Meta 最近公开了一套 Agent 系统，有个细节挺有意思。系统里有 14 个专业 Agent，负责调度它们的编排器，自己既不写业务代码，也不生成配置。它只管任务怎么分派、执行条件有没有检查好。
一个 Agent，到底该管多少事？
把这个问题放进实际应用里，就具体多了。文案生成出来，用户还要改。改完以后拿去做视频，任务得知道用哪一版；生成过程中需要重试，也得先弄清楚外部服务是不是已经在处理。模型给出内容以后，这些事还得由应用接着处理。
我们做的灵泡泡工作台，把分析、文案创作和视频生产接在了一起。分析按固定工作流执行，成稿交给 Agent，视频生产由独立的任务系统处理。
工作台与 Agent 的协同架构
灵泡泡里的分析和创作都会调用模型，但两类任务留给模型的选择空间不同。分析需要从文字稿中提取结构，形成总结和选题依据，处理顺序可以预先确定。成稿则要围绕选题组织表达，结合目标平台的文体要求完成文章。
工作台接收公开视频链接或本地上传的视频，将其转换成带时间戳的文字稿，为分析和创作提供共同来源。视频、文字稿和后续生成结果都留在工作台内管理。
**分析采用固定工作流。**做全文解剖时，先把文字稿分片，逐批生成局部结构笔记，再综合成完整报告。做要点总结时，先生成思维导图，再据此撰写摘要。生成选题卡时，先规划不同切入点，再逐条产出。这些步骤的输入和输出形态都由业务代码确定，上一步的结构化结果进入下一步。
**成稿交给 Agent。**用户选定一张选题卡，再指定目标发布平台，工作台就把这次创作需要的信息组织成输入，交给 Agent 生成可编辑文案。
工作台在发起生成时，会保存灵感、文字稿修订、目标平台和 Agent 版本的快照。交给 Agent 的原文依据收敛为数条已经核对的短引文，完整文字稿与素材继续留在工作台内。
平台与写作风格的映射维护在 Agent 平台的提示词配置中，多种平台可以复用同一个写作 Skill。需要调整写作策略时，发布新的 Agent 版本，业务代码保持稳定。
生成期间，工作台会呈现连接、分析、检索、阅读来源、撰写和定稿等阶段，让用户看到当前在做什么。
AI 生成内容的质量与版本管理
我们在分析工作流里按不可信输入处理模型产出。引用内容必须逐字出现在文字稿中，对应的时间位置由服务端按段落回填。选题卡将引用与时间位置一起呈现，用户可以对照文字稿查看依据。
引用匹配检查的是来源对应关系。分析结论是否恰当、创作表达是否合适，仍需要在相应业务环节判断。
选题卡不合格就丢弃，亮点引用逐字对不上就剔除。校验失败时，流程允许一次定向修复；修复后仍不符合要求，就将本轮判为失败，需要重新发起。
全文解剖结果还会与文字稿的内容哈希一起保存，用来标明分析当时所依据的文本。
成稿涉及外部事实时，Agent 会通过检索取得与表述直接相符、可以打开的来源，并随稿输出。未能核实的表述会调整措辞，用户在编辑时可以回查依据。
文案生成后，编辑会产生新修订，重新生成也会保留历史版本。用户保存文案后，即可用这份修订发起成片。
**成片任务创建时，会锁定所选文案的修订。**此后用户继续编辑，变化属于新的修订，正在执行的任务仍使用创建时绑定的内容。旁白、画面和字幕都围绕这份输入组织。
多媒体生产的统一任务体系
一次成片涉及旁白、画面、合成和字幕，输入彼此关联，执行时间也各不相同。我们用统一任务体系管理输入和执行状态，通过执行接口接入外部媒体能力。
**成片先确定时间轴。**用户可以选择 AI 配音、上传旁白或无旁白模式。AI 配音允许选择音色和语速；有实际音频时，画面编排依据旁白时长进行。无旁白模式按中英文断句估算阅读节奏，为画面安排时长。
系统按文案顺序提取画面关键词，从素材库检索片段，或调用视频生成服务取得画面，再按旁白时长逐段匹配。画面来源由用户显式选择，任务沿着选定的来源执行。
画面、旁白和背景音乐组成多轨剪辑方案，通过统一执行接口交给媒体合成服务处理。业务侧管理文案修订和任务结果，具体的供应商调用留在执行侧。
字幕时间轴来自语音识别的句级定位。成片与字幕作为两段独立任务执行，各自保留幂等和恢复机制。
重试前要先弄清楚外部服务是否已经在处理。请求已提交、本地却尚未取得结果时，再次提交可能产生重复任务。我们会先恢复供应商侧已经存在的任务，尽量继续取得原结果，减少重复提交；实际计费仍取决于供应商的规则。
多个执行尝试之间需要隔离。attempt 区分不同执行尝试，租约限制执行实例的有效范围。旧实例迟到时，系统依据这些信息判断结果是否仍可接纳，避免干扰当前任务。
任务进入取消状态后，随后到达的结果不能把它改成完成。这项保护约束的是应用内的终态，外部服务的处理过程由对应服务管理。
最后，成片经过格式、时长和可读性校验，转存到自有对象存储，再交给用户。
写在最后
灵泡泡的内容拆解、成稿和一键成片已经完成开发并通过端到端验证，目前处于试点验收阶段。
回到开头的问题，Agent 该管多少事，要从用户最终怎样使用结果来决定。生成后的编辑、保存和执行，都需要在应用设计之初安排好。对我们来说，AI 应用工程化的价值，就体现在这些具体的安排里，让模型产出的内容能够被人修改，被后续任务使用，最终形成可用的产物。
还在孤军研究 AI 工程化、AI 编程、Agent 落地，没人同行交流、没人拆解实战？ 这里汇聚一线技术从业者，专注代码评审、企业内部 AI 助手真实实战落地。 想紧跟 AI 前沿动态、交流工程落地经验、少走踩坑弯路，欢迎直接加入「花椒技术交流群」。 群内专属福利拉满：每日精选 AI 行业日报、文章独家延伸资料、文中未展开的技术细节，全部同步共享。 如果二维码过期，可在私信回复「技术群」获取最新入群入口。