模型链路，让问题定位从“整集判断”下钻到秒级证据。
- Company
- 百度 MEG · AIGC
- Role
- AI 产品经理
- Scope
- 策略 · Agent · 验收
01 / Challenge
规模化生产，需要规模化质检
面对 Q3 约 1,200–1,400 集漫剧的生产计划，纯人工逐集打分、定位问题并回流生产策略，成本高且难以稳定复用。产品目标是自动输出总分、分维度得分和秒级问题证据，同时保留人工最终判断。
单集审片耗时
关键问题召回率
累计完成成片验收
Four-Lane Review Architecture
Video + Script → Evidence → Decision
- INPUT视频 × 剧本单集 pair 对上传与任务创建
- CALL A剧情与视觉人物、场景、动作与画面质量
- CALL B声音与台词逐句缺失、读音与气口
- CALL C字幕与规范遮挡、同步、敏感语义与版式
- CALL D红线审查风险分级与总分封顶策略
- OUTPUT评分与证据总分、维度分、秒区间问题
02 / Evidence
16 帧只负责发现，连续证据负责定案
测试发现固定抽帧会漏掉短动作、方向错误与瞬时特效，甚至出现重复帧导致整条视觉判断失效。V13 将均匀帧降级为候选发现器，再对疑似区间动态加密复审。
可靠抽帧
对时间戳、重复帧和黑帧做检测；异常时重抽，并提供纯视频降级通道。
候选发现
用 4×4 宫格与剧本文本快速定位昼夜、身份、站位和动作变化的疑似区间。
动态加密
候选片段补抽至每秒 4–8 帧，必要时直接分析连续视频，而非仅比较静态截图。
专项判定
沿“动作发起→接触证据→受力对象→结果动作→方向合理性”建立因果链。
03 / Scoring
统一评分口径，也明确模型边界
总分从原始维度重算；中风险及以上红线直接触发封顶。字幕单/双排、遮挡与敏感语义交给模型，帧级间隔、形近字和毫秒级同步等不可靠任务退出自动判断。
Decision policy
证据优先，而不是多报问题
评测集按人物、视觉、台词、剧情、动作、明星脸和基础链路分类，并加入“无问题视频”抑制虚假召回；固定回归集与盲测集分离，避免策略针对样本过拟合。
04 / Iteration
让广度、证据与稳定性在 V13 汇合
迭代不只增加规则，而是重新编排模型擅长的任务、证据输入和错误恢复机制。
V11 / Breadth
覆盖更全
多路串行覆盖红线、字幕、读音、画面、空间与剧情，但视觉突变和逐句台词仍有漏报。
V12 / Evidence
证据更清楚
加入帧截图、昼夜突变和台词逐句检查，但固定抽帧不稳、审查能力存在缺口。
V13 / Fusion
链路更可靠
保留四路审查骨架，把宫格证据加入视觉 Call，增强台词核对，并补齐超时、重试、去重与降级。
Result & Boundary
个人负责审片流程拆解、评测维度、四路模型编排、版本策略与验收闭环，累计支撑 372 集成片验收。页面仅展示经过抽象的产品方法、流程和已确认指标；原始视频、内部 Prompt、平台地址、生产数据与未脱敏审核样本不公开，Agent 结论始终用于辅助人工质检而非替代最终责任。