五个 Agent 能把片子做出来,难的是谁拍板、谁出片、谁说话,各自只守一道门。

有一天早上,一个儿童科普账号的选题刚定下来,讲霜。群里五个 Agent 几乎同时开口:有的催开工,有的给制作方提新要求,还有的把上一版成片又转发了一遍。同一个文件,我在群里看到了五次。

我当时只回了一句:「你们这每人都发一遍,不对,浪费。」

这件事让我想清楚一个问题:一群 Agent 做内容,单个 Agent 会不会写脚本、会不会剪片,早就不是瓶颈。真正卡住的是组织:谁拍板,谁出片,谁把关,谁对外说话。这些没定下来,能力越强,重复劳动越多,token 也烧得越快。

下面是我们这个科普账号的 Agent 组,从乱到顺的几步。项目本身只是例子,换成别的账号,拆法也一样。

乱的根源是没有总控,而不是人手不够

那次之后,我先做了一件事:每期只有一个总控。这个角色同时是编导和制片,负责选题、大纲、编剧、画面、成片和发布预约。其他 Agent 不再给它下指令,只在自己那道门上给结论。

后来分工定成这样:

角色只做什么明确不做什么
编导总控选题、编剧、出画面、出成片、预约发布不替我写「已通过」
事实把关科学口径、儿童安全、诗句出处、画面和口播是否对得上不写脚本、不剪片、不做封面
证据与封面来源分级的证据清单,竖横两张封面不发布
独立听审成片出来以后才听,查截尾、漏字、口画同步不改成片,能不能过由总控决定
我定方向、定标准,批准不可逆的一步不逐段审脚本

关键在第三列。每个角色能做什么,大家都清楚,可是只要「不做什么」没写死,Agent 就会热心地越界:把关的去改片,做封面的去催进度,最后又回到五个人一起指挥。

群里的规矩只有一条:被点名的才说话

第二件事是收发言权。我在群里说过:「我@谁谁关注。其他人别浪费我token。」

落成规则就是三句:被 @ 的才动;我的问题由一个人统一答复;同一个成片附件只由当期总控发一次,其他人只回路径。

这条听起来像管纪律,背后其实是成本。多 Agent 群聊里,每条消息都会被所有成员读一遍,五个 Agent 各回一句「收到」,就是五份上下文和五次推理。人的注意力也一样,我要在五条相似的消息里找出真正需要我拍板的那一条。

最贵的返工来自方向错,所以先出样片再出全片

早期我们讲过一期月相,一晚上从 v3 改到 v3j,十来个版本,每一版机器门禁都是全绿。可我自己一听,开场的问句被剪掉了半句。问题不在哪道门禁没写好,而在整晚没有人先听过一遍成片,所有人都在修门禁本身。

另一次是开场配音。用我本人的原声,嫌低沉;换成开源 TTS,又被我否掉;回到原声做提亮提速,最后我干脆把爸爸开场整段取消了。四轮下来,问题根本不在音色,在开场结构。

所以流程里加了两道「先小后大」的门:

  • 新的声音、新的风格,先出 15 到 20 秒的短样,我确认了再做全片。
  • 每期开工前先做前 8 到 12 秒的配音短样,确认首句、停顿和开场节奏,再生成剩下的台词。

样片很便宜,几分钟就能出。全片返工要一整晚,还会把听审、封面一起拖下水。

每道门禁对应一次真实事故,写进 Skill 才不会再犯

我们把制作流程沉淀成一个 Skill。它的骨架是一份脚本契约:首 1 秒开始提问,3 秒内把问题说清,5 到 10 秒给出第一条真正有用的收获;每期只有一个学习目标、两三个递进的发现,最后用一块彩绘小黑板回答开头的问题。

工具分工也写在里面:编排 Agent 负责导演、核实、时间线和质检;图像模型只补本期缺的关键帧;视频模型负责角色动作和场景运动;固定音色走本地 TTS;字幕、混音和导出交给 FFmpeg 这类确定性工具。主角定妆、音色、片尾这些固定项一律复用,不每期重画。

真正有分量的是门禁。几乎每一道都能说出是哪次事故换来的:

  • 已预约的三条作品封面没字,于是竖 3:4 和横 4:3 必须各自排版,任一侧失败就不许发布。
  • 一期配音听着「时有时无」,查下来是句子后半截被截断了,于是听审要逐句核时长,不能只看整句能量。
  • 月相第一版审完,我对几处机制镜头的意见被写成了规则:机制镜头必须是真运动,不许拿静帧时间线或纯推拉凑数。
  • 月相那晚之后还加了一条:Agent 不得替我写「已通过」。发布批准只能记录我在聊天里亲口说的话,校验脚本只核版本绑定,证明不了批准来自谁。

这些规则单看都很琐碎,可每条背后都是一次返工。不写进 Skill,下一个 Agent、下一期片子还会再踩一遍。

人只守三件事:方向、标准、不可逆的那一步

分工定下来以后,我的角色也变了。我不再逐段审脚本,只守三件事。

第一是方向。选题和风格我可以不管细节,但片子的立意偏了,必须我来叫停。

第二是标准。最近一期讲冬天呼出的白气,第一版交上来,我直接退回了。和我们之前做得最好的那期梅花比,它少了诗句、少了知识点、也少了实景,知识还不严,听着像只有呼气才有水汽。退回以后,标准被写进了 Skill:季节里的自然题,按「诗句 + 知识 + 拟真实景」交审,不能因为想换个模板,就把质量降回贴纸动画。

第三是不可逆的一步。上传、预约、合进主干,都要等我明确点头。Agent 可以把草稿、封面、文案准备到最后一步,按钮留给我。

跑到现在的效果

这套 Agent 组现在能自己完成大部分环节:选题有证据来源,脚本按契约写,配音和画面自动生成,合成和机器质检自动跑,封面按两种比例出,草稿准备到发布前一步。我每期只需要看样片、听成片、批准发布。

返工也在变小。以前一出问题就整片推翻,现在打回意见能精确到「第几镜、第几秒」,只重做那一段。

做不到的也要说清楚。编剧的趣味性,我还不满意。听审最后一关,仍然要靠我的耳朵。我们也没有做过严格的效率统计,「变快了」只是我的体感,不是数据。

一个 Agent 组能不能用,不取决于它能做多少事,而取决于它有多少事是不用我操心的。我们离那一步还远,但至少,现在群里不会再有五个人同时发同一个文件了。