剧本节点输入归一化:文本来源、版本与下游引用

以下对象字段、状态名和代码是同类短剧系统的设计示例,供工程评估使用,不代表嘟哩已公开的接口或内部数据库结构。嘟哩的产品流程以当前手册和实际版本为准。

剧本节点接收的输入不只有一种:用户可能直接编辑文本、上传已有剧本,也可能上传小说后由模型改编。如果系统只保存最终正文,下游很难回答"这版剧本从哪里来、改过什么、主体提取使用了哪一版"。

嘟哩剧本节点提供自写、上传和小说转剧本入口,并把剧本放在画布中继续优化和分集。若自行实现类似链路,建议显式保存来源与版本,而不是把所有操作覆盖到一个文本字段。

嘟哩剧本节点及后续制作入口

字段 含义 生成时检查

script_id 稳定剧本标识 同一剧本修订不新建无关身份

source_type manual/upload/novel_adapted 记录输入来源

source_ref 上传文件或上游节点 校验用户访问权限

revision 剧本版本 下游节点引用具体版本

review_state draft/reviewed/approved 未确认版本是否允许下游批量执行

建议流程:

input -> normalize -> draft revision -> human review -> optimize -> downstream refs

小说改编任务还要区分原文与改编文本,保存章节范围、用户指令和模型输出版本。改编结果为空、上传文件解析失败或上游版本已更新时,应阻断下游自动推进并提示重新确认。

例如分集节点引用 script_id + revision,主体提取也保存相同引用。修改剧本后,系统可提示哪些主体和分集基于旧稿,而不是静默覆盖。

MVP 可以先做单项目、多版本、明确确认和下游引用,不必第一版就实现复杂 diff 或协同冲突合并。AI 生成稿不能自动视为定稿,人物关系、情节取舍和版权仍由内容负责人确认。

对于长文本,章节拆分要保留原文定位。可用 source_document_id + chapter_id + paragraph_range 指向来源,而不是只留上传文件名;若导入格式无法识别段落,可退化为页码或文本偏移,并把定位精度标为近似。

版本并发修改也需处理。编剧和 Agent 同时基于 v3 修改时,先提交的一方创建 v4,后提交的一方不能静默覆盖;可让用户重新基于 v4 生成,或把后续修改另存为候选分支。首期不必做在线协同编辑,但至少要提示版本冲突。

验收数据可覆盖纯文本、带目录的 Word、扫描 PDF、重复文件名、空文本和超长文档。检查解析结果、来源定位、失败提示、版本号和下游引用,避免接口成功但内容没有正确进入制作。

事件记录与下游失效策略

剧本节点每次保存可记录 script_revision_created、revision_approved、source_replaced 等事件。事件用于审计和恢复,不一定全部暴露给普通用户。用户查看版本历史时,至少能看到创建人、时间、来源类型和当前状态。

下游失效不宜简单删除。假设分镜引用 v3,剧本更新到 v4 后,系统可以标记分镜为 stale,仍允许预览 v3 结果;用户确认后才重拆受影响场次。这样项目中保留了"历史上用过什么"和"现在推荐什么"两种信息。

可以为节点输入定义校验器:上传对象存在且可读、文件类型受支持、正文非空、字符数在处理范围内、用户有项目编辑权限。校验失败返回具体问题,例如"文档解析为空"或"当前账号无该文件读取权限",避免统一显示"生成失败"。

小结:把输入变成可追溯对象

自写、导入和小说改编最后都可以形成 ScriptRevision,但来源、原文范围和任务约束应保留。节点模型的主要收益是下游知道自己使用了哪一稿,失败时可以回退,修改后能识别受影响对象。版权判断和改编取舍仍属于业务流程,不能由版本状态自动推断。

重试解析,不能重复触发付费改编

将文件导入拆成 upload、parse、normalize、adapt 四步,每步输出独立标识。解析已成功、改编超时时,应使用现有解析文本恢复,不能把文件重传视为唯一恢复方式。相同文件名也不能作为去重依据,至少结合内容摘要和用户选择的改编范围。

可采用以下校验顺序:

check_read_permission(source)

parsed = load_successful_parse(source_revision)

assert parsed.scope_covers(requested_chapters)

create_adaptation(input_ref=parsed.id, base_revision=current_revision)

原文只有部分章节解析成功时,返回可见范围和缺失范围;禁止用空字符串代替缺失章节继续生成。用户可以缩小任务或换文件,系统不用猜测缺失剧情。

验收时尤其关注后续引用:同一场次改过两版,主体节点是否仍能指出输入版本;批准新稿后,旧分镜是否保持可追溯。嘟哩支持从剧本节点继续优化和分集,这是使用流程;上述去重和恢复机制是同类系统实现建议,不应被当作现有接口说明。

相关推荐
小小AK1 小时前
仓库调拨单同步实战:从营销云调拨出库到金蝶云星辰调拨单的一次完整落地
人工智能
电子元件小说家1 小时前
2026年秋季开关与编码器行业观察:应用趋势与选型验证建议
人工智能
小瓜6691 小时前
2026 科普:企业级 Work Agent 的基础能力框架
人工智能
high一马平川1 小时前
# SystemUI Dagger2 精读 · 第 2 章 @Inject:1200 处构造注入,和 1 处例外
android·java·kotlin
Mr Robot1 小时前
AI 赋能光伏发电量预测:从特征工程到 LSTM/XGboost 双基线实战
人工智能·能源
迪飞特科技1 小时前
大模型接入业务系统:API、本地部署、RAG、智能体四种路线怎么选
java·数据库·人工智能·知识图谱·deepseek·本地化大模型
狂奔solar1 小时前
Harness²:Google 如何让 AI 自己“调教“AI——递归代理优化框架深度拆解
人工智能
viperrrrrrrrrr71 小时前
SFT 微调指南
人工智能
海姐软件测试1 小时前
Python 自动化与 AI 结合:基于 Jenkins 的回归验证实践
人工智能·python·自动化