随着生成式 AI 技术的爆发式增长，大语言模型与多模态模型已逐步走出实验室，成为驱动企业数字化转型的核心引擎。然而，如何在保障数据安全与合规的前提下，实现模型的高效推理与训练？如何将大模型能力真正无缝沉淀到复杂的业务场景中，并带来确定性的业务价值？
近日，InfoQ《极客有约》X QCon 直播栏目特别邀请快手电商智能体技术负责人鲜嘉麒担任主持人，和爱奇艺 AI 高级算法总监路香菊博士、阿里巴巴资深技术专家邹娟、生数科技解决方案负责人郑重一起，在 QCon全球软件开发大会（https://qcon.infoq.cn/2026/shanghai/） 2026 上海站 即将召开之际，共同探讨 AIGC 在生产环境中如何稳定交付。
部分精彩观点如下：
大量客户，关心的也不再只是模型能力，而是你到底能不能交付一套高质量的成片，以及围绕成片的这套生产链路能不能落地、能不能规模化。
AI 可以给你大量的情节，可以拓展你的思路，可以把骨架、结构、节奏给到你，但主题表达、要传递的情绪，需要人去把控。
当 context window 越来越长的时候，分维度的表达、整体结构的表达，或者不同尺度信息的对齐，就显得非常重要。
真实成本不是单次生成价格，而是每条合格交付的成本：生成、重试、审核、人工编辑、质检、存储、渲染、运营协同等成本之和，除以可用合格成片数，远高于“一次模型调用 5 秒多少钱”。
查看大会日程解锁更多精彩内容：https://qcon.infoq.cn/2026/shanghai/schedule
以下内容基于直播速记整理，经 InfoQ 删减。
完整直播回放可查看：https://www.infoq.cn/video/bj4Q9E2PBJfUWIRZkutu
鲜嘉麒：如果只用一句话判断，过去一年 AIGC 内容生产最大的变化是什么？
路香菊：最大的变化，是 AI 从一个 demo 阶段，走到了稳定交付、可实用的作品阶段，流程越来越短，跨行业参与的工作越来越多。在我们视频行业，像 AIGC 参与的专业影视作品，都在走向大家的视野。AI 正在从小视频、短视频，走进专业作品时代。
邹娟：一句话，就是从比拼生成一个好的镜头，转向比拼完成一个可规模化的生产任务。竞争单位已经从一个 clip，变成一条完整的生产链路，成品可能是一个 视频文件的 program，也可能是 live streaming 这种实时链路作品。以前大家很容易被一个 10 秒钟的视频打动，现在进入短剧、营销、电商这种实打实的工业化场景，用户会问：人物能不能一致？商品有没有变形？能不能按时交付？成本能不能 hold 得住？这才是真正进入生产。
郑重：这一年最大变化，是从单点工具转向内容生产力阶段。一年前视频模型更像特效模型，只解决娱乐互动，并非严肃生产环节；现在问题变成能否理解业务目标，并稳定、批量实现。过去一年各厂商发布三四百以上模型，竞争从“谁能做出更好 Demo”变为三个关键：能否把创意转化为生产流程；复杂内容的一致性、稳定性、可控性能否达到工业级；能否上生产、自动化程度如何。AI 是高效生产力引擎，人工节点一多就会拖累整条链路。客户也不再只看模型能力，而是能否交付高质量成片，以及生产链路能否落地、规模化。
鲜嘉麒：模型已经这么强了，为什么真正进入专业内容生产以后，大家反而觉得系统越来越复杂？
路香菊：我们对 AI 的要求越来越高，开始 AI 给你一个惊喜，让 AI 生成灵感和创意、拓展思维，哪里不熟就去搜一些知识；但现在我们要求它能否写一个完整的剧本。让 AI 慢慢学会了写漫剧，因为漫剧的结构比较简单，漫剧剧本的很多成品都已经用 AI 代替了，但是戏剧剧本不一样。这里有一个很容易被忽略的前提：我们很难定义，一个好的作品到底是什么。从主题、立意到题材，好作品出来之后各个维度都经得起分析，但在它问世之前，很多角度都需要去定义、去梳理。
AI 写的作品常说人物悬浮、追看性低、观众没有共情，这些你让大模型直接理解，很难得到你真正想要的答案。而把需求定义清楚，本身就是一项非常复杂的、专业性的工作。大模型解数学题很厉害，因为数学题的边界非常清楚。但作品和剧本不是，我们的工作可能更多的是在探索规范化的流程，或者艺术创作与工作流之间的交互边界。
邹娟：模型越强，工程和系统能做的事不是更少，而是更多。AI 参与环节更多，客户要求更高；模型升级后，第一代配套系统部分会被模型吃掉，但第二代系统的 scope 会更大、要求更高。系统要承担更多约束、编排和验证。专业内容生产受脚本、人物、镜头、品牌规范、版权、成片规格、交付时间等约束；模型调用又有随机性，单次不错不代表几十个镜头组合仍成立。所以系统要解决需求规范化、可规模结构化、任务拆解编排、每步合格判断、失败重试。越接近真实生产，越不能只靠单点能力，而要建立完善体系。
郑重：AIGC 已从单点 Demo 进入生产力场景，专业内容约束更多。娱乐玩法里数字人、特效七八分像就算成功；但内容生产要满足品牌规范、角色商品一致性、叙事节奏与镜头逻辑、版权审核、甲方需求变化等，这些都进入生产链路。模型越强，能解决的问题越多，也越复杂。视频模型未来要对标 CG，甚至解决更复杂问题；当前主要落地 AI 剧、影视、广告、互联网泛娱乐，未来场景更宽。生产力场景需解决连续镜头与多分镜中人物一致性、多机位站位一致、商品比例形状及 logo 中英文异形文字一致、多镜头拼接跳帧与丝滑衔接——这些都要靠 AIGC 模型和配套系统。
鲜嘉麒：我们说模型能完成一个任务，往往默认了这个任务已经被清楚地定义了。但创作经常不是，对方说“我要一个能打动人的故事”，这句话听上去很明确，但打动谁？靠什么打动？又有哪些表达是哪些项目不能接受的？这一句话里面其实藏着大量还没有做出去的决定。
鲜嘉麒：在专业剧本创作里，今天什么工作已经比较适合交给 AI，什么判断仍然必须留给创作者本人？
路香菊：两个方面判断：它能不能被清楚地交代，以及完成之后我们能不能评判它。如果能评判，AI 是完全可以做的；如果不能评判，AI 就很难，就需要与人交互，让人去做决定。
如剧本评估中拆解类工作 AI 很擅长：信息抽取、AIGC/真人混拍拆解、场景表、实体表、世界观抽取，以及情感线、情绪、节奏线、类型画面判断，甚至短剧爆款预判。但在创作这里边，它只能给到你一个框架或者锚点，把骨架搭出来：网络故事片是什么结构，短剧是什么结构、什么节奏，具体的情绪锚点在哪。拿喜剧来说，喜剧不能单纯地用笑点来评判好坏，它里面往往会体现一个主题，就是对生活、对灾难的一种释然，去调侃自己，去面对生活。但这种领悟到底领悟到了什么，可能需要人去回答。AI 可以给你大量的情节，可以拓展你的思路，可以把骨架、结构、节奏给到你，但主题表达、要传递的情绪，需要人去把控。AI 可以给你土壤，但这个土壤上长什么，需要你去回答。
鲜嘉麒：未来模型在创作过程中更像一个“执行工具”，还是会进一步承担导演、编剧甚至创意决策？它的自主性应该到什么程度？
郑重：它不是简单的二选一。模型目前仍以执行工具为主，但角色正在变化，未来会向导演、编剧和创意执行渗透；不过创意的责任和价值的判断，最终仍主要由人把控。模型擅长快速生成多个创意、自主规划、把抽象想法做视觉验证，转成脚本、分镜或 demo，并结合需求快速修改。创意设定、质检、生成等环节，模型确实可以闭环。
但实际做项目时，很多重要环节在系统化之外：品牌叙事逻辑是什么？故事线是否符合企业长期规划？多地本地化是否符合当下语境？这些都不是技术问题。可预见阶段，人更负责目标、审美、边界、最终选择和结果兜底；模型更多负责探索、执行、量产。边界会不断变化，模型会向导演和编剧渗透，但还不能对端到端结果完全负责。
鲜嘉麒：在实际生产系统中，你们怎么判断一件事应该交给 Agent 自主决策，还是应该固化成确定性的 Workflow？
邹娟：首先，整个基于任务目标结果的实现路径，它是不是开放的。比如理解需求、确定素材、提出分镜或者剧本的方案，往往没有唯一正确的执行路径，这时候可能就适合用 Agent，在这个小的领域去做规划和探索。其次，结果能不能验证。不同行业对这个结果的要求不同，有的行业规模化程度很高，通过确定的规则就可以放过；有的时候可能需要有一个 ReAct 的 loop，才能不停通过有限步的迭代去优化生成效果。越难自动验证的决策，越不能轻易放大它的自主权。最后，还要看它做错的代价，相对可控、低成本的尝试，可以给 Agent 更多空间；但涉及到核心资产，比如人物主体的设定、超预算的调用、资产的删除，或者重要环节的状态更新，就需要明确的规则，或者 Workflow 来保证。
另外，现在的系统并不像大家所想的是要么 Agent，要么工作流，两者不是二选一的。Workflow 也可以包含 Agent 节点；Agent 本身也可以调用经过验证的 Workflow。所以我们在实现过程中，往往是两者结合来使用。跟创意、不确定性相关的路径可以很灵活，但是执行过程需要有边界，关键决策也是可以追溯的。一句话，让 Agent 在边界内探索，让 Workflow 去保证执行。如果当中还涉及到人，那人需要负责关键的取舍。
鲜嘉麒：AIGC 专业创作的终局，会是“AI 替人创作”，还是“人把创作判断往更上游移动”？
路香菊：我倾向于人会把更多的创作判断往上移动，去决定表达什么、为什么表达，以及愿意为这种表达做出什么样的选择。创作里边最难的部分，往往是有几种都有道理的选择，或者有多种路径、多种情节表达放在一起，我们必须做出一种决定：我们的作品需要是什么样子的？
接着刚才的喜剧来说，一个非常困窘的人，他假装上班，这个结局是什么呀？是虚荣啊？还是体面的努力啊？还是可怜可笑，或者中年人的无奈？这是作品的气质，要传达的情绪，就藏在我们这些制作人、或者说编剧的心里边。所以当 AI 能承担越来越多的具体生产，人需要更清楚地回答：我要把观众的目光引向哪里？在哪里感到释然，哪里去升华，哪里去缓冲？这些情绪的表达，AI 可以给你探索出不同的路径，但真正的取舍抉择还是要靠创作者，也就是我们一直强调的，审美和边界。
郑重：人的判断会往上游移动。但是人跟模型或者 AIGC 的边界，会不断变化。过去一两年实际发生的情况是，创作者大量的时间花在执行层，比如找素材、改尺寸、调美学、调画面、做剪辑，随着模型能力的上升，这些工作都会慢慢地自动化。我举一个切身的例子，去年我们做剧的时候，好多时候还会处理音视频怎么做 TTS、音频跟视频画面怎么匹配、怎么切镜，怎么把琐碎的两三秒镜头拼成切镜的效果。但随着模型能力提升，现在模型都是音视频直出的了，切镜、运镜都能理解得非常到位，在一个分镜之内能够自主地帮你规划运镜，这些内容都很好的被模型内化掉了。
但我觉得这并不意味着人价值的消失，人的角色会转型，可能会更多地转向定义创作的目标：我做这个剧、我做这个广告，到底要达成什么样的目的？然后选内容的表达策略。以及审美标准是什么，因为 AIGC 生产的内容，最终消费者大概率还是人。所以人能建立一个很好的审美标准，去理解我要传递的受众更喜欢什么，以及内容边界的一些设定，以及最终人对这个生成结果的负责。
邹娟：人的创作判断向上游移动，但不是只出现在开头和结尾，说我定义一下目标、最后验收一下结果就行了。而是需要深入地、始终保留在各个环节，保留进入细节、局部修改和重新决定方向的权利。从我们工程系统的角度来讲，真正的人机协同，不是只允许人审批、只 review，而是让人的判断、人的创意和人的想法能够准确地作用在作品上。
鲜嘉麒：对于专业内容生产来说，现阶段我们真正更需要的是“更强的模型”，还是“更可控的模型”？假设一个模型十次里能生成一次非常惊艳的结果，和一个模型十次里有八次能稳定满足要求，生产场景会怎么选？
郑重：我觉得它可能不是一个选择题，因为更可控本身就是评价一个模型是否更强的一个重要的维度。如果一个模型的输出效果不可控、比较随机，那说明模型的上下线的 gap 会比较大，就是它神鬼莫测，输出带着极大的不确定性。
这会带来很多生产实际的问题。第一，更多的抽卡。我稳定的模型可能是 2 抽 1 或者 3 抽 2，那不稳定的模型可能 10 抽 1、20 抽 1，而现在的模型或者工作流的成本都是按调用次数收费的，这一定会产生大量成本。第二，无法自动化、流程化，无法沉淀 SOP，因为每次即便同样的输入，出来的效果都很随机，流程就没办法自动化跑通，中间产出物的质量没法保证或者标准化。第三，不同阶段的内容质量参差不齐，没法整合到一起，形成一个完整的高质量内容。
一个模型十次抽卡里边有一次特别惊艳，九次都没法用，那它本质上还是手搓单模、做能力探索，并不适合做生产力。如果一个模型十次里边有八九次能稳定满足要求，它的上限和下限都相对明确，那它就更适合做生产，我可以通过工程手段、通过提示词的要求把它扬长避短。所以在真实的场景里边，可控一定比单次的效果更重要，它一定是评价一个模型能否用作生产力的一个非常重要的指标。
鲜嘉麒：当每一次模型调用本质上都带有一定随机性的时候，怎么把几十次概率性的生成，最终变成一次相对确定的成片交付？
邹娟：确定性的结果和确定性的交付不是一回事。我们并不要求每次生成的画面一样，但要求在约定的质量、时间跟预算范围内，能够交付满足要求的作品。这不是靠一个 prompt 保证的，以我们的实践经验来看，是靠分层来设计的。
第一层是生成之前，把约束明确下来，比如人物、场景、道具、风格、镜头的目标，形成经过确认的参考资产和结构化的约束，而不是让每一步重新猜一遍需求。
第二层，视频任务一般来讲是一个长程任务，需要拆成可以验收的阶段，先确定每个环节以及环节之间的依赖关系，越靠前、影响越大的问题，越应该早一点发现，避免最后整篇返工。
第三层是区分调用成功和内容 OK。文件生成了，只能说明 API 调通了，但我还要检查这个片子是不是符合生成的预期，包括人物一致性、商品可靠性，或者画面动作有没有穿帮。客观指标可以自动检测，但一些关键的语义和审美问题，可能需要大模型的多轮迭代去解决。
第四层是让失败可以局部恢复。一个镜头的失败不应该拖着整条链路重跑，应该在最小范围内重跑并保存已经确定的结果，同时支持局部重试替换，以及在有预算跟次数上限时的降级处理。
第五层，就是把一些不确定性变成数据积累的资产，记录每一次模型调用的版本、输入约束、参数、耗时、验收结果，做成可观测的系统，为下一次生成做更好的优化。
我们并不是要消灭这个概率性，而是给它设置边界，并且为不达标的结果准备处理路径。如果时间、质量、预算不能同时满足，也应该明确地升级给人来决策，而不是无限重试。
鲜嘉麒：如果一个 Agent 在创作早期理解错了人物设定，后面的 Agent 又不断引用这个错误，会不会出现一种“看起来越来越一致，但其实越来越错”的情况？
路香菊：如果我写一个角色，给一个定义，比如这是一个小气、或者是一个谨慎的性格，那模型肯定能记住这一点，它所有的情节都会安排得非常谨慎。但实际上一个好的剧本，每一个人都有他自己的人物弧光。如果他仅仅是小气、就这一个特质的话，那我们基本上叫做工具人，工具人多，这个戏就不好看。
所以这个一致就应该理解成符合这种人性、符合这种剧的主题、符合他这个戏剧功能的，这种才叫一致。简单地输入一个标签，或者给他一个指令，这不叫一致。在大模型这里，你告诉他一个机械的设定，大模型会特别遵循这个指令，但实际上不好看。而且这个一致，很多时候是一个剧本传递出来的一种气质。比如《低智商犯罪》，如果两个笨贼遇到一个特别精明的警察，这戏就没法拍了。《隐秘的角落》里边，朱朝阳必须碰到张东升，他才可以有那种博弈、有那种对抗、有那种让人揣摩的东西。所以这里面更多的是一组极致的人，每个人都要有自己的目标、自己的弧光，都要有一部分观众代入他、共情他。这个一致性在作品里边特别难。
越来越错的话，我觉得可能就是写飞了。你让大模型连续写个三五集的剧情，可能写得非常好，但整体的剧情交给它肯定会飞，单独的一段你能看明白，放到剧集里边就不知道在干嘛。所以整体的结构性，就是我们要防止它写飞。
鲜嘉麒：如果把模型能力先放到一边，从一个 Clip 到最终可交付的成片，中间最容易被低估的工程问题是什么？
邹娟：从 clip 到成片，prompt 优化、稳定性、效果和性能优化、质检等问题显而易见，但最容易被低估的，是让成片成为可持续修改的工程。生产中，成片只是输出结果，本身应由可编辑、可追溯的工程来代表：包含素材、clip 编排、音视频图文叠加、剪辑点、音轨、配音、字幕及素材关系。它不只是视频展示界面，而是对最终作品的明确描述——什么素材何时出现、持续多久、如何搭配。例如 1.5 分钟短剧一集约 30 个镜头，一句台词从 3 秒改成 5 秒，可能影响前后 clip、口型、镜头长度、字幕时间甚至 BGM 节奏；系统若不知依赖关系，就会改一处、坏多处。
因此，从 clip 到成片最易被低估的工程问题，是完整工程的回溯：资产与版本管理、时间线与依赖管理、修改后的更新范围、预览与最终渲染一致、增量更新与局部重生成、只处理受影响部分，以及交付规格和质量检查。拼接只是第一步，能反复修改且不失控，才是规模化生产平台的目标。
鲜嘉麒：为什么长内容生产不能只靠“更大的 Context Window”解决？当内容越来越长以后，系统到底需要哪些新的能力？
路香菊：现在 AI 这个时代，把很多以前传统的工作流、任务，越来越快地变成了一个闭环。影视制作上，一开始我们只能参与一些镜头的分析或者拆解，但现在做技术的、做导演的、做编剧的，很多新的人群会组织在一起。我们经常说的一句话可能是人成为瓶颈，但其实我不这么认为，人不会成为瓶颈。
我觉得这个系统需要有一个快速对齐的能力。比如我编剧，上剧本的时候，要给出品人、高层的决策团队快速对齐我这个作品，要给编剧老师去探讨需要改的这些问题是什么。但是如果大家改了一个版本、另外一个版本、很多版本，我怎么能快速对齐这些东西？所以除了更大的 context window 之外，AI 还要做很多高层次的帮人去对齐的能力。
因为我本身是做剧本的，公司里各个平台的一些剧本可能都会涉及到给我探讨，我可以用 3 分钟快速给他们对齐一个剧本，问题是什么、情况是什么，用一张图可能就表达出来。长剧本也是这样，如果怀疑哪个人物线有问题，我们会把这个人物线单独拉出来快速对齐。所以当 context window 越来越长的时候，这种分维度的表达、整体结构的表达，或者不同尺度信息的对齐，就显得非常重要。
再比如两个版本有差异，差异到底是什么？剧本前期工作室经常有一个问题：你的主角判断得不对。我们写的男二应该是男一，那就会从他的主要功能、戏份去探讨。
鲜嘉麒：多 Agent 到底是在解决复杂问题，还是也在制造新的复杂度？
郑重：Agent 确实解决的问题越来越复杂了，但它也会带来新的更复杂的问题。多 Agent 或者 multi-agent 其实是一种手段，并不是一个目的。要用 multi-agent 这种架构解决问题，一定要满足两个前提：第一，它能明显提升效果，多 Agent 的组合比单 Agent 或者只用模型本身效果有提升；第二，它能带来明确的协作分工，流程清晰，中间过程可控。
如果我们直接把多个 Agent 堆叠到一起，大家最开始做实验的时候应该也经历了很多这样的过程，那就会带来很多问题：任务边界不清晰，多个 Agent 之间互相调用，一旦出问题，你很难追踪到到底是哪里的问题。一个小小的错误会被层层放大，最终引起一个大问题，出了问题也不知道该由谁负责。但随着大家不断试错，也出现了很多高价值的应用场景，比如把一个完整的流程拆成需求理解、创意设计、素材检索、模型生成、质量检查，每个分类对应一个清晰的、独立的 Agent，组成的 multi-agent 已经能比较高效地协作。
邹娟：多 Agent 能明确分工，但会引入上下文传递、重复调用、状态同步、意见冲突和错误放大等新成本。它类似拆微服务：不是越细越先进，而要看边界是否合理、接口是否明确、体系能否隔离。是否拆分可看三点，是否真需要不同专业职责、工具和上下文；是否有独立输入输出及清晰的验收、质检标准；拆分收益是否超过通信延迟和调试成本。若只是固定先后步骤，一个 Workflow 比多个 Agent 对话更清晰。
还要注意，多 Agent 相互认同不等于结果对，共同错误预设只会把错误加工得更一致。素材、成片、媒资和生产项目状态，需有统一、版本化的权威来源，不能只靠聊天传递。Agent 数量不是能力指标，协作收益必须覆盖协作成本。实操应先按可控架构捋清失败点，再增加 Agent，而非一上来就铺大。
路香菊：我们在工程系统里边，每引入一个新的 Agent 都非常谨慎，它最终的决策路径要非常清晰：这个边界到底谁说了算，还是需要某些人去拍板？某些 Agent 的能力到底怎么样？实际系统当中，一个 Agent 要有个非常明确的边界。你很难避免用多 Agent 去解决实际问题，但在使用过程当中，它怎么去协调？怎么去决策？目标怎么定义？特别是上下文一旦被污染，怎么拉回？其实还是非常复杂。所以我们每引入一个新的 Agent，可能都会经过详细的讨论、反复的实验，在系统当中有时会很灾难。
鲜嘉麒：从 Demo 到规模化生产，AIGC 最容易被低估的成本和难点是什么？
郑重：最容易算的是 token 或模型调用费用；最容易被低估的，是围绕模型能力搭建整个生产系统的综合成本，包括工程、调用、素材与合规 IP、质检、重试迭代，以及内外部沟通协作成本。基模不断迭代，提示词调性、美学、内化能力都在变，工程适配、质检、工作习惯和人员能力也随之变化。做 Demo 很快，手搓加多买 token 即可；但搭生产环节极痛苦：要让好效果稳定、批量输出并带来商业价值，还要保证进阶一致性、支持灵活精准修改，并建立能匹配模型调性的质量标准。归根结底，模型成本、工程成本、迭代成本，三块都是巨大支出。
邹娟：真实成本不是单次生成价格，而是每条合格成品交付的成本：生成、重试、审核、人工编辑、质检、存储、渲染、运营协同等成本之和，除以可用合格成片数，远高于“一次模型调用 5 秒多少钱”，所以大家经常会有“越便宜的模型越贵”的感觉。除了平均成本，还要看交付时长和长尾：客户时效不同，有的隔夜完成即可、有的 10 分钟内完成才行，不同时效性要求的流程编排甚至都不同；有的任务快，有的因反复返工拖过交付期。规模化后，长尾会影响研发、机器资源和用户体验。工程侧重点看首次验收通过率、平均修改次数、单条人工介入时长、规模化下按期交付比例。容易被低估的是：规模化商用后，不只需要推理成本，更要让失败尽早暴露、修改局部发生、人工介入更准确有效。
路香菊：在剧本这里边，AI 可能就是很短的时间内，就可以出一个 80 分的剧本，但是从 80 分到 90 分，就是要我们搭建专业的一些知识，包括人物、故事结构、主题、赛道。但是实际项目，特别是爱奇艺这些项目，观众或者说我们公司的一个调性，要求你这个作品可能至少 95 分以上。实际上过了 90 分，这里边就非常复杂了，利用 AI 去改的复杂度就非常高了。所以这里边容易被低估的一个成本，就是组织协同成本，协同的复杂度会很高很高。为了最后的那一点点，你就能做出来比前面第一步要复杂太多的一个工作，这里边还有包括给专业编剧的协调沟通，看似提高一点点，但其实背后的工作却要复杂很多。可能前面的很多工作与流程都要推到重来。
鲜嘉麒：未来 2-3 年，AIGC 专业内容生产真正的核心壁垒会是什么？
路香菊：Agent、Workflow 和业务闭环都重要且不矛盾：Agent 加专业 Workflow，目标就是跑通业务闭环。剧本要达 95 分，离不开专业工作室/编剧室的沉淀和 Workflow，但不是传统 Workflow，而是作为节点在 Harness 结构中灵活调用，以约束作品专业性；创作必须遵循改编思路、大纲、分集大纲、剧本、润色等流程，否则成本不可控、问题会发散。业务闭环则希望从创意直达剧本，甚至剧本到成片、预演，技术上也可实现。最终目标，就是跑通业务闭环。
邹娟：能够持续积累专业反馈的生产与业务闭环。因为模型能力会持续迭代，但单独依靠某个模型，它很难形成长期的壁垒。所谓的壁垒，就是能够把专业的数据、专业的 know-how、Agent Loop、Workflow 等和生产平台结合起来，持续地交付业务结果。比如什么叫一个合格的短剧的镜头，什么叫符合品牌要求的营销素材，这些专业判断需要被沉淀下来，沉淀成流程，沉淀成知识库，沉淀成约束，甚至沉淀成评估的标准。然后在生产的过程中，产生的数据和人的反馈又能够回流，帮助系统下一次做得更好。
从我自己的工作经历来看，长久的竞争力一般不是某个单点强，而是系统能不能在外部环境不断变化的情况下，仍然稳定地接入，控制质量，管理成本，快速迭代，并且最终对业务效果负责。未来真正的壁垒，就是把这一套技术能力持续转化成可交付、可以复用、可以商用、可以增长的生产力。
郑重：“最终能跑通的业务闭环，且能够合理的自我进化”。自我进化也很重要，因为模型会不断地出现、不断地提升，数据的采集能力、标注能力、处理的管线，以及上下游各个环节的能力都在不断提升。那这些能力的提升能不能很好地被整合起来，最终服务我的业务？且我的业务侧能不能对模型有合理的预期，真正去解决效果或者效率问题？
我们处在一个 AI 能力飞速发展的过程中，整个体系要能够适配模型、数据、行业经验，甚至 Agent 协作方式、交互方式的不断迭代，通过构建自我学习的闭环，使整个系统能够不断地去服务于业务的真实生产环节。所以总结来说就是首先能跑通，第二个就是能随着 AI 技术和业务的发展，不断地自我进化。
会议推荐
