Bên trong Clevera: Cách AI tác nhân biến bản ghi màn hình thành lời bình

Sự hỗn loạn ẩn sau quá trình tự động hóa#

Khi mới xây dựng Clevera, chúng tôi chỉ có một vài mô hình phải gánh vác quá nhiều việc. Mỗi mô hình đều cố gắng đảm nhận nhiều vai trò cùng lúc: quan sát màn hình, diễn giải hành động, quyết định điều gì quan trọng, viết lời dẫn, chọn tông giọng và tìm cách biến tất cả thành một bài hướng dẫn mạch lạc. Chỉ vài bộ não, nhưng phải làm toàn bộ khối lượng công việc.

Hãy tưởng tượng một đoàn làm phim mà ba người phải đảm nhận hai mươi vai trò khác nhau. Đạo diễn, quay phim, biên kịch và biên tập viên đều do một người làm. Bạn có thể đoán kết quả sẽ ra sao. Kết quả chỉ ở mức chấp nhận được, chứ không bao giờ xuất sắc. Lời bình nghe cứng nhắc. Những khoảnh khắc quan trọng bị bỏ lỡ. Các video dài khiến các mô hình trở nên bối rối và thiếu nhất quán.

Vấn đề không nằm ở bản thân các mô hình. Vấn đề là chúng tôi đã đối xử với chúng như một cá thể tư duy đơn lẻ thay vì một đội ngũ.

Chúng tôi nhận ra con người không tư duy theo đường thẳng#

Ban đầu, chúng tôi cố gắng bắt chước cách con người thể hiện khi làm hướng dẫn: nhìn vào màn hình, suy nghĩ một chút, rồi giải thích. Đơn giản. Ít nhất là trên bề mặt.

Nhưng tư duy thực sự của con người không hề như vậy. Khi bạn giải thích điều gì đó, não bộ của bạn kích hoạt hàng chục chuyên gia nhỏ cùng một lúc. Bạn nhận thấy những gì đã thay đổi. Bạn bỏ qua những gì không quan trọng. Bạn nhớ lại tính năng đó làm gì. Bạn chọn tông giọng. Bạn điều chỉnh nhịp độ. Bạn chỉnh sửa ngay khi đang nói.

Nó có vẻ như là một đường thẳng, nhưng thực tế là nhiều tác nhân nhỏ đang chạy ngầm. Đó là khoảnh khắc mọi thứ trở nên rõ ràng với chúng tôi. Để Clevera nghe giống con người, nó cần phải tư duy như một đội ngũ.

Vì vậy, chúng tôi đã áp dụng phương pháp tác nhân.

Từ một bộ não đến nhiều bộ não#

Hãy coi Clevera hiện tại như một đoàn làm phim nhỏ nhưng cực kỳ kỷ luật.

Người Quan Sát#

Tác nhân này nghiên cứu màn hình của bạn. Từng khung hình một. Nó nhìn thấy các cú nhấp chuột, văn bản đã nhập, thao tác cuộn, menu đã mở, các thay đổi trên giao diện. Nó nắm bắt sự thật thô trước khi bất cứ điều gì khác xảy ra.

Nhà Chiến Lược#

Sau khi Người Quan Sát báo cáo, Nhà Chiến Lược quyết định điều gì thực sự quan trọng.

“Bỏ qua vòng quay tải dữ liệu.”
“Kết hợp ba bước này lại, chúng là một ý tưởng.”
“Giải thích khoảnh khắc này, nó rất quan trọng.”

Đây là nơi logic của bài hướng dẫn được định hình.

Người Viết#

Với kế hoạch đã sẵn sàng, Người Viết tạo ra lời bình bằng ngôn ngữ đơn giản, thân thiện. Nó giải thích những gì đang diễn ra mà không lan man và tránh tông giọng máy móc.

Người Biên Tập#

Người Biên Tập cắt gọt. Trau chuốt. Sửa những đoạn mà Người Viết quá hào hứng hoặc quá dài dòng. Nó điều chỉnh cách diễn đạt để mỗi câu đều truyền tải trọn vẹn.

Người Kiểm Duyệt#

Đây là người khó tính nhất. Họ nhận toàn bộ kịch bản và đảm bảo nó đọc như một câu chuyện mạch lạc, trôi chảy. Không có những đoạn nhảy cóc kỳ lạ. Không có mâu thuẫn. Không có tông giọng không đồng nhất.

Và ở giữa là Người Điều Phối, vị sếp trầm lặng mà mọi người đều lắng nghe.

Nó phân công nhiệm vụ, kiểm tra chất lượng và thúc đẩy các tác nhân khi họ đi chệch hướng. Nếu Nhà Chiến Lược bỏ lỡ một khoảnh khắc quan trọng, Người Điều Phối sẽ gửi họ quay lại với một câu đơn giản: “Nhìn lại đi, suy nghĩ kỹ hơn.” Nếu một câu nghe có vẻ lủng củng, Người Điều Phối sẽ yêu cầu Người Biên Tập sửa lại.

Cấu trúc này không chỉ cải thiện chất lượng. Nó mở ra một cấp độ rõ ràng và nhất quán mới mà một mô hình đơn lẻ không bao giờ đạt được.

Lặp lại là tốt hơn#

Bước nhảy vọt lớn nhất về chất lượng xảy ra khi chúng tôi để các tác nhân suy nghĩ lại về công việc của chính họ.

Thay vì chỉ thực hiện một lần cho mỗi bước, Người Điều Phối cho phép các tác nhân nhất định thực hiện nhiều lần với độ sâu tăng dần. Đầu tiên là bản nháp nhanh. Sau đó là bản sâu hơn. Rồi đến bản phản tư hoàn chỉnh nếu cần.

“Chế độ tư duy” này đã giúp ích rất nhiều trong việc cải thiện độ chính xác và chất lượng.

Nhà Chiến Lược trở nên thông minh hơn nhiều trong việc nhóm các bước và nhận diện mô hình.

Người Viết trở nên giỏi hơn trong việc giải thích các hành động phức tạp một cách bình tĩnh.

Các chương bắt đầu phù hợp với cách con người tự nhiên hiểu một tác vụ.

Đó là sự khác biệt giữa việc vội vã hoàn thành kịch bản và thực sự hiểu câu chuyện.

Quy trình tác nhân của chúng tôi#

Mỗi video của Clevera giờ đây tuân theo một nhịp điệu đơn giản:

Xem: Người Quan Sát nắm bắt sự thật về những gì đã xảy ra trên màn hình.
Lập kế hoạch: Nhà Chiến Lược tìm ra điều gì quan trọng và theo thứ tự nào.
Nói: Người Viết giải thích từng bước như cách con người vẫn làm.
Làm mượt: Người Biên Tập và Người Kiểm Duyệt trau chuốt nhịp độ và dòng chảy để mọi thứ trở nên tự nhiên.

Vòng lặp này không chạy trên đường ray cố định. Nó linh hoạt. Có tính cộng tác. Người Điều Phối hướng dẫn toàn bộ quá trình và can thiệp bất cứ khi nào cảm thấy có gì đó không ổn.

Tại sao thiết kế tác nhân lại quan trọng với bạn#

Tất cả sự phức tạp “phía sau hậu trường” này mang lại kết quả mà bạn có thể cảm nhận ngay lập tức. Dưới đây là một vài ví dụ:

• Các bài hướng dẫn nghe như người thật, không phải kịch bản tự động tạo.
• Các bước được nhóm theo logic, không phải theo trình tự thời gian.
• Những khoảnh khắc không liên quan sẽ tự động biến mất.
• Lời giải thích cảm thấy rõ ràng, bình tĩnh và tự tin.
• Các chương khớp với cách người dùng thực sự tìm hiểu sản phẩm.
• Hệ thống có thể phát triển mà không làm hỏng mọi thứ.

Tiếp theo: Tác nhân của riêng bạn#

Bước nhảy vọt tiếp theo không chỉ là làm cho các tác nhân của chúng tôi thông minh hơn. Mà là để chúng trò chuyện trực tiếp với bạn.

Muốn lời bình nghe tự nhiên hơn? Hãy nhập yêu cầu vào khung chat.

Muốn xóa hoặc mở rộng một chương? Chỉ cần yêu cầu.

Bạn chỉ cần trò chuyện với Clevera và tác nhân phù hợp sẽ đảm nhận nhiệm vụ. Nó sẽ không giống như đang sử dụng một công cụ chỉnh sửa, mà giống như đang làm việc với một đội ngũ hiểu phong cách của bạn, lắng nghe hướng dẫn của bạn và thực thi ngay lập tức.

Đó là hướng đi của Clevera.

không chỉ là tạo nội dung tự động, mà là một studio sản xuất mang tính đối thoại nằm ngay trong ứng dụng của bạn.