把 AI 短剧生成做成全自动工作流，是我在 AI 方向的一次实验，目前还停留在实验阶段，没有完全商用。这里记录的是工作流怎么搭、哪些环节能自动化、哪些环节必须有人工校验。
实验目标
目标是让“剧本到成片”尽量自动化：输入故事方向后，系统自动完成剧本、分镜、提示词、视频生成和后期处理。实验不是为了证明 AI 能一次生成完美成片，而是验证自动化链路能不能跑通。
工作流分工
实验中使用千问负责文本和剧本相关环节，Seedance 负责视频生成，OpenClaw 负责把多个 AI 任务编排成一条工作流。
剧本生成 -> 分镜拆解 -> 角色设定 -> 提示词生成 -> 视频生成 -> 后期处理每个环节都独立成任务，上一环节输出作为下一环节输入。任务之间通过结构化数据传递，避免把整段文本拼接进提示词后难以调试。
角色一致性
短剧最麻烦的是角色一致性。同一个角色在不同镜头里如果形象漂移，成片会立刻显得不真实。实验中主要通过固定角色设定和提示词模板来约束生成结果，减少跨镜头差异。
提示词不能每次都让模型自由发挥。需要把角色名称、外观、服装、场景和镜头要求拆成固定字段，再组合成模板。
质量控制
全自动生成的结果质量波动很大。视频生成可能存在动作不自然、文字错误、镜头逻辑断裂等问题，自动流程很难完整判断成片是否符合预期。
因此实验流程保留了人工校验节点：每个关键片段生成后先抽样检查，不合格则重新生成或人工调整提示词，而不是让整条链路盲目跑完。
成本与稳定性
全自动生成会放大成本问题。一次完整的短剧生成涉及多次模型调用，中间任何一步效果不好，都可能需要重新生成。实验阶段更合理的做法是控制单条链路的生成次数，把失败尽早暴露出来。
实验结论
目前这个工作流的自动化链路是成立的，但质量稳定还不够。它更适合作为 AI 创意探索和工具链实验，不适合直接包装成成熟的商用产品。后续如果要继续投入，重点应该放在角色一致性、质量筛选和成本控制上。