输入一个主题关键词，自动产出可发布的AI漫剧短视频。本文提供完整搭建思路和核心配置要点。
为什么AI漫剧值得做？
2024年8月，国务院发布"人工智能+"行动意见，明确提出：
利用人工智能辅助创作更多具有中华文化元素和标识的文化内容，壮大文化产业。
政策的风向已经很明确了——AI内容创作正处于政策红利期。
另一个信号：B站近期发布了AI创作大赛，总奖池300万，单项最高奖励100万。这说明什么？平台正在用真金白银推动AI内容生态。
当然，政策红利期不会永远存在。教培行业的"双减"、加密货币的"全面禁止"，都是一夜之间风向逆转的案例。懂得顺势而为的人，才能在红利期吃到肉；不懂的人，可能连汤都喝不上。
这条流水线能做什么？
一条完整的AI漫剧自动化生产流水线，包含以下能力：
整体架构设计
输入 → 处理 → 输出
用户输入：主题关键词（如"修仙漫剧"）
↓
[LLM] 剧情脚本生成（输出：画面提示词 + 视频描述）
↓
[选择器] 校验输出有效性，无效则终止（节省资源）
↓
[批处理-图片] 根据画面提示词批量生成分镜图片
↓
[批处理-视频] 将图片转化为动态视频片段
↓
[循环检查] 轮询视频生成状态，确保5个片段全部完成
↓
[代码处理] 清理空数据，整理时间轴
↓
[视频聚合] 5个片段合并为完整视频
↓
[格式转化] 转化为剪映可导入格式
↓
[剪映导出] 创建草稿，用户可直接下载
核心节点配置要点
1. 开始节点
设置两个输入变量：
prompt | ||
key |
2. 脚本生成节点（大模型）
输入： 开始节点的 prompt
输出： 两个变量
image：画面提示词数组（用于图片生成）video：视频描述数组（用于视频生成）
核心提示词思路：
将主题拆解为5~10个关键场景 每个场景输出画面描述（图片生成用）和动作描述（视频生成用） 保持叙事连贯性
3. 选择器节点
判断脚本生成是否成功：
image和video均存在 → 继续执行任一缺失 → 直接终止（避免浪费API调用）
4. 批处理-图片生成
循环配置：
并行数量：1（避免并发触发频率限制） 批处理上限：100（足够覆盖大多数场景）
内部节点：
图片生成节点（通用Pro模型） 根据需要选择横屏（16:9）或竖屏（9:16）比例
5. 批处理-视频生成
循环配置：
并行数量：1 批处理上限：100
内部节点链：
提示词固定节点：将视频描述转化为英文提示词（模型对英文识别更准确） 视频生成节点： 输入： key（API密钥）、prompt（固定后的提示词）、image_url（上一步生成的图片地址）
6. 视频整合节点（代码）
将批量生成的视频片段整合：
输入：批处理输出的 data_list输出：5个视频ID（ id1~id5）
7. 循环检查节点（关键！）
为什么需要5个循环？视频生成是异步过程，需要轮询查询生成状态。
每个循环的结构：
视频状态查询节点：检查单个视频片段的生成状态 状态判断选择器： status = 0（完成）→ 输出URL，退出循环status = 1（失败）→ 终止循环status = 2（进行中）→ 等待后重新进入循环
8. 数据清理节点
批量生成可能存在空数据，需要用代码节点过滤：
输入：循环输出的URL列表 输出：清理后的有效数据
9. 视频聚合节点
将清理后的分镜视频片段合并：
输入：清理后的 data数组输出：聚合后的完整视频
10. 视频裁剪节点
对聚合视频进行裁剪处理：
设置并行数量为1 批处理上限100
11. 格式转化节点
将视频转化为剪映可导入格式：
输入：裁剪后的URL列表 输出：剪映格式的视频数据
12~13. 剪映草稿节点
创建剪映草稿箱 将视频添加到草稿中
14. 结束节点
输出最终视频的下载链接。
关键设计考量
为什么用循环而不是批处理检查？
批处理适合"一次性批量执行"，但视频生成是异步的——你提交任务后，模型在后台渲染，需要不断查询状态。
用循环可以：
实时监控每个视频片段的生成进度 单个片段失败时及时终止，避免浪费 控制查询频率，避免触发API限制
为什么提示词要用英文？
视频生成模型（如可灵、海螺等）对英文提示词的理解更准确。中文提示词容易出现语义偏差或画面失控。
建议流程：
脚本阶段用中文写描述（便于创作者理解） 视频生成前将描述转化为英文提示词
可拓展方向
这条流水线的核心逻辑可以迁移到多个赛道：
总结
这条Coze工作流实现了从"一个关键词"到"一条完整AI漫剧视频"的自动化生产。搭建完成后，只需更换输入主题就能批量产出不同风格的漫剧内容。
核心价值：
? 节省90%以上的手工制作时间 ? 成本可控：主要消耗在视频生成API，可按需调整 ? 可复用：换提示词就换赛道
对于想做AI内容矩阵的朋友，这条流水线是起点而不是终点——后续可以根据具体需求持续优化。
