现在已能生成文案和对应视频。制作账号时的核心难点并非内容产出环节, 而是后续的记忆留存。不少工具仅支持单次使用记录留存缺失, 到了下次使用阶段还是全部从头重置。此问题是现今的人工智能内容创作模式下存在的普遍核心难点。

账号定位不能每次重教

上下文要贯穿所有任务

杭州的团队开发了Easel, 把账号定位、风格、受众、平台、偏好和长期记忆这六个维度串起来。比如一个科技号常说“保留方法但少堆术语”, 这条偏好可以直接影响到后面的选题深度还有脚本结构, 不用每次重新解释。

新任务直接读取旧设定

调度代理承接新任务的时刻会主动调取对应上下文内容, 省去不断重新搭建认知体系与创立单独账号的流程环节, 这恰似资深从业人员熟稔内部运作准则要求, 新入职的后辈要从最基础的规则常识询问验证起始, 各类差异区别的核心节点即显露于此环节进程里。

经验筛选得靠人把关

候选经验需用户确认

任务弄完后, Agent会把可复用的偏好部分、制作的具体方法和各类效果总结先筛拣出来, 但不直接存进Agent的记忆。得经用户确认往后才逐步增量写入, 和已有的相关内容合并拼接。这样一来既能避防错误的相关总结混进去, 也给实时纠错留存下了一个口子。

区分稳定经验和偶然结果

热点与平台的规则天天都在变化, 以往管用的方法却不一定此刻就适用。内容的呈现效果被选题程度、表达水准、曝光程度、时机好坏等一系列的诸多因素所影响, Agent要学会分清楚哪些这类经验是可以重复运用的, 哪些只不过是适逢偶然成功的情况就是这样而已。

技能拆分让流程可组合

112个工具单元管全流程

Easel内置了112个技能, 覆盖发现、策划、制作、发布、归因这些环节。有依赖关系的步序会被拆解为复杂任务, 好比写脚本之前先拿出选题, 剪辑之际再调整音频, 每阶段都能共享上一式的结果。

同一素材支撑多种表达

同一处结构化材料能出具图文、短视频各式各样不同版本, 不用每种格式都再来性地重新理解。这减少了信息错位不同幅, 顺带也省去大量无关紧要的重复劳动, 最终使得执行端效率肉眼可见明显更高。

错误定位靠中间产物

项目全程留痕可追溯

每个项目都会保存源文件、中间产物与最终成品, 还记录关键结论和产物关系, 失败时不需猜哪儿出错, 翻录翻看记录就能定位到具体环节, 接着改就行, 不需从头再来。

复用素材减少重复劳动

后续步骤能直接用已有的素材和作出的相关决策, 比方说, 之前测过何种开场数据上好, 新视频还能接着加以运用。从研究这个角度来看, 这些载体, 让真正成功的结构和实际有效的方法都留存下了回顾与加以复用的可能。

局部修正变成长期经验

模型工具分工反馈修改

模型负责着内容的理解和结构的设计, 工具处理着媒体的相关事宜和规格的核验, 结果不好就开展针对性的修改。诸如字幕配对着不上口型的情况, 工具报警以后Agent立刻着进行时间轴的调整, 不用把整段内容拿去重剪。

跨平台经验得分类管理

有一套解释结构或许给抖音、B站都能用, 但某个场合起头说的话可能只在喜爱新潮玩意儿的年轻家伙这儿管用。智能代理得把根底要旨抓牢不动, 还得依照不一样的内容渠道转换它要说的话。这类任务能管得着它把哪部分弄明白是账号得一直拿样儿的偏好, 哪部分得全看当下所处的场面。

评估自进化要看实际效果

经验质量比数量更重要

判断系统真能不能够有效进步, 不能仅仅单看系统记录贮存了多少规模经验, 还得检验这些经验有没有科学依据、能不能适用套用到各类新任务里项、有没有切实减少降低用户纠错次数, 待环境发生还能不能依情况改变做对。
Easel保留保存了样本量上限和相应数据覆盖情况, 同时还区分开来相关规律和因果关系, 避免各种误判情况。

真实场景检验长期交互

浙大REAL Lab与北大团队把技能体系、画像结构、执行工具全数开放。创作者可用实际任务作出反馈, 研究者能够开展对比实验: 是不是长期记忆让风格更统一, 是不是中间产物减少信息偏移, 是不是历史经验帮助Agent应对新状况。做完一件事到让这件事的经验便于下次做得更好, 正是真实进步。

你觉得代理代理依赖积累的经验变聪明, 比单纯更换换成更大的语言模型更靠谱吗? 欢迎在各位评论区聊聊相关话题, 觉得有作用有意义就同时进行点赞以及转发哦，让更多人有机会看到这类AI创作的新思路新想法。