ArcReel 是一个开源的 AI 视频生成工作台，由 AI Agent 全程驱动，能够将小说文本自动转化为完整的短视频。其完整工作流为：小说 → 角色/场景/道具设计 → 剧本 → 分镜图 → 视频片段 → 最终成片。它本身不训练模型，而是通过统一的抽象层集成 Google Gemini、火山方舟、xAI Grok、OpenAI 等多个 AI 供应商，用 Agent 智能体协调完成从文本到视频的端到端生产流程。项目采用 React 19、Python 3.12+ / FastAPI、Claude Agent SDK 等技术栈，支持 SQLite 与 PostgreSQL 数据库，可通过 Docker 一键部署。ArcReel 旨在解决 AI 视频生成中角色一致性、场景连贯性、分镜拆分、多供应商调度与任务编排等工程问题，将传统人工串联多个 AI 工具的制作流程，转变为 Agent 自动编排与人工确认相结合的标准化流水线。

在 AI 视频生成领域，模型能力（如 Veo、Sora、Seedance 等）已经很强，但从一段小说文本到一部完整的短视频之间存在巨大的工程鸿沟。传统 AI 视频制作流程需要人工阅读小说并手动拆分场景和分镜，用 ChatGPT/Claude 辅助写剧本，手动在各个 AI 生图平台逐张生成角色设定和分镜图，再手动在视频生成平台逐个生成分镜视频，最后用剪辑软件手动拼接、配音、调色。这一过程存在六大核心痛点：角色一致性失控，每个分镜单独生成图片/视频时角色长相、服装、体型在每一帧都可能变化；场景与道具不连贯，关键道具在不同镜头中外观完全不同；多供应商碎片化；工作流不可复现，每次制作都是手工活，无法标准化和批量化；长篇小说无法自动化拆分，一部 100 万字的小说人工切分非常耗时；缺乏版本管理，生成不满意想回退只能重新生成。ArcReel 正是为了填补这一空白而生，它把“人肉串联多个 AI 工具”的痛点，变成了“Agent 自动编排 + 人在环上确认”的标准化流程。

ArcReel 基于 Claude Agent SDK 构建 AI 助手，采用“编排 Skill + 聚焦 Subagent”的多智能体架构。编排 Skill（manga-workflow）负责感知项目状态、决定下一步做什么，聚焦 Subagent 每个只完成一项具体任务，做完就返回精炼摘要。主 Agent 与用户对话、接收指令、展示结果。其工作机制为：编排 Skill 读取 project.json 和文件系统判断项目阶段，根据当前状态调度对应的 Subagent，Subagent 完成任务后返回精炼摘要而非原始数据，主 Agent 展示摘要等待用户确认后进入下一阶段。系统通过三大 Backend 抽象层统一供应商差异：ImageBackend 支持 Gemini、火山方舟、Grok、OpenAI 的图片生成模型；VideoBackend 支持 Veo、Seedance、Grok Imagine Video、Sora 等视频生成模型；TextBackend 用于剧本创作、角色分析等文本理解任务。异步任务队列 GenerationQueue 采用 RPM 速率限制、Image 和 Video 双通道并发、Lease-based 调度和断点续传机制。角色一致性通过先生成角色设计图，再在分镜和视频生成阶段自动携带设计图作为参考图实现；线索追踪将关键道具和场景元素标记为“线索”并生成设计图，后续涉及该线索的分镜自动携带参考图。

• 端到端自动化：从小说到成片的完整流水线，无需在多个工具之间切换
• 角色一致性方案：角色设计图 + 线索追踪的双保险机制
• 多供应商灵活切换：统一抽象层 + 全局/项目级切换，不被单一供应商锁定
• Agent 驱动的智能编排：AI Agent 根据项目状态智能决策下一步操作，支持从任意阶段进入和中断恢复
• 渐进式人机协作：关键节点保留人工确认，质量可控
• 版本历史 + 费用追踪：每次生成自动保存版本，支持一键回滚，多供应商费用分策略统计
• 渐进式分集规划：Peek 探测 → Agent 建议断点 → 用户确认 → 物理切分 → 按需制作，支持长篇小说
• 两种内容模式：说书模式（narration）适合朗读节奏的视频，剧集动画模式（drama）适合对话驱动的剧情视频
• 剪映草稿导出：按集导出剪映兼容的草稿 ZIP，支持剪映 5.x / 6+
• 零 GPU 需求：所有模型通过云端 API 调用，本地只需 Docker 环境

• AI 整理 · 本地测试，未经人工复核；依据历史报告节选，不代表当前产品状态。
• ArcReel 适合小说改编短视频、批量故事视频生产、需要角色一致性的叙事视频、自媒体内容创作等场景。不适合非叙事类的短视频（如产品展示、Vlog 等）、需要极高自定义控制的视频实验、实时视频生成。其局限包括：依赖云端 API，需要持续的网络连接，API 费用是持续的运营成本，数据需要上传到第三方服务器；视频质量取决于供应商底层模型的能力上限；对复杂的中文网文（修仙、玄幻等特殊世界观）理解可能存在偏差；作为新项目，社区规模较小，文档和教程尚不完善；大多数供应商的视频模型有最大时长限制（通常 5-10 秒），长视频需要拼接；当前架构是异步任务队列模式，不支持实时视频生成和流式输出。此外，虽然支持多供应商，但在同一个项目中通常应该保持供应商一致，否则风格差异会破坏一致性。