规划支撑作品数
AI Product · AIGC Production
Storyboard Planning Agent
把整集剧本转译为可执行的 Scene、Clip 与 Shot 任务图，让分镜规划、状态继承、异常恢复和局部重跑进入同一条可追溯生产链路。
- Company
- 百度 MEG · AIGC
- Role
- AI 产品经理
- Scope
- Planner · DAG · Memory
- Period
- 2026.07—至今
01 / Challenge
分镜不是切段，而是把剧本变成生产计划
规模化漫剧生产横跨剧本理解、资产准备、分镜规划、视频生成、质量审查与局部修复。产品需要在长链路中持续维护人物、服装、场景、道具、空间与前序动作状态，并把复杂创作目标拆成可调度的任务。
目标生产集数
单集 AI 审查耗时
关键问题召回目标
Planning & Production Workflow
Script → Task DAG → Evaluation
- 01剧本理解识别人物、场景、节奏与关键状态变化
- 02整集规划形成 Episode 目标、成本和审核节点
- 03Scene / Clip按叙事单元与生成边界动态拆分
- 04Shot Planning只为复杂对话、动作与多人场景细化镜头
- 05Task DAG显式管理资产、状态、数据与流程依赖
- 06生成与评估执行、诊断、局部重跑与最终验收
02 / Granularity
根据任务复杂度，动态决定规划颗粒度
并非每个 Clip 都需要拆成 Shot。建立任务类型与复杂度判断后，简单建立镜头可直接生成，复杂对话、情绪、动作和多人互动才进入更细的镜头设计，避免过度规划拖慢链路。
Episode Plan
确定目标时长、故事节拍、人物与场景数量、复杂任务比例、资源成本和人工审核节点。
Scene Split
按时间、空间与叙事目标切分场景，为资产复用和并行生产建立边界。
Clip Split
把连续动作和台词组织成可独立生成、可评估、可回滚的视频单元。
Shot Planning
为高复杂度片段规划景别、反应镜头、双人关系与动作因果链。
03 / Orchestration
用 Task DAG 管理依赖，也管理变化的代价
Planner 将 Director 的结构化结果转成可执行任务，并显式标注数据、资产、状态与流程依赖。系统由此知道哪些任务可以并行，哪项失败会影响下游，以及变更后需要重做的最小范围。
Dependency graph
从角色资产，一路传递到下一镜状态
典型链路为：角色资产 → 场景资产 → Clip 生成 → Evaluator → Memory 更新 → 下一 Clip。角色参考、独立场景、过场镜头与部分评估器可并行执行，关键状态则必须串行继承。
04 / Recovery
失败后不整集重来，只重跑真正受影响的部分
Evaluator 发现问题后，Planner 沿依赖图定位最小影响范围；如果上游状态已经改变，则更新 Memory 并重新评估下游。高影响、低置信度节点则转为正式 Human Review Task。
Human in the loop
关键节点确认
首个角色、重要换装、核心场景、复杂多人互动与连续失败任务进入人工审批，再继续批量生产。
Selective rerun
最小范围重跑
面部漂移但状态未改变时只重跑当前 Clip；若道具状态影响下一镜，则同步更新并重评相关下游。
Re-plan loop
诊断后重规划
Plan → Execute → Evaluate → Diagnose → Re-plan → Execute，令异常恢复成为正式生产能力。
05 / Evaluation
评估的不只是画面，也包括规划质量
通过分段合理性、任务识别、依赖准确率、首次执行率、并行率、重试次数、局部重跑范围和人工介入次数，判断 Planner 是否真正降低了长链路成本。
Planning
拆得是否合理
评估 Clip 分段、任务类型、复杂度分级与依赖构建的准确性。
Execution
跑得是否高效
关注首次计划执行率、可并行任务比例、平均重试次数与阻塞恢复。
Recovery
改得是否精准
评估重新规划成功率、选择性重跑范围准确率与每集人工介入次数。
Method & Boundary
页面依据项目产品方案，聚焦 Director、Planner、Skill Router、Project Memory、Evaluator、Diagnosis 与 Selective Regeneration 的协作方法。规模、耗时和召回数据均作为产品规划目标呈现，不代表未经验证的最终产出；内部 Prompt、模型参数、平台地址、原始样本与未脱敏生产数据不公开。