大模型写剧本，最让人头疼的不是写不出来，而是写出来 " 不像人写的 "。结构松散、台词悬浮、情绪臆想，还有那股挥之不去的 "AI 味 " ——这些问题，爱奇艺 AI 高级算法总监路香菊博士要在 QCon 上海站专门讲一讲。

她确认出席 "AIGC 内容工业化 " 专题，带来题为《边创作，边评估：纳逗 PRO · 剧本空间的多 Agent 实践》的分享。核心思路不复杂：让 AI 一边写，一边被专业方法论评估，而不是写完再返工。

通用大模型写剧本，到底卡在哪

路香菊在演讲提纲里列了几个典型问题。第一是缺乏商业化叙事意识，情节割裂、结构松散，写出来的东西不像能拍的本子。第二是长文本创作容易遗忘设定，人物性格漂移、时间线冲突、伏笔失联，写着写着就 " 忘了前面说过什么 "。

第三是台词空洞，缺少人物身份个性。第四就是那个老问题—— "AI 味 " 重。

这些问题指向同一个需求：剧本创作不是生成文字，而是一套专业工作流。纳逗 PRO · 剧本空间的目标，就是把开放式对话的创意自由，和专业剧本工作流结合起来，建立 " 创作—评估—定位问题—局部修改—再次评估 " 的闭环。

主对话框驱动多 Agent，怎么分工

VibeWriting 的总体架构，是用主对话框来驱动多个 Agent。主对话框先识别用户意图：当前是在讨论、检索、创作、评估还是修改阶段。然后从自然语言里提取创作对象、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 之间做专业分工与协作。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。同时支持局部改写、版本对比和回滚，保留编剧的最终决策权。

这套流程的关键在于 " 可控 "。创意可以自由，但创作过程要能管住。

边创作边评估，评估反哺生成

评估不是最后一道关卡，而是嵌入每个阶段。路香菊的提纲里列得很细：

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 "

评估结果做结构化表达，再反哺到生成环节。这就形成了一个循环：写一段，评一段，改一段。

三项关键技术实践

第一项是 " 去 AI 味 "。路香菊的判断是，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。解决办法是用专业知识指导 AI 生成，用专业方法论评估与监督生成质量。具体到操作上，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。

第二项是角色台词优化。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，让不同角色说话有区分度。

第三项是降低大模型臆想。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。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。

踩过的坑，比方案更有信息量

路香菊在提纲里列了三个坑，每个都带着现象、原因和解决思路。

坑一：上下文越长，模型反而越容易忘记关键设定。现象是把完整剧本放进上下文后，模型仍然混淆人物关系和前期伏笔。原因是关键信息被正文稀释，简单摘要又会丢失细节。解决办法是把人物、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。现象是结构得分提高了，但人物的独特性、意外感和作者风格下降了。原因在于把类型经验和风格偏好都设计成了刚性指标。解决办法是把指标分为逻辑底线、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。原因还是那句话，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。

多 Agent 的价值不是 " 多 "

路香菊的结论很明确：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。

实践中的难点，比想象中更棘手

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。

其次是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。

这些难点，路香菊会在 QCon 上海的演讲里展开讲。2026 年 QCon 全球软件开发大会 · 上海站将于 10 月 22 日— 24 日举办，聚焦 Harness AI 时代的工程实践，覆盖 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、端云协同等方向。