基于大模型构建短视频内容自动化改写的工程实践

一、背景与问题定义

短视频平台已成为内容分发的核心渠道，大量创作者与企业运营团队面临一个共性工程问题：如何将一条高传播度的短视频，快速、稳定、可批量地转化为适配图文平台的结构化文章。人工完成这一过程通常包含观看视频、记录口播文案、提炼逻辑主线、重写标题、设计段落结构与封面建议等环节，单条内容耗时往往在30分钟以上，且质量高度依赖执行者经验，难以规模化。

从工程视角看，该任务本质是一个多阶段内容转换流水线：

1. 输入解析：从视频链接中获取元信息与音频/字幕内容；
2. 信息抽取：将非结构化的口播内容转为文本，并提炼核心论点、论据与叙事结构；
3. 内容重构：按目标平台的内容规范（标题候选、摘要、分段正文、封面建议）重新组织；
4. 质量校验：检查事实一致性、逻辑连贯性与格式合规性。

本文将以通用技术方案的形式，说明如何借助大模型平台与智能体编排能力实现上述流水线，并重点讨论提示词设计、异常处理与工程化落地中的关键细节。

二、整体架构设计

2.1 分层架构

建议将系统划分为四层，避免把全部逻辑耦合在单次对话中：

• 接入层：接收视频链接或文件，完成格式校验与去重；
• 解析层：调用语音转写与视频元信息解析能力，产出原始文稿；
• 生成层：基于提示词模板调用大模型，完成摘要提炼、结构重排与多版本标题生成；
• 后处理层：执行敏感词过滤、长度校验、格式规范化与人工复核队列投递。

这种分层的价值在于：每一层都可独立替换与压测。例如解析层在转写准确率不足时，可切换为“字幕优先、音频兜底”的策略，而不影响生成层的提示词逻辑。

2.2 智能体编排的角色划分

在智能体平台上，建议至少定义三类角色节点：

• 解析节点：负责把链接转为文本，输出统一的中间表示（如 {title, transcript, stats}）；
• 改写节点：接收中间表示，按模板生成图文内容；
• 校验节点：对生成结果做结构化检查，不通过则触发重试或降级。

将校验独立成节点是关键设计。实践中，生成失败往往不是模型能力不足，而是输入缺失或格式不符合预期，独立校验节点能让问题定位从“整条链路”收敛到“单个环节”。

三、输入质量决定输出上限

3.1 素材筛选策略

原文强调“要找播放量高、评论活跃的视频”，这一经验背后有明确的工程含义：高互动视频通常具有更完整的叙事结构与更清晰的口播表达，转写后的文本噪声更低，模型提炼的成功率更高。建议在接入层加入量化筛选条件，例如：

{
  "min_play_count": 1000000,
  "min_like_ratio": 0.03,
  "min_comment_count": 500,
  "max_duration_sec": 180
}

时长上限同样重要：过长的视频会导致转写文本超出上下文窗口，迫使系统做分段摘要，进而引入信息丢失。对超长内容，建议先做分段摘要再合并，而非直接截断。

3.2 中间表示规范化

解析层输出应统一为固定 schema，生成层只依赖该 schema，从而与具体视频平台解耦：

{
  "source_title": "string",
  "transcript": "string",
  "key_points": ["string"],
  "duration_sec": 0,
  "language": "zh-CN"
}

key_points 可由解析节点先行抽取，作为生成节点的显式约束，显著降低模型“自由发挥”导致的偏离。

四、提示词工程与生成质量控制

4.1 结构化输出约束

要求模型输出严格 JSON，而非自由文本，是提升流水线稳定性的第一要务。示例模板：

你是内容结构化改写助手。基于以下口播文稿，输出 JSON：
{
  "titles": ["3个备选标题，每个不超过20字"],
  "summary": "80-150字摘要",
  "sections": [{"heading": "...", "body": "..."}],
  "cover_suggestion": "封面视觉建议"
}
约束：不得虚构文稿中不存在的事实与数据；保持原意；正文不少于1000字。

显式写入“不得虚构事实与数据”可有效抑制模型在缺乏信息时编造细节的倾向。对事实性要求高的场景，还可要求模型对每个论点标注其在文稿中的依据句。

4.2 多版本标题与人工选择

标题生成建议一次产出3至5个候选，由人工或规则打分选择。可引入简单启发式评分：长度合规、包含数字或疑问句式、避免绝对化用语。这比让模型“一次给最优”更可控，也更符合内容运营的实际工作流。

4.3 分阶段生成优于单次生成

将“摘要提炼”与“正文扩写”拆为两次调用，通常比单次长输出更稳定：第一次输出要点清单，第二次以要点清单为输入扩写正文。代价是调用次数增加，收益是结构一致性明显提升，且失败时只需重试单个阶段。

五、异常处理与可观测性

原文提到的“卡住不动、报错无法生成”，在工程上应归类为三类问题并分别处置：

1. 输入解析失败：链接失效、视频被删除或转写服务超时。处置方式为返回明确错误码，并将任务置入重试队列，设置最大重试次数与退避间隔。
2. 生成超时或截断：输出超出长度限制或响应超时。处置方式为缩短输入、分段生成，或降低单次输出字数要求后合并。
3. 格式不合规：模型输出无法解析为约定 JSON。处置方式为携带解析错误信息发起一次“修复重试”，仍失败则降级为纯文本输出并进入人工队列。

可观测性方面，建议为每次任务记录：输入哈希、各阶段耗时、token 消耗、重试次数、校验结果。这些指标既能定位瓶颈，也能为成本核算提供依据。需要强调的是，重试必须有上限，否则在输入本身不可解析的情况下会持续消耗资源。

六、合规与工程边界

自动化内容改写涉及若干必须提前明确的边界：

• 版权与授权：转写与改写他人视频内容需获得授权，系统应在接入层记录来源并支持删除请求；
• 内容安全：生成结果需经过敏感内容过滤，不能仅依赖模型自身判断；
• 人工复核：对事实性强的领域（医疗、金融等），自动生成内容必须经人工复核后方可发布；
• 成本控制：按任务设置 token 预算上限，超出即中止，避免单条任务异常消耗。

七、落地建议与演进路径

建议按三阶段推进：第一阶段以单条手动触发验证提示词与解析质量；第二阶段接入任务队列与重试机制，实现小批量稳定运行；第三阶段引入质量打分与A/B对比，用数据驱动提示词迭代。

需要清醒认识的是，该类系统的产出属于“高质量初稿”而非“终稿”。其真正价值在于把创作者从机械的转写与排版中解放出来，将精力集中于事实核查与观点打磨。把这一点写进流程规范，比追求全自动更能保证长期可用性。