多 Agent 协同编排与状态机 (Multi-Agent System)

1. 架构角色划分与职责

Fablr 的剧本创作不是单一 Prompt 的堆砌，而是构建了一个具备职责隔离与互检机制的多 Agent 协作闭环：

graph TD
    classDef agent fill:#18192a,stroke:#8b5cf6,stroke-width:2px,color:#fff;
    classDef state fill:#0e0f1a,stroke:#06b6d4,stroke-width:2px,color:#fff;

    INPUT[输入: 原片切片 & 赛道模板] --> D[🎬 策划 Agent<br/>Director Agent]:::agent
    D --> |产出 4 段大纲与情绪曲线| W[✍️ 编剧 Agent<br/>Writer Agent]:::agent
    W --> |产出台词初稿| R[🔍 审校 Agent<br/>Reviewer Agent]:::agent
    R --> |违规词过滤与通俗度润色| P[🎙️ 节奏与 TTS 估算器<br/>Pacing Estimator]:::agent
    P --> OUTPUT[输出: 4段结构化 ScriptBlock 骨架]:::state

Agent 角色	核心职责	输入上下文	产出品
Director (策划)	分析原片高光切片，提炼黄金 3 秒 Hook 与整体情绪走向	素材标签、ASR 原文、选定题材	结构化分镜规划与 Hook 设定
Writer (编剧)	按照 4 段骨架撰写富有冲突感、画面感的解说词	策划大纲、角色人设、对峙关系	4 段解说台词原始草稿
Reviewer (审校)	违规词拦截、口语化润色、消除生僻拗口字词	台词草稿、平台敏感词表	润色后高可听性文稿
Pacing (节奏)	按汉语语速模型（4字/秒）推算每段时长并检测节奏失衡	润色文稿	精确配音秒数与时长标签

---

2. 流式协同状态机 (Streaming State Machine)

多 Agent 协同采用事件驱动与流式响应机制，创作者在前端可以实时看到 AI 推演与卡片生成的逐字渲染过程：

stateDiagram-v2
    [*] --> Idle: 初始化就绪
    Idle --> Analyzing: 用户点击「一键研磨」
    Analyzing --> Planning: 策划 Agent 分析素材特征
    Planning --> Scripting: 提炼 Hook 并下发 4 段骨架
    Scripting --> Polishing: 编剧 Agent 流式产出台词
    Polishing --> Completed: 审校完成并完成配音时长测算
    Completed --> Idle: 挂载到工作台，等待用户微调

---

3. 黄金 3 秒 Hook 提炼算法

在 drama-agents.ts 中，Director Agent 采用三种高转化 Hook 策略库：

1. 最高潮画面前置 (Climax-First)：提取置信度最高与爆点密度最大的场景作为首帧切入；
2. 反常识冲突提问 (Counter-Intuitive Question)：通过巨大阶层、生死或伦理反差发问；
3. 数字倍数放大 (Data Magnification)：量化事件极端程度，激发观众好奇心。