直播切片软件智能化改造为AI Agent实现自主思考

自动剪辑工具在行业内已有众多尝试，但大多数方案仍停留在“脚本+UI”的固有模式：用户点击按钮，系统按预设流程执行。这一次，我们彻底改变了设计思路——将控制权从界面表单移交给智能Agent。系统不再是简单的命令执行者，而是一个围绕用户目标持续沟通、自主做出决策的协作伙伴。

具体而言，用户上传视频并描述剪辑需求后，整个剪辑流程将被视为一个完整的任务来推进：当前目标是什么、视频是否已上传、候选片段生成到哪一步、哪些片段已被选中、导出是否已确认——所有这些状态信息都会整合到同一任务时间线中流转。

系统随后会自动执行一系列剪辑操作。用户只需点击某个选项即可导出对应片段。后续如果用户提出“导出第1个”“打开输出目录”或“停止任务”，Agent都能基于当前任务状态实现无缝响应。

架构概览

本次升级的核心目标，是从UI表单驱动的控制逻辑转向Agent驱动的循环机制。整个Agent的设计思路如下。

一、核心转变：从“点击按钮”到“推动任务”

传统模式的本质是“用户点击按钮→系统执行固定流程”。现在则完全不同：系统围绕一个任务持续对话、调用工具、读取实际产物，并在关键节点请求用户做出决策。Agent会根据当前任务状态、候选片段、产物信息以及用户的指令，自主判断下一步应该采取什么行动——是读取状态、生成候选、请求确认，还是导出片段。

二、模型负责决策，工具负责执行

现在的主入口是Agent页面。用户消息首先进入统一的Agent通道，由模型判断下一步操作。需要特别强调的是，模型不能直接操作文件或随意执行命令——它只能调用系统中已注册的工具，例如生成候选、读取状态、查看产物、请求导出确认、正式渲染、停止任务、打开输出目录。

这一点至关重要：Agent的“自主性”并非没有边界，而是在明确的边界内自主选择下一步行动。业务动作依然沿用原有的稳定剪辑流水线，Agent只负责理解上下文、选择合适工具，并将工具的执行结果带回对话中。

三、上下文压缩：只向模型传递有效信息

在视频剪辑任务中，字幕、日志、候选池都可能非常庞大。如果每轮对话都将完整内容传递给模型，不仅成本高昂，还容易干扰模型的判断。因此，这一版本采用了静态上下文压缩策略。

具体做法是：用户的原话、最近的对话记录、已选出的候选片段以及关键状态信息被优先保留；较新的长篇工具结果会进行截断处理——保留开头和结尾，中间插入省略标记；更早的工具结果则会被精简——将原始长内容替换为占位符，仅保留阶段信息、产物路径和回溯线索；超出最近窗口的历史记录则被整理成任务摘要。

这样一来，模型默认看到的是清晰的任务状态和关键证据。当需要了解更多细节时，再通过工具读取完整的字幕、日志或候选详情。

四、导出与停止必须经过确认

视频导出和任务停止都属于有副作用的操作——它们会占用系统资源、生成文件，或者中断当前流程。因此，Agent可以建议导出，也可以请求确认，但在用户没有明确确认之前，不能直接执行。停止任务也遵循同样的逻辑。

在这类内容生产工具中，一个比较稳妥的原则是：AI负责整理候选素材，人负责最终判断，系统负责稳定执行。具体的剪辑工作流如下所示。

源码对应关系

Part 1：任务时间线

对应文件：scripts/agent_core.py

这一层将一次剪辑任务变成了可追溯的时间线：用户说了什么、Agent调用了什么工具、工具返回了什么结果，都会按顺序记录到本地JSONL文件中。

Part 2：模型决策与工具执行

对应文件：scripts/agent_core.py

Agent每一轮都会读取任务上下文，让模型判断下一步操作。如果模型选择调用工具，就通过注册表执行；工具的执行结果再写回时间线，进入下一轮判断。

Part 3：受控工具集合

对应文件：scripts/ui_server.py

ToolRegistry是工具的白名单，模型只能调用这里注册过的工具。模型不能直接操作文件或执行命令，这是实现Agent可控性的关键所在。

Part 4：导出与停止确认

对应文件：scripts/ui_server.py

导出和停止都是有副作用的操作，因此模型可以提出建议，但不能绕过用户的确认环节。

Part 5：上下文压缩策略

对应文件：scripts/agent_core.py

当前采用的是可用的静态压缩方案；标准做法会进一步引入Token预算、结构化召回、自动回溯以及更强的程序层校验机制。