边创作，边评估：纳逗 PRO·剧本空间的多 Agent 实践｜QCon上海

从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！ 推理模型持续突破能力边界，Coding Agent 深度参与研发流程，Agent Runtime、Agent Framework 快速演进……AI 正在从回答问题的模型，演变为能够自主规划、调用工具、执行任务的软件系统。AI 不再只是软件中的一个能力，而开始成为软件系统的一部分。这意味着软件工程面对的挑战也发生了变化：团队需要思考的不再只是如何训练模型、模型、部署模型 或优化 Prompt，而不是如何让具备自主能力的 AI 稳定、可信、可控地运行。模型决定 AI 能做什么，系统决定 AI 能否真正创造价值。 在这一背景下， 2026 年 QCon 全球软件开发大会大会 · 上海站 "正式启动。本次大会将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。 爱奇艺AI 高级算法总监路香菊博士已确认出席 “ AIGC 内容工业化 "” 专题，并发表题为《 边创作，边评估：纳逗 PRO·剧本空间的多 Agent 实践 "》的主题分享。大模型用于剧本创作时，常出现结构松散、台词悬浮、“AI味”明显及情绪臆想等问题。本次分享将介绍纳逗PRO·剧本空间如何构建VibeWriting模式：以主对话框驱动多Agent协作，将自由交互与专业剧本工作流、量化评估方法论结合，并通过专业知识库增强，实现“边创作、边评估”。分享将重点解析情节逻辑一致性、如何实现剧本结构符合商业化叙事、台词优化及去AI味等技术方案，以及多Agent冲突、上下文漂移、废话累积和评估压制创意等踩坑经验。实践中，剧本开发效率极大提升，为AIGC专业内容生产提供可实现路径。 路香菊博士，爱奇艺智能制作算法组负责人，拥有十余年智能制作经验，专注AIGC创作与应用，以“创意自由化、流程标准化”推动自由交互与专业创作深度融合。主导剧本量化评估及“边创作、边评估”的人机协同研究，构建VibeWriting创作模式：基于主对话框驱动的多Agent架构，将开放式自然语言交互与专业剧本工作流、评估方法论相结合，并融合专业知识库，为创作者提供专业支撑与灵感启发。相关成果已落地纳逗PRO剧本空间，支持IP改编、跨IP创意融合与剧本原创，覆盖戏剧、电影、动漫及微短剧等内容形态。她在本次会议的详细演讲内容如下： 演讲提纲：从“生成文字”到“专业剧本创作”：问题与挑战通用大模型在剧本创作中的典型问题缺乏专业性的商业化叙事意识：情节割裂、结构松散。长文本创作容易遗忘设定，出现人物性格漂移、时间线冲突和伏笔失联。台词空洞、缺少人物身份个性。“AI味”重。纳逗PRO·剧本空间的目标将开放式对话的创意自由，与专业剧本工作流的结合。建立“创作—评估—定位问题—局部修改—再次评估”的VibeWriting闭环。2. VibeWriting总体架构：主对话框如何驱动多Agent主对话框识别用户意图，当前处于讨论、检索、创作、评估还是修改阶段。从自然语言中提取创作对象、操作类型、约束条件和期望交付物。判断应该直接生成、调用专业工作流，还是进一步澄清需求。多Agent的专业分工与协作3. 专业剧本工作流：让创意自由，但创作过程可控从创意到成稿的分阶段工作流、工作流原子化主对话框与工作流的融合系统根据意图自动定位受影响的创作资产，避免每次从头生成。修改前分析影响范围，修改后自动检查人物、事件、时间线与伏笔。支持局部改写、版本对比和回滚，保留编剧的最终决策权。4. “边创作、边评估”：剧本量化评估如何反哺生成创意阶段评估题材辨识度、核心冲突和市场沟通效率。大纲阶段评估因果完整性、转折有效性及商业结构紧凑度。人物阶段评估人物目标、关系张力、行为一致性和成长弧光。分集阶段评估信息增量、情绪曲线、冲突密度及结尾钩子。场景阶段评估场景必要性、人物行动、潜台词和可视化程度。台词阶段评估身份差异、口语感、信息效率和“AI味”。评估结果的结构化表达5. 三项关键技术实践AI写作“去AI味”用专业知识指导AI的生成，用专业的方法论评估与监督生成的质量角色台词优化为角色建立年龄、地域、职业、教育程度、权力位置及语言习惯等台词画像。降低大模型臆想IP改编时建立原作事实清单，对新增人物和情节进行明确标记。在生成后增加事实与设定校验，检查是否违反世界观、人物履历及时间线。6. 实际踩坑与解决方案坑一：上下文越长，模型反而越容易忘记关键设定现象：将完整剧本放入上下文后，模型仍然混淆人物关系和前期伏笔。原因：关键信息被正文稀释，简单摘要又会丢失细节。解决：将人物、事件、时间线、伏笔及世界观拆成结构化记忆，按任务动态召回相关内容。坑二：过度追求量化分数，内容越来越工整却越来越平庸现象：结构得分提高，但人物的独特性、意外感和作者风格下降。原因：把类型经验和风格偏好都设计成了刚性指标。解决：将指标分为逻辑底线、商业建议和风格选择；只强制修复逻辑错误，创意建议交由编剧决定。坑三：“去AI味”的关键是利用专业方法论的指导原因：AI味的根源不是词语，而是缺少具体人物、具体关系和具体行动。解决：从场景任务和人物行动出发重写，要求每句台词改变关系、信息或行动状态。7. 结论：多Agent的价值不是“多”，而是专业闭环VibeWriting不是一次性生成剧本，而是让自然语言交互持续驱动专业创作流程。多Agent的核心价值在于专业分工、上下文隔离、协作协议与结果复核，而非Agent数量。“边创作、边评估”能够更早发现结构和人物问题，降低成稿后的整体返工成本。量化评估服务于创作而非替代审美，最终目标是让AI承担重复劳动，让编剧保留创意判断与表达权。实践痛点实践中的首要难点是准确理解创作者意图。剧本需求往往模糊、跳跃且持续变化，系统既要主动补全，又不能越俎代庖；澄清过多会打断灵感，直接执行又可能造成方向性偏差。其次，长篇创作中的上下文污染具有明显的连锁效应：一个错误设定进入人物卡、大纲、分集和正文后，可能被多个Agent反复引用、相互强化，最终形成“看似一致、实际错误”的结果。自由编辑同样存在代价。创作者希望随时修改任意人物、场景和台词，但一次局部调整可能影响后续情节、伏笔及人物弧光，因此需要复杂的中间文件、依赖关系、版本管理和回滚体系；管理越严格，交互越不自由。经典剧本库可以提供结构经验和类型参照，却也可能导致桥段趋同、创作模板化，甚至带来版权与素材污染风险；强调创新又会降低商业类型规律的可控性。此外，量化评估能发现结构与逻辑问题，但艺术价值难以被完全指标化，过度追求高分可能抹平作者风格。因此，系统必须在意图理解与执行效率、长期一致性与上下文成本、自由创作与工程管理、经典规律与艺术创新之间持续取舍。前沿亮点自由对话与专业工作流的双层协同架构不同于仅依赖Promp