为什么一集复盘要看证据
糟糕的复盘，通常从一页漂亮幻灯片开始：上面写着这一集表现“不错”，最后大家一致决定“优化节奏”。两周后，下一批内容又出现同样拖慢的开头、同样看不懂的道具揭示、同样烧钱的重试模式。团队手里有数据，但数据没有变成制作决策。
AI 漫剧复盘需要两类证据。制作证据解释创作时发生了什么：哪些提示词翻车，哪里人物连续性崩了，哪类镜头最耗重试，哪条审片规则来得太晚，哪些资产真正省了时间。观众数据解释发布后发生了什么：留存下滑、重看、评论、收藏、完播率、封面点击，以及每条可用片段的成本。只看其中一半都不够。合在一起，才看得出下一次该复用、删掉、重做，还是小范围测试。
ArcLoop 在这里有用，是因为复盘不用靠记忆——它能直接指回真实用到的角色资产和参考图、Story Outline 里的剧情节拍、分镜镜头，以及 Edit 里导出的成片。角色总是走样，就去看绑在那个资产上的参考图，而不是瞎猜是哪句镜头描述出的问题。用 审片流程与质量抽检指南 把经验变成下一轮工作流；如果目标不是写一篇事后总结，而是把下一批做稳，把 批量制作动漫系列不丢角色指南 放在手边一起看。
读制作数据和受众数据的原则
先看决策，不要先看指标。“第 9 秒留存掉了”只有在能对应到制作问题时才有用：开头钩子弱、镜头不清楚、字幕慢了、角色跑偏、故事节拍让人困惑，或封面承诺和正片不匹配。
把可控原因和噪音分开。一条生气的评论，不一定值得重设一个角色。三条片子都在同一个故事节拍掉留存，大概率就该改分镜。复盘既要防止团队过度反应，也要防止团队装没看见。
把成本和可用产出放在一起看。AI 漫剧能很快抽出很多版本，但真正有用的数字不是原始渲染数，而是每条提示词路径产出了多少条入选片段。记录哪些重试带来了学习，哪些只是在重复本来可以避免的坑。
用制作语言写下一批规则。不要写“把开头做得更好”，要写“前三秒必须同时看见角色目标、阻碍和可见动作”。不要写“提升质量”，要写“手接触关键道具的镜头，最终精修前必须过一次道具特写检查”。
把经验归档到被它改变的资产上。如果复盘更新了角色资产、场景规则、提示词模板、配音方向或审片清单，就把笔记挂在那里。单独放在报告里的经验，很容易被欣赏完就忘。
怎么做复盘：从镜头表到下一批规则
先收集制作证据。打开该集的 Storyboard，记下现在的镜头清单、每个镜头用 @ 引用了哪些角色、道具、场景资产，以及最终镜头描述跟最初草稿比改了什么。先做这一步，再看观众数据，这样团队还能记得当时为什么那么选。
按节拍加入观众信号。把留存、重看、评论、收藏、转发、封面点击和完播，对应到具体时刻：开头钩子、揭示、角色表演、动作清晰度、台词、字幕时机、结尾帧或平台裁切。不要丢进一个模糊的“单集数据”桶里。
只选三个问题。一场有效复盘可以问：什么应该复用？什么应该删掉？什么需要更强的资产或审片规则？问题越多，通常笔记越多，决策越少。
把发现转成下一批修改。更新一条分镜规则、角色资产、镜头提示词模式、配音方向、成本闸口或交付清单。如果某个发现不能改变未来工作流，它就是冷知识。
跑一组小验证。别一上来改完整系列，先用新规则测试两三个短镜头。如果问题是开头不清楚，用 悬念揭晓分镜模板；如果问题是身份漂移，用 动漫短片分镜连续性指南。
安排一次跟进审查。只有下一批确认这个改动是否有效，复盘才算完成。把旧问题、新规则和验证结果放在一起归档。
下面是在 ArcLoop 里打开复盘后，整个工作流实际怎么跑的。
打开该集，进入 Storyboard。逐个 Shot 确认哪些资产用 @ 引用过，再把最终镜头描述和最初草稿对比——记下改了什么、为什么改。先做这一步，再去看平台数据，让制作判断和表现数字保持分开。
找到重试次数多的镜头后，去 My Assets 打开对应的角色或道具资产。看 Main image 绑的是哪张，Reference image 有没有覆盖那个一直失败的角度或状态。如果没有，把修正图上传到 Library，再 Bind 到这个资产上当新的 Reference image。之后所有用 @ 引用这个资产的镜头，都会自动带上更新后的版本。
需要重新生成的镜头，回到 Episode，打开对应 shot card，用新规则改好描述，再通过 AI Chat Panel 单独重跑：「Generate video for Shot 3.」先测一到两个镜头，确认改动有效，再把规则推到整集批量处理。
让改动落在下一个镜头能看到的地方
ArcLoop 能让改动落在下一个镜头真正会用到的地方。如果观众没看懂指南针这个道具的重点，要改的不是一条笔记，而是道具资产本身——去 My Assets 里换它的参考图或描述。之后每个用 @指南针 引用它的镜头都会带上改过的版本，不用再单独告诉下一个创作者。
格式保持短：证据、原因、决策、负责人、下一次测试。证据是制作或观众信号。原因是当前最靠谱的解释。决策是工作流改动。负责人是应用这条改动的人或角色。下一次测试是能确认修复是否有效的最小片段或批次。
ArcLoop 确实能把策划本身留在同一个项目里。Story Outline、My Assets 里的角色和道具资产、Storyboard 的镜头、Edit 时间线，都在同一个 IP Project 下——团队不需要在别处做一套策略文档，再指望有人把经验正确搬回来。
示例 1：椋鸟维修社复盘笔记
Create a character asset for Iven Taro in My Assets. Iven is a teenage mechanic who repairs tiny wind-up birds on an abandoned observatory roof. Bind a workbench-pose reference image as his Main image and a rooftop-climbing pose as a Reference image under the same asset. Once the asset exists, use @Iven Taro in each shot description instead of re-describing his appearance. The shot description only needs what is new to that shot: the action, the camera framing, the light quality, and any prop in his hands.
这条提示词不是让系统写一份泛泛总结。它要的是能改变下一批制作的决策。
示例 2：从数据诊断到分镜修正
Medium close-up of @Iven Taro crouching at the edge of the @Observatory Roof. He holds the broken wind-up bird at eye level, loupe flipped down, expression tight. The bird's exposed gear catches the early morning light. Handheld camera holds still as his free hand reaches for a tool just out of frame. No dialogue. The shot must show Iven, the broken bird, and the repair risk in a single readable frame before the scene moves forward.
这才是有价值的数据复盘：它改的是分镜规则，而不是夸一个指标。
示例 3：成本与质量跟进测试
Tight close-up of @Iven Taro's hands on the @Workbench, placing the repaired wind-up bird onto the worn surface. The bird sits upright. Iven slowly releases his grip. Static camera, low angle, shallow depth of field so the bird is sharp and his face is soft in the background. After the image is confirmed for hand clarity and gear shape, generate the video. Measure retry count and prop consistency before approving the final take.
跟进测试会让复盘保持诚实。经验只有熬过下一轮制作，才算真的有用。
让复盘白做的错误
最大的坑，是只汇报指标，却不把指标映射到创意决策。留存、收藏和评论应该连接到开头清晰度、故事时机、角色表演、封面承诺、平台裁切或制作质量。
另一个坑，是把所有失败都怪给模型。有时候是提示词把镜头塞爆了，分镜把关键道具藏起来了，台词开始太早，或者审片清单漏掉了真正的风险。先修你能控制的工作流层。
团队还经常把复盘笔记和资产分开放。如果一条经验改变了角色资产、道具资产、分镜规则或交付清单，就把它贴到对应项目上。孤零零的报告很快就会变成旧闻。
第四个坑，是一次发布后改太多东西。如果你同时改钩子、角色设计、节奏、声音风格、封面和导出格式，下一轮数据就无法说明到底哪个改动起作用。测试最小但有意义的规则。
常见问题
AI 漫剧复盘应该包含什么？
包含制作证据、观众信号、可能原因、具体工作流决策、负责人、下一次测试和关联资产。目标是改进下一条提示词、分镜、资产、审片规则或交付步骤。
AI 漫剧内容最该看哪些数据？
看能映射到决策的数据：留存对应节奏和开头清晰度，重看对应有趣瞬间或困惑点，评论对应故事理解，收藏对应角色或视觉吸引力，封面点击对应包装，重试成本对应制作效率。
应该多久做一次复盘？
交付后马上做制作复盘，因为决策还新鲜；等第一个有意义的数据窗口出现后，再加入观众数据。不要拖到团队已经忘了为什么入选或淘汰某些片段。
ArcLoop 如何让复盘经验保持可用？
经验通常落地为 My Assets 里某个资产的修正——换一张参考图，或者把描述写清楚；也可能是 Storyboard 里重写的镜头描述。因为后面的镜头都靠 @ 引用身份，资产这一层改一次，之后所有用到它的镜头都会带上修正，不用另外写一份报告。
一个表现差的片段应该改变整个工作流吗？
不应该单独这么做。先把问题变成一个小测试。如果同样的问题出现在多条片段里，或者验证组确认修复有效，再把规则提升为主工作流规则。
