题目重点：Video generation/agent RL 初筛的开放设计题；从故事大纲到镜头生成、跨镜头核验和人类审阅，估算一小时规模。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 训练目标为可观看的 60 分钟成片，允许人类给故事主题并在关键节点审稿；片长 3600 秒，不推定端到端全自动高品质。
- 可用的文本、图像、视频、语音和剪辑工具均为可替换模块；具体模型能力、时长上限、成本和版权许可未在题目公开。
- 先把成功定义为叙事连贯、角色/场景/声音一致、时间/预算可控及有可追溯编辑记录；质量评分需结合人评而非单个自动分数。
解题路线
- Planner 把主题拆成三幕/段落/场景，再拆成镜头；给每幕目标、冲突、角色状态和连续性约束，形成可验证的 story bible。
- 为角色外观、服装、声音、地点、道具和时间线建立全局 ID 与参考资产；镜头生成 agent 读取局部脚本和全局状态，输出视频、音轨、元数据与使用的版本。
- Validator 逐镜头检查技术质量，跨镜头比角色身份、服装、空间方向、物件状态和因果剧情；发现不一致生成修复任务，不直接全片重做。
- Editor agent 排镜头、过渡、对白、音乐/音效与字幕；每个场景给人审 checkpoint，对故事节奏和情感转折做主观评估。保留可回滚版本和素材来源。
- 估算规模：若平均镜头 5 秒，60 分钟约 720 镜头；若一次通过率 p，每镜头平均尝试数约 1/p，总生成尝试约 720/p，另加转场/重剪。先做 1–2 分钟试播集测 p、成本与连续性，再决定能否扩到一小时。
手动走一遍
训练片段：角色进入室内时左手拿红伞，下一镜头坐下，后续镜头不能无因变成蓝伞或换手。story bible 存 ‘scene_12: red umbrella, left hand’；validator 发现偏差后重生成该镜头或在剪辑中补交代。剧情层面若角色已离开城市，下一幕再出现需给时间/地点转移说明。
规模与取舍
镜头数 M≈3600/平均镜头秒数；平均成功率 p 时生成调用约 M/p。全局检查每镜头与上一镜头 O(M)，若任意镜头两两比较 O(M²) 不经济，应按角色/场景索引检索相关镜头。存储随视频码率×3600 秒及失败版本数增长；具体算力/成本题目未明确。
易错点与追问
容易失分的边界
- 把一小时输入单个 prompt，当作模型可直接一次生成。
- 只评单镜头画质，不看角色、服装、道具和剧情连续性。
- 用自动指标替代人类对叙事节奏和情感效果的判断。
- 没有预算/重试上限，局部修复无限循环。
- 把版权、素材许可和人物肖像问题留到成片后才查。
继续深挖
- 如何从 2 分钟试播集估计一小时预算？
- 角色在相隔 100 镜头后回归，怎样检索并保持一致？
- agent 间状态冲突时由谁仲裁？
- 如何让人类修改剧情后只重做受影响的镜头？
