从商品图到营销视频：Hilight 的多智能体生成流程

通过商品知识图谱补充信息，减少模型幻觉

与只识别商品名称的方式不同，Hilight 会把商品拆解为材质、版型、颜色、外部组件和内部结构等多维属性，并尽可能描述核心卖点与关键细节。这样，无论是正面、侧面还是细节特写镜头，模型都能获得更完整的参考信息，减少生成视频时“凭空想象”的风险，也为后续自检与修正提供参考标准。

比如，当我们上传一张“西装”图片的时候，通过这层处理，模型获得的信息就会变成：“这是一款采用优质羊毛面料的西装，整体修身剪裁，肩部挺直，线条立体，采用经典双排扣设计与精致翻领装饰，带有前胸和下摆口袋，以深蓝色为主色，内衬为浅灰色，肩部内置轻薄衬布支撑骨架和适度填充的肩垫”。

有了这些信息，AI 在规划视频脚本和切换商品特写镜头时，可以更准确地还原商品，减少因信息缺失造成的特征漂移，为主体一致性提供基础。

通过镜头级的素材处理机制，解决多镜头创作难题

除了商品信息外，视频生成还依赖商品素材。Hilight 支持直接导入电商平台的商品链接或一张商品图来生成视频：

它会基于原素材进行 AI 派生扩增，丰富可用素材矩阵，从而降低拍摄门槛。

在整个过程中，Hilight 会对原始素材进行过滤净化、重点强化和场景化适配。

提取商品相关素材后，系统会通过 AI 算法剔除模糊、冗余、背景杂乱或干扰元素过多的低质量素材，优先保留商品主体清晰、特征完整的素材。

同时，结合商品核心卖点、剧本创意和镜头需求，重点强化相关的镜头素材，对关键信息进行突出，并弱化无关的背景，为不同的镜头适配不同的首帧场景图。

以一件卫衣为例，不同图片可能分别展示毛领、版型、袖口或整体穿搭。系统在选用素材时，会尽量为每个镜头匹配更贴合的参考：展示保暖性时使用近景毛领素材，展示版型时使用全身场景素材，并适配下雪外景。这样既能提升单个镜头的画面质感，也能让全片的商品细节和风格更一致。

在这一素材处理机制下，系统可以更充分地利用商品素材，为多镜头创作提供基础，同时减少画面雷同和单调的问题。

通过 N 宫格拼图输入策略，让模型“看全商品”

一段短视频在 10 秒内可能出现 3–8 次镜头切换、场景变化或卖点转换。在这类内容中，仍可能出现实体变形、物理穿模或事实逻辑不符等问题。

还是以一件卫衣为例，如果仅提供卫衣的正面图，那么模型在生成侧面、背面、上身镜头时，就只能“凭空想象”，自然容易出现偏差。 

针对这一问题，Hilight 使用多图拼接和首帧参考机制。系统会将商品的正面、侧面、背面和细节特写组合成 N 宫格输入，让模型在生成复杂镜头时拥有更完整的参考信息，帮助商品在镜头切换时保持核心特征。首帧参考机制则利用连续镜头的首帧信息，让镜头过渡更自然，并减少画面跳跃和细节错位。

这种方法可以缓解多镜头之间商品特征不连贯的问题。

Hilight 的 N 宫格输入机制：

通过强约束逻辑，做到数字人模特的一致性

不仅是商品，为了做到人物的一致性，Hilight 对视频中的数字人模特同样采用了强约束逻辑。

系统会为数字人构建专属的核心形象模型，在基础身份、姿态动作、场景适配等层面施加约束条件，减少 AI 视频中常见的“人设漂移”“动作失真”。

相比发散式生成逻辑，这种“受控表达”的方式更接近真实商业拍摄中对模特与演员的管理方式，也有助于提升整体真实感。

此外，Hilight 也为每个数字人建立了核心形象知识库，涵盖身份属性（性别、年龄、身型）、动作属性（姿势、行为特征）和场景适配属性（商务、休闲、户外等）。系统可以提前复用已有数字人模型，也可以在实时场景中动态调整非核心细节，从而实现“基准不变、细节可调”的原则。

多 Agent 联动机制贯穿创意拆解、数字人选择和动作生成等环节，用于提高数字人与商品、场景的匹配度。例如，系统可以根据剧本要求调整动作或穿搭，同时校验核心特征，减少数字人在动作或场景变化后出现明显身份漂移的情况。

多 Agent 全链路校对，守住一致性的最后一道防线

流程的最后一层是智能自检和动态修正机制。

即使经过前期优化，生成视频仍可能出现手持商品比例不当、人物动作穿模或材质细节偏差。为此，Hilight 使用智能自检 Agent，在视频片段生成后进行两类校验：

1）实体一致性校验：

对比视频内容与主图的颜色、版型、材质和关键组件，检查核心属性是否出现明显偏移。

2）物理逻辑校验：

检查人物与商品的交互是否合理，是否存在穿模、不合理遮挡或违背常识的场景。

发现问题后，系统可以触发回退与修复，尽量在交付给用户前处理明显偏差。这相当于把一部分原本依赖人工完成的质量检查转化为系统能力。

从商业可用性的角度看，主体一致性不是附加优化，而是判断生成内容能否进入后续制作和投放准备流程的基础条件。

因此，Hilight 没有把主体一致性只交给单一生成阶段处理，而是通过信息完整性、多视角融合和闭环校验等机制共同控制结果。

多智能体架构：十几个 Agent 的协作过程可视化

查看十几个 Agent 的协作过程

不少 AI 视频工具仍以“一个模型 + 一个提示词”的方式生成结果，随机性相对更高。相比之下，专业营销视频制作通常需要多个角色协作、反复调整和更细致的过程控制。

Hilight 的一个核心判断是：专业营销内容通常不是一次生成完成的，而是多个角色反复协作的结果。

因此，Hilight 没有把 AI 视频生成设计成“一个模型 + 一个提示词”，而是参考近 10 年的视频营销案例，将专业制作团队中的部分协作方式拆解为营销视频多智能体架构：

在 Hilight 中提交视频创作任务后，系统会调度多个智能体分工执行：

第一步是理解用户需求和已有素材。多个智能体会把品牌信息、商品素材和目标受众整理为可执行的创作指令，并参考平台内容趋势，让产品卖点和营销策略在制作开始前形成更明确的方向。

接着进入创意与结构层。智能体生成叙事角度和视觉钩子，把创意拆解为分镜脚本，再为每个镜头选择合适的素材并优化画面。这一过程类似导演与美术指导的协作，用于协调营销逻辑、视觉标准和品牌调性。

最后进入执行环节，系统把分镜和素材转化为视频资产。剪辑智能体完成时间轴级编辑并生成适配不同平台的版本，质检智能体则检查细节和逻辑问题，并把结果反馈给系统。这一层让视频为后续上线投放做好准备，同时减少人工反复修改和校验的工作量。

多智能体体系的重点不只在数量，还在于不同智能体能够判断结果、提出修改并触发回退。多轮协作可以减少一次生成后整体推翻的情况，系统也可以根据经过验证的内容表现和平台规则持续调整创作方式。

换句话说，Hilight 不只关注单次生成，也试图建立一套更系统化的视频生产流程，帮助企业以更可控的方式持续制作内容，并逐步从单次实验走向规模化运营。

慢思考模式：先评估，再生成

在 AI 视频生成场景中，速度经常被放在很突出的位置：几秒钟、一键生成、快速成片。

Hilight 并不只追求生成速度，而是采用更接近专业视频团队的工作方式：先评估，再执行。

Hilight 的慢思考，本质上是一种回调、评估和修正机制。智能体在处理上游结果时会进行校验；如果结果不符合标准，系统可以回退并重新生成。

在评估标准上，Hilight 更关注内容可用性，而不仅是视觉美感。根据 Hilight 内部测试，其基于视觉语义的质量判别模型在识别低质量视频时，召回率达到 96.3%。

这意味着视频在完成前可以经过多轮内部评估和调整，而不是只依赖一次生成结果。

为什么要“慢”？因为营销视频本身存在天然风险：

1. Logo、文字和纹理等细节在生成过程中容易出现偏差

2. 复杂动作和多镜头逻辑也很难只通过提示词控制

Hilight 通过慢思考，把剪辑和生成结合起来，模拟真实制作流程：先由导演智能体生成分镜脚本，明确哪些镜头必须使用实拍素材（如核心商品），哪些镜头可以由 AI 派生（如背景、转场、氛围）；再分别调用剪辑和生成引擎，最后做时序对齐与画面融合。

这种“慢”并非单纯延长等待，而是为评估和修正留出时间。视频会经过洞察、创意、策划、素材匹配和剪辑等环节，使一部分潜在问题有机会在交付前被发现和处理。

这种以回调与校验为核心的工作方式，也是近年来行业关注的方向。随着模型“思考过程”被更多用户看见，大家也更容易理解：复杂任务往往需要先拆解、再评估、最后执行。

Hilight 将这一理念应用到营销视频生产中，通过有限等待换取更多评估和修正机会。相比一次性生成，慢思考模式有助于提高成片的可控性、稳定性和复用价值。