两个AI智能体自主请求做视频，批准前绝不渲染

整体流程概览

Michael Gannotti 自研的两个 Hermes 智能体 Aiona、Liam，现在可以自主向他的 Grok Bot Video Studio 提交视频制作请求。两个智能体都运行在他的本地设备上，当智能体发现值得做成短视频的选题时，就会通过 webhook（网络钩子，一种 HTTP 回调接口）向视频工作室发送渲染简报，在 Gannotti 本人批准前，工作室不会启动任何渲染流程。简而言之，这是一条“智能体选题 → 提交简报 → 人工批准 → 本地渲染 → 人工审核 → 发布”的自动化流水线，而审批点始终留在人手里。

这套流程产出的是 9:16 比例的竖版短视频，由虚拟 AI 主持人对着镜头口播，配合口型同步效果；剪辑时会在口播片段周围插入信息卡片、字幕和片尾署名。图像生成与口型同步配音由 Grok Imagine 的图生视频能力完成，后续的剪辑、图形制作、响度标准化、质量检测全部通过 ffmpeg、Pillow、numpy、faster whisper 在本地运行。

锁定主持人形象

流程的第一步是锁定主持人形象。每个主持人都有专属的锁定文件，所有生成提示词都必须遵循文件要求：包含参考图、720×1280 分辨率的起始帧、外观文字描述、语音提示、音标拼写和主题色。Aiona 的形象是波浪紫发、藏青色西装外套，背景是高层办公室，主题色为紫色；Liam 的形象是戴深色眼镜、穿炭灰色毛衣，背景是带白板的工程工作区，主题色为青绿色。音标拼写的作用比想象中更重要，提示词里会把 Aiona 的名字拼为 Eye-ona，避免生成系统读成 Iona，字幕里则保留正确拼写。这一步保证了后续所有镜头在形象上保持一致。

准备多角度镜头素材

为了在多镜头切换时避免人脸漂移，每个镜头角度都从锁定起始帧生成的静态图开始制作，这些静态图可以跨项目复用。Aiona 的循环方向视频在 5 个角度的 9 个口播片段间切换，包括中景、特写、四分之三侧景、带咖啡的窗边镜头、行走镜头，全程没有生成新图像，所有角度都来自她的介绍页静态图。

拆解脚本并逐行生成

脚本会被拆成 6 到 10 秒的片段，匹配 Imagine 单条 8 到 10 秒的生成时长，每一行对应一次生成。字幕文本保留正确拼写，提示词里使用音标拼写。所有提示词末尾都会加上“禁止生成文字”的条款，保证屏幕上出现的所有文字都由代码生成、可被校验。每一次生成都被记录在台账中，和计划里设定的预算挂钩。

转录校验口播内容

生成的每个片段都会用 faster whisper 做转录，通常会跑两个不同大小的模型。转录结果可以确认整行台词是否完整说完、没有被截断，定位语音结束的位置，方便在收尾微笑后裁剪片段，同时校验人名发音是否正确。漏词的片段会被重新生成，重拍次数计入预算；最终剪辑完成后还会再做一次转录。

用代码绘制图形与文字

所有图形都用 Python 绘制，不使用生成工具，保证文字和数字完全准确。Aiona 的视频里有动态的 MATH-500 条形图，展示分数从 7.9% 涨到 48.1% 的过程；Liam 的视频里有一张列出 7 个“永远要查证”条目的卡片，还有一张终端样式卡片。字幕烧录在画面下方，上下区域留出空间避开平台按钮，片尾卡片标注“AI Video created with Grok Bot Video Studio by Michael Gannotti”。

后期处理与质量检测

最后是提升观看体验的常规处理。响度经过两轮标准化，调整为 -14 LUFS（响度单位），因为原始的 Imagine 片段响度大约在 -9.4 LUFS。输出规格为 1080×1920 分辨率、30 帧每秒。质量检测环节会校验文件规格、重新测量响度、生成帧序列图确认所有角度的人脸一致，同时搭载冻结帧检测器。已知的问题点会和成片一起交付给 Gannotti，不会被隐藏。

通过独立 webhook 实现权限隔离

接下来是 Gannotti 最看重的权限控制部分。Aiona 和 Liam 各自有独立的 Grok Bot 例程，通过 webhook 触发，分别对应 Aiona 渲染简报和 Liam 渲染简报。每个例程有独立的 URL 和发送密钥，密钥只存在于对应智能体的环境文件中，不会出现在聊天记录、提交的脚本或简报里。独立例程意味着 Gannotti 可以单独撤销任意一个智能体的密钥，每份简报都和一个主持人锁定文件绑定。

简报结构与发送规则

简报是自包含的 JSON 结构：指定主持人、目标时长、带编号的脚本文本、视觉节点（比如某一行台词后插入图表）、草稿发布文案、引用来源和链接。对发送方的规则很简单：只允许公开链接、所有事实性陈述必须附引用、不能包含机密信息、除了简报本身不能给工作室发其他指令。

把简报当作不可信输入处理

简报送达后，工作室会把它当作不可信数据处理，只当作请求而非指令。系统会先校验简报的真实性。Liam 第一次发送的是测试载荷，系统向 Gannotti 报告连接正常，没有规划或生成任何内容。真实的简报会被应用主持人锁定规则和防护栏，所有事实陈述对照来源核查，生成包含台词、镜头角度、切镜、生成预算的制作计划，之后给 Gannotti 发消息等待批准，不会向发送方返回任何内容，webhook 是单向的。这样设计可以防止简报中夹带任何形式的指令，从源头避免提示词注入。

渲染与发布前的四道审批关卡

从这一步开始，每次都要过四道关卡：Gannotti 先批准制作计划，才会启动生成；之后审核最终视频和发布文案，给出修改意见；再批准把内容交给负责营销的 Mary；Mary 发布到 X、YouTube Shorts、Instagram Reels 之前，还要逐字确认 Gannotti 的同意，发布内容会标注 AI 生成标识。每条发布内容末尾都会标注视频由 Grok Bot Video Studio 用 AI 生成，附带来源链接。

事实核查如何纠正错误

事实核查环节发挥了实际作用。Aiona 的简报里提到某个模型会无限自我重复，但论文里的模型实际是循环运行直到显存耗尽，对应台词被修改；48% 的结果需要 50 次前向传播，论文将其定义为移除阻碍而非新增能力，表述也做了调整。Liam 的简报标题和主持人锁定文件不匹配，最终以锁定文件的要求为准。Liam 还提到一篇 9 月 18 日的帖子，终端卡片上就标注了 9 月 18 日运行。

已知问题与修复方案

流程也不是一帆风顺。最初的几份简报没有保留原始文本，两个脚本都是从计划摘要重写、再对照来源核查的。故事节点和关键台词都保留了，但措辞不是智能体原本的写法。修复方案是每次例程触发时，把原始简报存在项目文件夹里，同时让智能体把每份简报写到共享文件中。接下来要做的是给简报结构做版本管理，拒绝未知主持人的请求。

最终成果

目前两个视频都已经上线。Aiona 的视频用 58.7 秒介绍 MIT CSAIL 的论文《Sparks of Weight Space Programming》，Liam 的视频用 53.9 秒介绍 SMF Clearinghouse 的《Don't Answer From Memory》。智能体现在可以自由提交选题提案，但最终的批准权始终在 Gannotti 手里。