‏سیستم چندایجنتی تولید ویدیو در مقیاس کاتالوگ

نقطهٔ شروع مقاله اینه که بیشتر اتوماسیون‌ها ساده شروع می‌شن: تصویر محصول رو بگیر، اسکریپت بنویس، بفرست به مدل ویدیو، خروجی رو ذخیره کن. این برای پنج محصول خوب کار می‌کنه و برای پونصد تا از هم می‌پاشه. مشکل پردازش ترتیبیه — هر محصول تو صف منتظر قبلیه و یه شکست (تصویر تار، تایم‌اوت مدل، ناسازگاری فرمت) می‌تونه کل صف رو بخوابونه. سقف کیفیت هم هست: یه ایجنت همه‌کاره نمی‌تونه هم‌زمان برای اعتبارسنجی تصویر، کپی‌رایتینگ، صداگذاری و رندر بهینه باشه.

معماری پیشنهادی چهار لایه داره. لایهٔ اول ارکستریتوره: ورودی رو می‌خونه، کار رو به جاب‌های مجزا می‌شکنه و بین ایجنت‌های تخصصی پخش می‌کنه. خودش هیچ کار رسانه‌ای انجام نمی‌ده و صرفاً هماهنگ می‌کنه — نویسنده تشبیهش می‌کنه به مدیر تولید که می‌دونه چی باید انجام بشه، تسک‌ها رو تخصیص می‌ده و شکست‌ها رو به مسیر جایگزین می‌فرسته.

لایهٔ دوم اعتبارسنجی و پیش‌پردازشه و کارش دودوییه: قبول یا رد. قواعد پیشنهادی مشخصن — ابعاد تصویر دست‌کم ۱۰۲۴ در ۱۰۲۴، حجم فایل زیر ۱۰ مگابایت، نام محصول بین ۵ تا ۸۰ کاراکتر، توضیح دست‌کم ۲۰ کاراکتر و بدون متن جای‌گیر. محصولی که رد می‌شه باید با شناسه، قاعدهٔ نقض‌شده و مقدار واقعی لاگ بشه؛ همین لاگ می‌شه صف پاک‌سازی تو.

لایهٔ سوم ایجنت‌های تولید محتواست: ایجنت فیلم‌نامه که از متادیتای محصول یه اسکریپت ۱۵ تا ۳۰ ثانیه‌ای می‌سازه، ایجنت بهبود تصویر که پس‌زمینه رو حذف می‌کنه و رزولوشن و رنگ رو نرمال می‌کنه، ایجنت صداگذاری و ایجنت تولید ویدیو. نویسنده توصیه می‌کنه به ایجنت فیلم‌نامه اسکیمای خروجی بدی — JSON ساختاریافته با فیلد جدا برای متن گفتاری، تگ‌لاین روی تصویر و متن دعوت به اقدام — چون خروجی ساختاریافته کار ایجنت بعدی رو ساده می‌کنه.

تصمیم کلیدی تو اجرای موازی، سقف هم‌زمانیه که به سه چیز بستگی داره: ریت‌لیمیت مدل‌ها، مدیریت هزینه، و شعاع انفجار خطا. توصیهٔ عملی اینه که با دسته‌های ۱۰ تا ۲۰ تایی شروع کنی، نرخ خطا و هزینه رو رصد کنی و بعد تنظیمش کنی. برای رندر هم بین رویکردهای مختلف، ترکیب مبتنی بر قالب معمولاً بهترین یکدستی رو برای مقیاس کاتالوگ می‌ده چون تنها متغیر، دارایی محصول و اسکریپته.

بخش مهم مقاله دربارهٔ مهار خطاست. به گفتهٔ نویسنده تو مقیاس کاتالوگ بعضی شکست‌ها اجتناب‌ناپذیرن، پس هر ایجنت باید مستقلاً مدیریت خطا داشته باشه: ریتری خودکار با عقب‌نشینی نمایی (سه بار با تأخیر ۵، ۱۵ و ۴۵ ثانیه) برای خطاهای گذرا، مسیر جایگزین وقتی مدل اصلی جواب نمی‌ده، صف مردهٔ نامه برای جاب‌هایی که بعد از همهٔ ریتری‌ها شکست خوردن، و شناسهٔ جاب ایدمپوتنت تا اگه جابی دوباره اجرا شد، سیستم اول وجود خروجی رو چک کنه و ویدیوی تکراری نسازه.

برای کیفیت خروجی هم چند اهرم پیشنهاد شده: قالب پرامپت مخصوص هر دستهٔ محصول (لحن یه لوازم آشپزخونه با کفش ورزشی فرق داره)، تولید دو سه واریانت برای محصولات پرارزش و سنجش‌شون با دادهٔ عملکرد، و یه ایجنت سبک نمره‌دهی کیفیت که قبل از تحویل، طول ویدیو، وجود صدا، سالم بودن فایل و حضور زیرنویس رو چک می‌کنه.

اشتباه‌های رایجی که نویسنده برمی‌شمره هم قابل پیش‌بینی‌ان: حذف لایهٔ اعتبارسنجی، ساختن یه ایجنت غول‌پیکر به‌جای ایجنت‌های کوچک و تخصصی، بی‌توجهی به ریت‌لیمیت‌ها موقع فن‌اوت، لاگ کردن خطا بدون کانتکست کافی، و هاردکد کردن قالب‌های پرامپت داخل منطق ورک‌فلو به‌جای نگه داشتن‌شون به‌عنوان متغیر.

نکات کلیدی:

• چهار لایه: ارکستریتور، اعتبارسنجی، ایجنت‌های تولید محتوا، پس‌پردازش و تحویل
• اجرای موازی رو با دستهٔ ۱۰ تا ۲۰ تایی شروع کن و بر اساس خطا و هزینه تنظیم کن
• ریتری با عقب‌نشینی نمایی، مسیر جایگزین و صف مردهٔ نامه از خوابیدن کل صف جلوگیری می‌کنن
• شناسهٔ جاب ایدمپوتنت مانع ساخت ویدیوی تکراری و هدر رفتن محاسبات می‌شه
• ایجنت نمره‌دهی کیفیت قبل از تحویل، مشکل‌ها رو قبل از رسیدن به مشتری می‌گیره