GitHub 21.6k Star：开源的一站式 AI 短剧工厂|上下文|工作流|沙箱|调用

AI 短剧这个赛道，工具不少，但大部分停在「文生视频」——输入一段话，生成一段画面，完了。人物换个镜头就变脸，剧情超过三集就接不上，想量产连续内容的人根本用不起来。

简介

GitHub 上有个项目专门解决这个：Toonflow：21.6k+ Star。开源的一站式 AI 短剧工厂。小说进去，剧本、分镜、角色素材、视频片段出来，全程在你自己的机器上跑。

它解决的真问题

用 AI 做连续短剧，真正的难点不是生成，是一致性和连贯性。主角在第 3 集和第 30 集必须是同一张脸，剧情改编不能脱离原著走向，几十上百个镜头的生产成本要可控。

Toonflow 的思路是把传统影视团队的工种抽象成 Agent：决策层管任务拆解，执行层管内容生成，监督层管质量审阅和修订反馈。三层之间用 Vercel AI SDK 并行协作，Socket.IO 实时推送进度。编剧、分镜、视觉统筹、视频合成各有人干，人在画布上审和改。

核心设计

一是本地向量记忆，而不是更大的上下文窗口。 它内置基于 ONNX 的本地向量检索系统，用 @huggingface/transformers 在本地做嵌入推理。角色的外貌、性格、穿搭设定存进向量库，跨会话语义召回。这是它敢承诺「主角不精分」的底层原因——不是靠每次塞一大段提示词，是靠可持久化的外部记忆。

二是章节事件图谱驱动改编。 长篇小说改短剧，直接丢给 LLM 必然 token 爆炸还改飞。它先把原著章节事件结构化抽出来存成图谱，改编时按事件精准调用上下文。同时解决成本问题和还原度问题，思路跟 RAG 同源，但用在了叙事改编上。

三是可编程供应商系统。 接新模型不用改源码：写一段 TypeScript，声明 vendor 元信息和请求函数，zod 强校验结构，扔进 vm2 沙箱执行（eval 和 wasm 都关了），保存即生效、不用重启。模型接入从「开发工作」变成「用户配置」，这个抽象值得所有做模型编排的工具抄。

四是无限画布当生产界面。 剧本、角色、分镜、素材、视频全是画布上的节点，自由排布、并行生产，不受线性流程约束。底层是 @vue-flow/core，官方为它打了补丁。

成本账

README 里的案例：约 2 小时产出约 2 分钟视频，模型调用成本约 130 元。注意口径——这是作者自报，公开演示压到了 480p，不是第三方复现数据。第三方评测核实过案例出处，但同样没复现成本。我的判断：量级可信，但你自己的管线跑起来，成本取决于模型选型和重试次数，按「每个可用镜头」算成本比按成片算更实际。

部署方案

三种跑法：

桌面端安装包（Windows / macOS / Linux，当前主线是 Electrobun + Bun 的 Monorepo，旧版是 Electron + Node + SQLite）
Docker compose （数据在 toonflowData 命名卷）
云服务器

数据安全：数据全在本地，剧本和素材不出你的硬盘。

三条边界说清楚：它本身不内置模型，LLM、图片、视频三类 API 要自备，重度使用成本算进预算；官方 README 明确业务界面和 API 没有独立登录鉴权，别直接暴露公网，远程走 SSH 隧道；开源协议当前主线是 MIT，但旧版本有 AGPL-3.0 和 Apache-2.0 的历史，许可变更不溯及既往，商用前以仓库当前 LICENSE 文件为准。

最后