从单次 Prompt 到多轮工作台：苏诺之音 AI 音乐创作 Agent 的四层架构与状态机实践

一、 为什么传统“单次 Prompt 抽卡”无法满足真实的音乐创作？

如果我们回归音乐生产的客观物理规律，就会发现一首完整歌曲的诞生从来不是“一锤子买卖”，而是一个意图澄清 → 结构作词 → 曲风配器定调 → 试听迭代 → 局部精修的闭环过程。

传统的单轮 Prompt 生成模式存在三个本质工程缺陷：

• 意图压缩损耗（Intent Compression Loss）：普通用户脑海中的感性描述（如“想写一首下班路上听的、带点复古霓虹感的城市民谣”）与底层声学模型所需的工程参数（BPM、调式、段落元标签、器乐编配、人声质感）之间存在巨大的语义鸿沟。
• 缺乏中间态锚点与局部可编辑性：当用户将歌词与曲风耦合在一次黑盒请求中发送给生成模型时，一旦对第二段主歌的韵脚不满意，重新发起请求会导致整首歌曲的随机种子与配器声场漂移。
• 计费与预期的错位：音乐大模型单次推理消耗较高的 GPU 算力，如果大模型在未与用户对齐歌词结构、曲风标签与参考曲目特征前就盲目触发音频生成，不仅浪费算力配额，还会严重损害创作者体验。

为了从根源上解决上述问题，苏诺之音 将对话式 Agent 升级为具备显式状态机约束的智能创作工作台：

二、 苏诺之音 AI 音乐创作 Agent 的四层核心架构

在架构设计上，我们拒绝了“将所有提示词塞进一个超长 System Prompt 让 LLM 自由发挥”的脆弱做法，而是采用职责严格正交的四层解耦架构：

1. 第一层：多模态感知与参考曲目解析层（Perception & Audio Analysis Layer）

用户进入苏诺之音 Agent 工作台时，输入往往不仅是文字，还可能附带一段哼唱录音或参考歌曲。感知层通过双路管线提取结构化上下文：

• 声学特征提取管线：自动测定参考音频的 BPM（每分钟节拍数）、Key/Scale（主调与大小调式）、动态范围以及前奏/主歌/副歌的能量包络；
• 自然语言意图槽位解析：识别用户诉求属于“从零写歌”、“歌词润色”、“参考曲风仿写”还是“纯音乐 BGM 定制”。

2. 第二层：意图路由与认知编排层（Cognitive Orchestration Layer）

编排层基于状态机驱动，而非简单的自由问答。Agent 会根据当前会话所处的阶段（CLARIFYING 意图澄清、DRAFTING_LYRICS 歌词编排、AWAITING_CONFIRMATION 待确认参数、GENERATING_AUDIO 声学渲染）决定下一步动作：

• 当关键声学维度缺失时，Agent 主动发起轻量级追问（例如确认男女声线或节奏快慢），单次追问严格限制在 1~2 个高价值问题以内；
• 当歌词与风格草案就绪时，Agent 不会擅自扣费生曲，而是输出结构化的预览协议，交由前端渲染为可交互方案卡。

3. 第三层：Zod 单一事实源工具契约与声学引擎层（SSOT Tool & Acoustic Engine Layer）

所有的工具调用（歌词生成、曲风标签合成、声学模型推理、分轨拆解、音频延长）均由严格的 Schema 契约收口。底层声学引擎在接收到经过校验的 Lyrics + Style Tags + Reference Embedding 后，在 GPU 推理集群中合成高采样率立体声母带。

4. 第四层：无限画布与多轨后期工作台（Canvas & Studio Post-Production Layer）

生成的歌曲不再是一条孤立的聊天记录，而是自动挂载到右侧的可视化画布中，并可一键无缝流转至苏诺之音在线工作台或多音轨编辑器进行后期精修。

三、 状态机不变量：二级确认卡片与异常自动退费闭环

在涉及算力消耗与用户积分扣减的商业级 Agent 系统中，最危险的设计莫过于“模型幻觉触发循环调用导致用户积分被静默扣光”。为此，苏诺之音在状态机中强制引入了“确认门禁（Confirmation Gate）”与“单工具级幂等退费”两大物理不变量：

下面通过核心状态流转代码展示这一设计：

// 苏诺之音 Agent 生成确认门禁与状态机流转契约示例
export type CreationPhase =
  | 'INTENT_DISCOVERY'      // 阶段 1：创意发散与情绪定调
  | 'BLUEPRINT_READY'       // 阶段 2：歌词段落与曲风标签草案就绪
  | 'CONFIRMED_QUEUED'      // 阶段 3：用户点击确认，冻结预占积分并入队
  | 'SYNTHESIZING'          // 阶段 4：声学大模型多轨合成中
  | 'COMPLETED'             // 阶段 5：生成完成，持久化资产并结算积分
  | 'REFUNDED_ON_FAILURE';  // 异常态：推理超时或失败，自动原路退回预占积分

export interface SongCreationBlueprint {
  blueprintId: string;
  title: string;
  styleTags: string[];       // 如: ["City Pop", "Female Vocal", "112 BPM", "Warm Electric Piano"]
  structuredLyrics: {
    section: '[Intro]' | '[Verse 1]' | '[Chorus]' | '[Bridge]' | '[Outro]';
    lines: string[];
  }[];
  instrumentalOnly: boolean;
  estimatedCredits: number;
  requiresExplicitConfirm: true; // 铁律：凡涉及计费生成，必须显式确认
}

传统单次生成模式 vs 苏诺之音多轮 Agent 工作台对比