AI漫剧工业化：DramaClaw（虾导）全链路拆解，从手工作坊到智能流水线

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

2026年，AI漫剧产业正从"抽卡式生成"的零散创作阶段，跨越到以全链路一致性为核心的工业化生产阶段。DramaClaw（虾导）——这个由成都新飞翔科技集团孵化、新飞翔科技集团董事长刘鹏飞在2026年4月第十三届中国网络视听大会上正式提出"AI漫剧工业标准"的开源项目，给出了一个相当完整的答案。它的核心设计不是让创作者"每次都能自由发挥"，而是通过一套预设好的规范化工作流——世界模型（3D片场）、线稿图中间检查、双模式工作流、导演智能体——把AI短剧从依赖运气和反复抽卡的泥潭里拉了出来。据公开数据，DramaClaw已将高品质漫剧的综合制作成本压缩至约20元/分钟，同时保证了角色、场景、叙事风格的高度一致性。本文将从原理到实操，完整拆解这套工具链的每一个关键环节，并梳理2026年AI漫剧行业的市场格局与合规要点。 想看完整拆解，往下翻。

我自己捣鼓AI视频创作也有一阵子了，从最早的Runway、Pika，到后来的可灵、即梦，再到各种开源的工作流方案，基本上每个月都有新东西冒出来。但说实话，之前大部分工具给我的感觉是"能做，但不稳定"。你做一条30秒的短视频还行，真要拿去做一集5分钟的短剧、十集二十集的连载，那画面里角色长相变来变去、场景忽大忽小的问题，够让人头疼的。

直到我上手体验了DramaClaw——这个被社区称为"虾导"的项目，才第一次感觉到，AI短剧创作这件事，终于有人在认认真真地做"工业标准"了。

2026年4月，在成都举办的第十三届中国网络视听大会上，DramaClaw项目发起人、新飞翔科技集团董事长刘鹏飞首次公开提出了"定义AI漫剧工业标准，释放创作平权"的主张。这句话听着像口号，但实际用过之后你会发现，它背后的设计哲学确实不是噱头——DramaClaw不是又一个AI视频生成工具，它是一套完整的、为规模化生产而设计的AI制片流水线。

这一篇我会把从原理到实操的所有环节都过一遍，附带我自己的使用感受和一些踩坑记录，希望对正在研究AI漫剧的朋友有帮助。

第一章 从抽卡到流水线——AI短剧创作面临的三道坎

在深入DramaClaw之前，我觉得有必要先掰扯清楚一个问题：AI短剧创作的最大瓶颈到底是什么？

很多人第一反应是"画质不够好""模型不够强"。这个理解其实有点偏差。2026年的AI视频模型——无论是可灵3.0、Seedance 2.0，还是开源的Wan 2.2——单帧画质已经相当能打了，有些甚至能接近影视级水准。真正卡脖子的，是三个更深层的问题。

1.1 角色一致性：同一张脸，撑不过三个镜头

这是所有AI短剧创作者最痛的痛点。你生成第一个镜头，女主角是个清秀的瓜子脸；到了第二个镜头，同一角色变成了圆脸；第三个镜头，连衣服颜色都变了。观众在弹幕里刷"换演员了"，一点不夸张。

为什么会这样？因为大多数AI视频模型本质上是对"文字描述→画面"的映射。你写"一个年轻女性，长发，穿红色连衣裙"，模型每次生成的结果都会在细节上产生随机偏移。即便你用seed值固定随机种子，跨镜头的角色长相也很难保持一致。

对于单条短视频来说，这问题不大——观众也就看几秒钟。但对于一集5分钟、动辄几十个镜头的短剧来说，角色长相的飘忽不定是致命的。它直接破坏了观众的沉浸感，也让作品看起来廉价。

1.2 空间一致性：场景里的东西在"瞬移"

传统AI漫剧还有个让人哭笑不得的问题——空间错乱。同一场戏里，角色前一秒站在门左边，后一秒毫无过渡地出现在门右边；桌上的花瓶在特写镜头里还在，切到中景就消失了；房间的墙壁尺寸忽大忽小。

这种问题在系列化内容里特别扎眼，观众一眼就能看出穿帮。原因很简单：AI模型没有"场景空间"的概念。它是对二维像素的预测，而不是对三维世界的理解。它不知道门在哪、桌子在哪、角色和场景之间的相对位置关系是什么。

1.3 生产效率：抽卡式生成的算力浪费

大部分创作者使用AI工具做短剧的方式是这样的：写好剧本→拆分成镜头描述→逐镜头用AI生成画面→筛选满意的→手动拼接。听起来还挺顺畅的对吧？

实际操作起来是这样：一个镜头描述，你可能要生成8到10次甚至更多，才能碰运气碰到一张满意的。出片率可能只有10%到15%。剩下的85%都是废片——算力烧了、时间花了、电费用了，但产出的是垃圾。更要命的是，好不容易生成了一批可用的素材，拼到一起才发现角色长相不统一，又要回去重新生成。

你算算，一部20集的短剧，按每集50个镜头算，就是1000个镜头。如果每个镜头平均需要生成5次才能用，就变成了5000次生成调用。这不是在创作，这是在"抽卡"。

这张表对比下来，差距就很清晰了。DramaClaw之所以引起我的注意，正是因为它从架构层面——而不是靠提示词技巧——去回应了这三个核心痛点。

要理解它怎么做到的，就得先搞清楚它到底是什么，以及它的设计哲学从哪来。

第二章 DramaClaw（虾导）的设计哲学——为什么说它不是又一个AI工具

2.1 它到底是什么

DramaClaw，中文名虾导，英文是Drama（戏剧）+ Claw（爪子/钳子）的组合词。图标是一只举着钳子的龙虾，挺有辨识度。项目的GitHub地址是 github.com/dramaclaw/dramaclaw，官网是 dramaclaw.ai，目前完全开源。

它的定位很明确：不是AI视频生成器，而是AI短剧/漫剧的全自动制片流水线。

什么意思呢？像Midjourney、Stable Diffusion这类工具，核心能力是"生成一张图"；可灵、Runway这类工具，核心能力是"生成一段视频"。它们都是单点工具——你拿到一张图或一段视频之后，还得自己去做剪辑、配音、合成、调色，操作链路很长，且各环节之间的数据流转需要手动完成。

DramaClaw的思路完全不同。它把短剧创作拆解成一条完整的工业流水线：剧本→角色管理→场景管理→脚本生成→分镜草图→渲染图→视频生成→配音→合成输出。 每个环节的数据在内部自动流转，环环相扣。

2.2 设计哲学：配置大于选择

这是DramaClaw最核心的设计理念。刘鹏飞在2026年4月的网络视听大会上明确说过："我们不为'选择'而生，而为'结果'而设计。"

这句话怎么理解呢？我举个对比：

通用AI工具的做法：给你一块空白画布，一堆参数滑块，让你自己去调。模型选哪个？Seed值用多少？提示词怎么写？负面提示词加什么？ControlNet怎么配？LORA权重多少？——所有这些"选择"都丢给用户。你是专业的，那输出的上限可以很高；你是新手，那就一脸懵，生成的画面一团糟。

DramaClaw的做法：预设了一套经过验证的工作流参数。你不需要去选择模型、调整权重、配置ControlNet。你只需要做一件事：把剧本丢进去，然后按流程指引一步步点下去。 每一步该做什么、用什么参数、怎么衔接，系统已经帮你配置好了。

说白了，前者是"给你工具自己去造"，后者是"给你一条生产线，你只需要把原料放上去"。

这并不意味着DramaClaw放弃了灵活性。恰恰相反，它保留了无限画布模式，专业用户仍然可以像在ComfyUI里那样自由接线。但默认走的是规范化工作流，确保小白也能出片。

2.3 和市面上其他方案的对比

2026年AI漫剧工具已经呈现出明显的分层趋势。我按自己的理解做了一个分类：

DramaClaw属于典型的"专业交付流"——它牺牲了部分灵活性，换来了稳定性和生产效率。这一点在后面的实操环节会体现得更明显。

2.4 开源意味着什么

这个项目完全开源这件事，我当时看到也挺惊讶的。因为一个把工业化流程做得这么细致的工具，如果做成SaaS按月收费，完全说得通。但开发团队选择把代码公开放在GitHub上。

开源的直接好处是：你可以自己部署，不需要付平台订阅费。 唯一绕不开的开支是模型API的Token费——因为DramaClaw本身不内置生成模型，它调用的是底层AI模型的API接口（比如可灵、Seedance等）。你自己部署之后，用自己的API Key，按量付费。

这给小型团队和个人创作者留出了一个很大的成本控制空间。

2.5 关于名字"虾导"的来历

多说一句这个名字。DramaClaw的图标是龙虾，所以中文社区给它起了个昵称叫"虾导"——导演的导。我觉得这个名字挺贴切的，因为它确实像一个导演在统筹整个片场：安排演员站位、确定场景布局、规划镜头顺序，然后让各个工种（AI模型）协作完成拍摄。

和传统的AI工具一比，这种"导演思维"的差异就很明显了。

说完了设计哲学，接下来我们深入它的四个核心机制，看看它具体是怎么解决那三个痛点的。

第三章 世界模型——给AI短剧搭建一个真实的3D片场

如果让我选DramaClaw最有价值的设计，我会把票投给它的"导演世界"（Director's World）功能。这个机制直接回应了前面提到的"空间一致性"问题，而且解决思路非常巧妙。

3.1 空间错乱的根源

先复盘一下为什么普通AI工具会出现空间错乱。

当你用文生图或者图生视频的方式创作短剧时，模型的世界模型是"隐藏"的。它只知道画面上有哪些像素，不知道这些像素在三维空间中的位置关系。就像一个没有空间感的画师，每次动笔都凭感觉，上次画的门可能在左边，这次就在右边了。

这个问题在单张图或单段视频里不明显，因为画面内部的空间关系是自洽的。但当你需要拍摄同一个场景的多个镜头时——比如从正面对话切换到过肩镜头，再切换到全景——问题就暴露了：门的位置对不上、道具的摆放对不上、角色的站位对不上。

3.2 导演世界：一个真实的3D片场

DramaClaw的做法非常有意思：它先给你的场景搭建一个3D片场，然后在这个片场里安排所有角色和道具的位置。

具体来说是这样的：

你上传场景图之后，DramaClaw会基于这张图构建一个三维空间——你可以把它理解为一个轻量级的3D场景编辑器。在这个场景里：

• 你可以自由移动角色的位置，把主角放在左边、配角放在右边，前后位置也能调整
• 你可以调整视角，从正面、侧面、俯视多个角度观察场景
• 角色和道具的位置信息会被记录，后续所有分镜图都会引用这套位置数据

这个功能的工作流程大致如下：

上传场景图 → 识别场景元素 → 构建3D空间 → 
添加角色站位 → 调整视角 → 导出参考图 → 
交给AI模型基于参考图生成分镜

说白了，它是在"先确定空间关系，再生成画面"。而不是像传统方式那样"直接生成画面，穿帮了再回头调"。

3.3 具体操作感受

我自己实操时的体会是，这个功能确实需要多花一点时间前处理，但后面节省的时间和精力是成倍的。

举个例子，我测试了一个古风场景——一个庭院。按照常规流程，我会写一段提示词"古代庭院，青石板路，石桌石凳，桃花树"，然后让AI生成。第一个镜头（全景）还行，第二个镜头（主角坐在石凳上特写）也凑合，到第三个镜头（配角从院门走进来）就出问题了——院门的位置和前两个镜头里的位置对不上，明明是从同一个方向拍，门却"跑"到了另一边。

在DramaClaw的导演世界里，我只需要在3D场景中把院门的位置确定好，把石桌石凳摆放好，把主角的站位固定在石凳旁边。后续所有分镜生成时，AI会参照这个3D场景的布局来生成画面，空间关系就不会乱了。

3.4 实用小技巧

我摸索了几个让导演世界发挥最大效果的小技巧：

1. 场景参考图的质量很关键。上传的场景图越清晰、透视关系越明确，DramaClaw构建的3D空间就越准确。模糊的参考图会导致重建效果打折扣。
2. 不需要每个视角都生成参考图。DramaClaw要求场景图分为正面、背面和720度参考图，但不是必须全部生成。如果你确定某个场景不需要切换到背面视角，那留空也不影响后续工作。这样可以省一些Token。
3. 角色站位要以关键镜头优先。在3D片场里安排角色位置时，优先服务于该场景中最重要的一到两个关键镜头。次要镜头可以稍微放宽要求，因为AI有一定的自适应能力。
4. 导演世界和虾镜是联动的。在导演世界中设置好的背景和站位，切换到虾镜界面进行分镜生成时会自动引用。不需要重复设置。

3.5 空间一致性的实际效果

上表的数据是我个人测试的大致感受，不是官方数据。但趋势很明确：前处理多花10分钟，后期返工时间减少数小时。 这个时间投资是完全划算的。

3.6 一点反思

话说回来，导演世界也不是万能药。它最适合的是"固定场景、多机位拍摄"的叙事方式——也就是角色在一个相对固定的空间里展开对话或动作。如果你的剧情需要频繁切换场景、或者每个场景都只出现一次，那这个功能的收益就会递减。

另外，3D场景的搭建目前主要还是靠手动操作——拖拽角色位置、调整视角。如果后续能加入"自动布景"功能，让AI根据剧本描述自动生成3D场景布局，那整个流程就更加丝滑了。不过那可能是DramaClaw下一个版本的事了。

第四章 线稿图机制——聪明地省Token，而不是盲目烧算力

DramaClaw的第二个让我觉得"设计得很聪明"的地方，是它的线稿图（Sketch）环节。

4.1 线稿图是什么

大多数AI短剧工具的操作逻辑是这样的：文本描述→直接生成渲染图/视频。

DramaClaw在中间插了一个步骤：文本描述→线稿图→渲染图→视频。

线稿图，说白了就是黑白线条勾勒的画面草图。它只展示画面的构图——人物的位置、动作姿态、场景的结构、物体的大致形状——不展示颜色、纹理、光影等细节。

你可以把它想象成电影分镜师手绘的草图，不是最终成品，而是用来确认"这个构图行不行"的中间产物。

4.2 为什么说这个设计很巧妙

在生成渲染图这个环节，Token消耗主要花在两个地方：构图确定和细节渲染。传统做法把这两个步骤合并了，每次生成渲染图都要同时承担构图探索和细节渲染的双重成本。

问题在于：你生成的渲染图，很大概率构图是不对的——角色位置不对、画面布局不理想、动作姿态不符合要求。 但这张图已经消耗了渲染级别的Token，因为细节部分也被完整渲染了。然后你修改提示词重新生成，又是一次渲染级别的消耗。反复几次下来，Token花了不少，但大部分都消耗在了"构图试错"上。

线稿图机制把"试错成本"降到了最低：

线稿图的Token消耗只有渲染图的五分之一到八分之一。也就是说，你在线稿图阶段反复尝试十次找到满意的构图，消耗的Token比直接试两次渲染图还要少。

4.3 实操中的工作流

我的实际使用流程是这样的：

① 文本描述 → ② 生成线稿图 → ③ 检查构图
    ↓ 不满意则修改描述重新生成
    ↓ 满意则进入下一步
④ 生成渲染图 → ⑤ 检查画面细节
    ↓ 不满意则调整后重渲染
    ↓ 满意则进入下一步
⑥ 生成视频

在步骤③检查线稿图时，我主要看三个东西：

• 角色位置对不对：主角是不是在画面中的预定位置，和周围角色的相对关系是否正确
• 动作姿态准不准：角色是站着、坐着、跑着还是做着某个特定动作，线稿上的姿态是否符合预期
• 场景结构合不合理：背景中的门窗、家具、装饰物的位置是否和导演世界中的3D场景一致

如果这三个方面都没问题，我再进入渲染图生成。如果线稿阶段发现构图不对，改起来成本很低。

4.4 省Token的实际效果

我跑过一个小规模的测试。用同一个剧本——大约10个场景、30个镜头，分别用"直接生成渲染图"的方式和"DramaClaw线稿图+渲染图"的方式各跑一遍，对比Token消耗：

直接渲染方式：
  每个镜头平均生成4次才能满意
  30个镜头 × 4次 × 7个单位 = 840个单位

线稿图+渲染方式：
  每个镜头线稿平均试3次找到满意构图
  渲染平均1.5次搞定
  30个镜头 × (3次 × 1单位 + 1.5次 × 7个单位) = 405个单位

节省比例：(840 - 405) / 840 ≈ 52%

这个节省比例挺可观的。如果你的API是付费的（比如用Seedance 2.0或者可灵API），半个多月下来能省不少钱。

4.5 姿势编辑——线稿阶段的额外控制

在线稿图阶段，DramaClaw还提供了一个"姿势编辑"功能。如果你对AI生成的线稿中角色的姿势不满意，可以手动调整。比如角色原本是站着的，你想让他改成坐着；或者手的位置需要调整一下——这些都可以在线稿上直接编辑。

编辑之后的线稿再生成渲染图时，角色姿势会保留你的修改。这个功能对于需要精确控制角色动作的场景特别有用。

4.6 需要注意的点

线稿图机制也有它的适用范围限制。如果你是做写实风格的短剧，线稿图和最终渲染图之间的风格差异可能会比较大，在线稿阶段判断"构图是否合适"需要一定的经验积累。做二次元风格或漫画风格时，线稿和成品之间的对应关系更直观，判断起来容易得多。

另外，对于运镜比较复杂的镜头——比如推拉摇移跟——线稿图只能展示单帧的构图信息，无法体现运镜效果。这类镜头的把控还是要到视频生成阶段才能完成。

第五章 双模式工作流——规范流水线与自由画布的双轨并行

DramaClaw在创作模式上提供了两条路径：全自动主线工作流和无限画布模式。这两条路径不是互斥的，而是可以穿插使用的。我觉得这个设计兼顾了两种完全不同的创作习惯。

5.1 全自动主线工作流：把流程锁死，把下限兜住

这是DramaClaw最核心的创作模式，也是它与其他AI视频工具拉开差距的地方。

全自动主线工作流的本质是：把短剧创作拆解为一系列固定的、有序的环节，每个环节都有明确的输入输出界面，用户按照指引一步步走完。 类似一个带导航的流程，你不需要思考下一步该做什么，系统已经帮你安排好了。

整个工作流的大致顺序如下：

┌─────────────┐
│  上传剧本    │  → 支持标准格式，AI自动解析
└──────┬──────┘
       ↓
┌─────────────┐
│ 构建知识图谱 │  → AI提取角色/场景/道具信息
└──────┬──────┘
       ↓
┌─────────────┐
│ 角色资产管理 │  → 生成角色头像、三视角图、音色配置
└──────┬──────┘
       ↓
┌─────────────┐
│ 场景资产管理 │  → 生成场景参考图、搭建3D片场
└──────┬──────┘
       ↓
┌─────────────┐
│ 道具资产管理 │  → 生成道具参考图
└──────┬──────┘
       ↓
┌─────────────┐
│  生成脚本    │  → AI根据剧本与资产生成逐镜头脚本
└──────┬──────┘
       ↓
┌─────────────┐
│ 分镜线稿生成 │  → 每个镜头先生成草图确认构图
└──────┬──────┘
       ↓
┌─────────────┐
│ 渲染图生成   │  → 基于线稿生成完整渲染图
└──────┬──────┘
       ↓
┌─────────────┐
│ 视频生成     │  → 基于渲染图生成动态视频
└──────┬──────┘
       ↓
┌─────────────┐
│ 合成输出     │  → 所有镜头合成完整剧集
└─────────────┘

这个流程看起来很长的，对吧？我第一次看的时候也觉得"这么复杂"。但实际用下来发现，每一步的操作其实很简单——主要就是点几个按钮，等待AI处理，检查一下结果，然后进入下一步。

5.2 资产管理的精细化程度

工作流模式下，资产管理是我觉得做得最细的部分。这里展开说几个我觉得特别不错的设计：

角色管理支持多年龄段

你可以给一个角色设定多个年龄段——幼年、少年、青年、中年、老年，每个年龄段可以分别生成参考图。如果你的剧本时间跨度很大（比如主角从少年到中年的蜕变），这个功能能让角色在不同年龄段保持独立的形象身份，同时又不会让人觉得"换人了"。

举个例子，假设你的短剧主角叫阿明，剧本里他10岁的时候是个瘦小孩，20岁变壮了，40岁有了胡须。在DramaClaw的角色管理系统里，你可以建一个"阿明"角色，然后添加三个身份：阿明（少年）、阿明（青年）、阿明（中年）。每个身份都有一组独立的参考图。

身份管理系统

前面提到，角色在剧情推进中可能会产生身份的改变。比如皇子变成皇帝、学生变成老师、平民变成英雄。DramaClaw的身份管理功能允许你在不同剧集中分别为角色设定当前身份，每个身份可以有不同的服装、造型、状态描述。

这个功能是分剧集管理的——你在第一集里给角色设定为"流浪剑客"身份，到了第二集他变成了"护国将军"，那就需要在第二集中重新获取身份信息。AI会根据剧本文本自动识别身份转换。

音色分年龄段配置

每个角色、每个年龄段可以独立配置音色。支持三种方式：

• 直接录制：适合团队有自己的配音演员，可以现场录制音色样本
• 上传音频：上传不超过15秒的音频片段作为音色参考
• AI合成：使用内置的语音合成功能生成角色音色

这个功能对做系列化短剧特别有用。观众对角色的声音是有记忆的，如果第一集和第二集的声音不一样，会有明显的割裂感。分段配置音色能在角色成长变化的同时，保留声音的辨识度。

5.3 无限画布模式：给专业创作者的自由空间

如果说全自动主线工作流是为标准化生产设计的，那无限画布模式就是为自由创作保留的"后门"。

无限画布模式本质上是一个类似ComfyUI的节点式编辑器——你可以自由连线和编排各个模块。在这个模式下：

• 你可以跳过工作流中的某些环节
• 你可以自定义模块参数
• 你可以把工作流中生成的资产拖到画布上继续编辑
• 你可以创建自定义的工作流模板

这个模式的存在意味着DramaClaw并没有完全放弃灵活性。对于熟悉AI工作流的专业用户来说，无限画布是发挥创作自由的地方。

5.4 工作流与画布的联动

两个模式之间不是孤立的，而是双向联动的。你在工作流中创建的所有资产——角色卡、场景图、道具图、脚本——在无限画布中都是可见的，可以直接拖拽使用。

反过来，你在无限画布中调整的参数和配置，也可以保存为工作流中的自定义模板。下次走主线工作流时，可以直接套用你之前调好的参数配置。

我自己的用法是：前几集走主线工作流熟悉流程，流程熟悉之后，在无限画布里做一些定制化的调整——比如调某个镜头的参数、混入自己训练的角色模型、加一些工作流默认没有的特殊效果。调好了之后保存为模板，后续剧集的工作流就直接用这个模板跑批量。

5.5 两种模式的适用场景对比

第六章 导演智能体——给你配一个AI助理导演

前面说过，DramaClaw的设计思维是"导演思维"——它不是工具，而是片场。有了片场，有了流水线，接下来就需要一个"助理导演"来帮你协调整个片场的运作。

这个角色就是DramaClaw内置的导演智能体。

6.1 它能干什么

导演智能体本质上是一个基于大语言模型的对话式AI助手，但它和你在页面上见到的普通聊天机器人不一样。它连接着DramaClaw的各个子系统——剧本系统、资产管理系统、脚本生成系统、视频生成系统——并且拥有对这些系统的操作权限。

你可以直接通过对话向它发号施令，比如：

"现在项目推进到什么阶段了？"

"帮我检查一下第三集还有哪些镜头没有生成视频。"

"把这个场景里主角的站位调整到画面左侧。"

"第二集的女配角用第五集里那个新的音色配置。"

它都能听懂并执行。不需要你去菜单里翻找对应的功能入口。

6.2 它的工作方式

我自己的体验是，导演智能体更像一个"项目管家"而不是"生成工具"。

它的主要使用场景包括：

项目状态查询

当一个项目包含多集、每集又包含几十个镜头时，很容易忘记"做到哪了"。你直接问它，它会告诉你当前项目的完成进度，包括：剧本解析完了没有、角色资产是否完整、哪些场景图还没生成、哪些镜头处于待生成状态、哪些已经渲染完成等待合成。

资产检索与调用

DramaClaw的资产管理系统里会有大量的角色卡、场景图、道具图。找人找物的时候，不需要翻列表，直接告诉智能体你要什么。

操作执行

一些常用操作可以直接通过对话触发，比如"帮我重新生成第三集第五个镜头的线稿图"或者"把这个镜头的视频模型改成可灵3.0"。

6.3 和传统的AI助手有什么不同

市面上的AI视频工具大多也内置了AI助手，但它们的AI助手通常是"问答型"的——你问它怎么用某个功能，它回答一段文字。它不能操作工具本身。

DramaClaw的导演智能体是"操作型"的——它不但能回答问题，还能替你动手操作系统。这是两者本质上的区别。

我列了一个对比表：

6.4 一些使用上的心得

我在使用中发现了几个让导演智能体更好用的技巧：

问题越具体，回答越精准。 问"帮我看看角色"这样笼统的问题，它返回的信息可能不够用。但如果你说"帮我看看第三集里女主角的服装参考图是否已经生成了"，它能精确定位到具体资源。

操作类指令要包含明确的对象和动作。 比如"把第五集第二个场景的正面视角图转换成导演世界背景"，比"帮我处理一下这个场景"有效得多。

用于多人协作场景的效率更高。 如果你的团队有多人同时操作同一个项目，导演智能体可以作为"项目信息中枢"——任何人在任何时间都可以问它当前项目的最新状态，不用担心信息不同步。

6.5 一点期待

目前导演智能体还主要停留在"问什么答什么/让干什么干什么"的阶段。我比较期待它后续能进化到"主动建议"的阶段——比如检测到某个场景的线稿反复生成多次都不满意，主动提示用户是否要调整导演世界中的角色站位；或者发现某个镜头的渲染图色调偏离了风格设定，主动建议重新匹配场景参考图。

如果能做到这一步，那就不只是助理导演了，而是半个执行导演了。

第七章 实操全流程拆解——从剧本到成片的完整体验

理论讲了这么多，咱们来一把真实的操作。我用一个虚构的短剧项目走了一遍完整的流程，把每一步的关键操作和我的实际体会记了下来。

7.1 准备阶段：剧本格式

DramaClaw对剧本格式有一定的推荐要求，按这个格式写更有利于AI解析。它的标准格式如下：

第X集1-X场景:[内/外 地点 日/夜] 人物:
画面描述:[动作清晰，无多余修饰，直白描述]
角色A(表情/动作):台词内容
画面描述:
角色B(表情/动作):台词内容
画面描述:
角色A OS:内心独白内容

我用一个简短的例子来说明：

第一集1-1场景:[内 客栈大厅 日] 人物:林风,掌柜
画面描述:客栈大厅里人声嘈杂,林风推门走进来,环顾四周
林风(眉头微皱):一间上房,住三天。
画面描述:掌柜抬头打量林风,手上拨着算盘
掌柜(赔笑):客官来得巧,刚好还剩一间天字房。
画面描述:林风从怀里掏出一锭银子放在柜台上
林风(面无表情):不用找了。
画面描述:掌柜眼睛一亮,快速收下银子
掌柜(殷勤):好嘞!小二,带客官上天字房!

注意几点：画面描述要直白、动作清晰、没有多余修饰。对话写清楚谁说的、什么表情和动作。内心独白用"OS"标注。

7.2 第一步：上传剧本并构建知识图谱

剧本写好之后，上传到DramaClaw。上传后系统需要一段处理时间——具体时长取决于剧本长度和服务器负载。我测试的是一集大约2000字的剧本，处理时间大约2到3分钟。

处理完成后，你切换到"虾塘"（资产管理）界面，这里可以看到AI从剧本中自动提取出来的所有资产：

点击"自动提取"按钮，AI就会把剧本里的角色全部识别出来。第一次提取完后我建议花几分钟检查一下——有时候AI会把两个相近的角色混淆，或者漏掉只在某些场景中出现的小角色。

7.3 第二步：角色资产配置

切换到虾塘的角色界面，你会看到所有被识别出来的角色列表。这时候需要做几件事：

生成角色头像

每个角色都需要一个头像。DramaClaw会根据剧本中对该角色的描述来自动生成。如果生成的头像和你的想象有出入，可以多次生成直到满意为止。

生成三视角参考图

这是关键的一步。三视角包括正面、侧面和背面各一张参考图。这些图是后续所有分镜生成时角色形象的"基准"——所有镜头里的角色都会参照这三张图来生成，从而保证跨镜头的一致性。

配置音色

音色配置支持三种方式：

┌─ 音色配置方式 ─────────────────────────┐
│                                         │
│  方式一：直接录制                        │
│  适用场景：有配音演员现场录制            │
│  操作：点击录制按钮，录制一段音频样本    │
│                                         │
│  方式二：上传音频                        │
│  适用场景：有现成的音频素材              │
│  注意：音频长度不超过15秒                │
│                                         │
│  方式三：AI合成                          │
│  适用场景：没有配音资源                  │
│  操作：选择声音风格，自动生成            │
│                                         │
└────────────────────────────────