五粮液品牌 AI 内容生产工作台案例

将品牌知识、历史素材、提示词经验和多种模型能力统一到一个企业专属工作台中，支持图文海报、短视频分镜和直播脚本生产，并让每次使用继续沉淀为品牌自己的内容资产。

案例说明：本案例聚焦品牌知识库、图文海报、短视频分镜和直播脚本的一体化生产方法，页面内容用于说明专属工作台如何连接品牌资料、模型能力与内容资产。

服务对象与行业背景

• 服务对象：五粮液品牌相关内容团队；对外未取得授权时，统一表述为“某头部白酒品牌”。
• 行业背景：
• 成熟消费品牌需要持续生产海报、社交媒体图片、短视频、直播脚本和活动内容，内容需求多、节奏快、渠道分散。
• 品牌本身拥有大量历史、工艺、产品和文化资料，但素材通常散落在文件夹、网盘和不同团队中，查找、核实和调用成本高。
• 通用 AI 平台可以完成单次生成，却难以长期理解一家企业的品牌事实、视觉规范、重点产品和表达偏好。
• 图像、视频和文本任务往往需要使用不同模型。团队需要在效果、稳定性、速度和成本之间持续做选择，单靠人工试错效率较低。

业务场景

• 图文海报：结合品牌知识、产品资料和活动主题，生成适用于不同渠道的图片及配套文案。
• 短视频分镜：输入主题、产品、时长和画面比例，生成分镜表、画面提示词，并继续生成短视频素材。
• 直播脚本：结合品牌卖点、产品信息和优秀行业内容，生成符合场次目标的直播结构和表达脚本。
• 内容审核：对生成结果进行品牌事实、产品口径、禁用表达和合规要求检查。
• 资产沉淀：保存历史提示词、优秀作品、修改记录和审批结果，供后续内容持续复用。

核心痛点

1. 工具分散，生产链路割裂：图片、视频和文字分别在不同平台完成，资料需要反复复制，生成结果也难以统一管理。
2. 通用模型不理解企业：公有工具更熟悉大众表达，却不了解品牌历史、产品矩阵、官方口径和阶段性传播重点。
3. 品牌资料调用困难：策划人员每次都要重新搜索历史、工艺、产品和图片素材，既耗时，也容易引用错误或过期资料。
4. 提示词经验停留在个人手中：哪些提示词有效、哪些修改能够提高质量，往往没有形成组织层面的可复用资产。
5. 模型选择与预算难平衡：不同模型适合的任务不同，效果、价格和调用速度持续变化，团队缺少统一测试与路由机制。
6. 内容资产难以长期积累：在多个公有平台分散生成，历史作品、版本和优化过程无法沉淀到企业自己的系统中。

原有做法

• 资料检索：策划人员在网盘、文件夹和历史文档中人工寻找品牌背景、产品卖点及图片。
• 内容生成：在不同公有 AI 平台分别完成文案、图片和视频制作。
• 提示词优化：个人反复修改提示词，优秀方法依赖个人保存和口头传递。
• 事实核验：生成完成后，再由人工对照品牌资料检查历史、工艺、产品名称和官方口径。
• 模型选型：使用者自行选择模型，效果和成本缺少统一评估。
• 成果存储：作品保存在不同平台账号或个人设备中，后续难以检索、复用和追踪版本。

FDE 企业 AI 落地解决方案：品牌内容生产工作台

1. 企业专属品牌工作台

• 根据企业品牌视觉配置专属 Logo、色彩、导航结构和功能模块，也可以与现有内部平台进行融合。
• 将图文海报、短视频分镜、直播脚本、合规检查和提示词库集中到同一入口，减少跨平台切换。

2. 品牌知识库与素材中心

• 将品牌历史、酿造工艺、产品矩阵、价格带、适用场景和官方宣传口径整理为结构化知识库。
• 将重点宣传图片、历史作品和审核通过的素材统一存储，生成时可以直接检索调用。
• 知识内容由品牌团队审核和更新，所有生成任务优先引用确认过的企业事实。

3. 图文、视频与脚本一体化生产

• 图文海报：从品牌知识库和素材库中选取事实与视觉资产，生成图片及配套文案。
• 短视频分镜：根据主题、产品、时长、画面比例和补充要求，生成分镜表、镜头画面提示词，并继续连接视频生成流程。
• 直播脚本：结合产品卖点、品牌口径和优质行业内容，快速形成结构化直播脚本。

同一个页面内可以设置传播主题、产品、视频时长和画面比例，生成分镜及逐镜头提示词，并继续生成视频作品。

4. 多模型评测与任务路由

• 不将所有任务绑定到单一模型，而是根据图片、视频、文案和脚本等任务分别评测适合的模型。
• 图像可以接入 GPT Image 等图像模型；文本可在 Qwen、Kimi、GLM、Codex、Claude 等模型中按任务测试；视频则根据企业需求接入效果、稳定性和价格更合适的视频模型。
• 结合效果质量、调用价格、速度和稳定性建立模型选择规则，在达到质量要求的前提下控制预算。
• 模型与版本会随供应商能力和价格变化动态调整，工作台对使用者保持统一入口。

5. 提示词库与持续优化机制

• 保存被验证有效的提示词、修改记录、优秀作品和人工审核意见。
• 通过模板、规则和检索机制复用历史经验，让系统越来越贴近品牌表达，而不是每次从零开始。
• 对直播脚本等场景，可持续收集经过授权的行业优秀内容，提炼结构和表达方法，更新企业自己的提示词与参考库。
• 这里的“学习”主要指企业知识库、提示词和审核反馈的持续沉淀；如果没有单独实施模型训练，不应对外表述为底层模型已经被重新训练。

6. 本地资产沉淀与存储配置

• 品牌知识、提示词库、历史生成记录和作品资产可以部署在企业本地环境或专属服务器中。
• 根据图片、视频等大文件规模配置存储空间、权限和备份策略，形成可持续扩展的品牌内容资产库。
• 对需要调用外部模型 API 的任务，按照企业的数据分级、脱敏规则和供应商数据政策控制传输内容。

实施效果

特别说明

这个案例的核心价值不是把三个生成平台简单放进一个页面，而是建立企业自己的内容生产系统：品牌知识是统一事实来源，模型按任务动态选择，提示词与审核反馈持续积累，最终作品也回到企业自己的资产库。

需要特别区分“本地存储”和“完全离线运行”。企业知识库、提示词、生成记录和素材可以保存在本地或专属服务器；但如果调用外部图像、文本或视频模型 API，相关请求数据仍可能按照接口配置发送至模型供应商。正式上线时应根据数据敏感级别，配置脱敏、最小化传输、供应商零留存条款或私有模型等不同方案，不能笼统承诺所有数据始终不离开本地。

此外，本案例涉及真实品牌名称、品牌资料和产品工作台截图。正式同步至官网案例后台前，需要确认客户名称、Logo、界面截图和项目内容的对外使用授权；未取得授权时，建议使用“某头部白酒品牌”及经过脱敏的界面示意图。