Kritische Schleife für AI-Video-Agenten: zuverlässige Video-QA

Ein AI-Video-Agent benötigt eine separate Akzeptanzentscheidung nach der Generierung. Eine Aufgabe kann erfolgreich abgeschlossen werden, während der Clip trotzdem ein Gesicht verändert, ein Produkt verzerrt, erfundene Etikettentext enthält oder auf einem Frame endet, der nicht an die nächste Einstellung anschließen kann. Eine kritische Schleife erfasst diese Ausfälle, erklärt, was schiefgelaufen ist, und sendet nur die betroffene Einstellung zur Reparatur zurück.

Dies ist ein Evaluator-Optimizer-Workflow auf Videoproduktion angewendet. Der Generator erstellt einen Clip; der Kritiker vergleicht ihn mit expliziten Kriterien; der Agent akzeptiert, repariert, eskaliert oder stoppt.^[1]

TL;DR

• Schreiben Sie einen Einstellungsvertrag vor der Generierung. Trennen Sie Details, die fix bleiben müssen, von Bewegung, Beleuchtung und Kamerabewegungen, die erlaubt sind.
• Führen Sie deterministische Prüfungen zuerst aus: Aufgabenstatus, Ausgabe-URL, Dateienlebarkeit, Dauer, Abmessungen und Audiopräsenz.
• Lassen Sie den Kritiker Beweise und Reparaturbereich zurückgeben, nicht eine vage Qualitätsbewertung.
• Versuchen Sie es nur bei der fehlgeschlagenen Einstellung erneut und bewahren Sie jeden Teil auf, der bereits bestanden hat.
• Setzen Sie eine Obergrenze für abgeschlossene Versuche. Eine Schleife ohne Stopp-Bedingung kann eine schwierige Einstellung in eine offene Rechnung verwandeln.
• Halten Sie ein menschliches Gate für Ähnlichkeiten, juristische Texte, Markenmitteilungen und den endgültigen Schnitt.

Warum eine abgeschlossene Generierung keine akzeptierte Einstellung ist

Generierungsinfrastruktur und kreative Überprüfung beantworten unterschiedliche Fragen. Das Task-System weiß, ob ein Provider eine Datei zurückgegeben hat. Es weiß nicht, ob die Flasche ihre Proportionen beibehalten hat, der Schauspieler erkennbar blieb oder das letzte Frame zum nächsten Shot passt.

Diese Unterscheidung beeinflusst auch die Kosten. Bei reAPI melden completed Tasks die eingezogene Gebühr in usage.credits, während fehlgeschlagene Tasks erstattet werden, wenn der Workflow fehlschlägt.^[3] Wenn eine Task abgeschlossen ist und Ihr Team den Clip aus kreativen Gründen ablehnt, bleibt es eine abgeschlossene Generierung. Die Anwendung benötigt daher ein Budget für kreative Wiederholungen, auch wenn Provider-Ausfälle kostenlos sind.

Behandeln Sie das Generierungsergebnis als Kandidat, nicht als finales Asset.

Schritt 1: Geben Sie dem AI-Video-Agent einen Einstellungsvertrag

Ein Kritiker kann keine konsistente Entscheidung aus „sieht das gut aus?" treffen. Schreiben Sie die Akzeptanzregeln vor der ersten Anfrage auf, damit Planer, Generator, Kritiker und menschlicher Reviewer dasselbe bewerten.

{
  "shot_id": "03-product-orbit",
  "intent": "Reveal the side label while keeping the bottle centered",
  "must_keep": [
    "bottle silhouette and cap width",
    "label colors and aspect ratio",
    "no added words or marks",
    "single continuous shot"
  ],
  "allowed_change": [
    "camera moves 30 degrees left",
    "background becomes slightly warmer"
  ],
  "end_state": "front label readable and product centered",
  "max_completed_attempts": 3,
  "max_provider_failures": 2
}

Der Vertrag sollte beobachtbare Bedingungen beschreiben. „Premium", „kinematisch" und „schön" gehören möglicherweise zum kreativen Brief, sind aber schlechte Pass/Fail-Regeln. „Hutbreite unverändert" und „kein hinzugefügter Text" sind leichter zu inspizieren und zu reparieren.

Wenn die Arbeit detaillierte Produktreferenzvorbereitung benötigt, verwenden Sie den Seedance 2.5 E-Commerce-Workflow. Wenn der Fehler eine Identitätsabweichung zwischen Einstellungen ist, deckt der GPT Image 2 und Seedance Character Consistency Workflow das Referenzpaket und den Kontinuitätsübergang ab. Die kritische Schleife sitzt über jedem Workflow, statt ihn zu ersetzen.

Schritt 2: Lehnen Sie technische Ausfälle ab, bevor Sie einen Modellkritiker verwenden

Nicht jede Prüfung benötigt einen weiteren AI-Aufruf. Verwenden Sie Code für Tatsachen, die Code überprüfen kann, und reservieren Sie dann visuelle Bewertung für einen multimodalen Evaluator oder eine Person.

Diese Reihenfolge ist wichtig. Einen Vision-Modell zu bitten, eine beschädigte Datei zu bewerten, verschwendet Zeit und liefert mehrdeutige Rückmeldung. Ein sauberes technisches Gate gibt dem Kritiker gültige Beweise zum Inspizieren.

Dasselbe Prinzip erscheint breiter in der Agent-Evaluierung: Nützliche Evals mischen Methoden, und keine einzelne Schicht fängt jedes Problem ein.^[2]

Schritt 3: Verlangen Sie vom Kritiker Beweise, Schweregrad und Reparaturbereich

Ein Gesamtscore verbirgt die Entscheidung, die Sie wirklich treffen müssen. Ein Kritiker, der 0.78 zurückgibt, sagt dem Agent nicht, ob er die Einstellung neu generieren, Audio reparieren oder den Clip einer Person übergeben soll.

Verwenden Sie stattdessen strukturierte Ausgabe:

{
  "decision": "repair",
  "severity": "hard_fail",
  "failed_check": "bottle geometry changes during the orbit",
  "evidence": {
    "time_range": "4.2s-5.0s",
    "observation": "cap narrows and label aspect ratio shifts"
  },
  "repair_scope": "shot_03_only",
  "preserve": ["camera path", "lighting", "duration"],
  "next_instruction": "reinforce product geometry from the identity reference"
}

Halten Sie das Vokabular des Kritikers klein. Vier Entscheidungen reichen normalerweise:

• accept: alle Hardcore-Regeln bestanden;
• repair: der Fehler hat einen engen, umsetzbaren Bereich;
• human_review: die Beweise sind mehrdeutig oder das Urteil ist sensibel;
• stop: die Wiederholungs-Obergrenze oder das Budget wurde erreicht.

Diese Struktur verhindert einen häufigen Fehler bei automatisierter Video-QA: Der Kritiker schreibt das gesamte Brief um, nachdem er einen lokalen Fehler gefunden hat.

Schritt 4: Reparieren Sie nur, was fehlgeschlagen ist

Selektive Reparatur ist der Hauptwirtschaftsvorteil der Schleife. Wenn fünf Einstellungen bestehen und die sechste hat einen schlechten letzten Frame, senden Sie nicht die ganze Sequenz durch die Generierung.

Lassen Sie den Kritiker keine zweite kreative Anweisung einführen. Seine Aufgabe ist es, zu vergleichen, zu diagnostizieren und die nächste Versuch einzuschränken. Der Planer besitzt das Brief.

Schritt 5: Setzen Sie ein Wiederholungsbudget und eine Stopp-Regel

Jede automatische Schleife braucht einen Ausgang. Anthropics Evaluator-Optimizer-Anleitung empfiehlt das Pattern, wenn Evaluierungskriterien klar sind und Feedback messbare Verbesserung erzeugen kann; es ist ein schlechter Fit, wenn der Kritiker keine nützliche Korrektur artikulieren kann.^[1]

Verwenden Sie sowohl eine Versuch-Obergrenze als auch eine Ausgaben-Obergrenze:

kreative Wiederholungs-Obergrenze =
  maximale abgeschlossene Versuche × geschätzte Kosten abgeschlossener Task

Die Schätzung kommt aus dem Live-Tarif des gewählten Modells. Der eingezogene Betrag kommt aus usage.credits der Task; lesen Sie diesen Wert statt zu versuchen, modellspezifische Abrechnungsregeln im Client zu rekonstruieren.^[3]

Eine praktische Stopp-Richtlinie könnte eskalieren, wenn die gleiche Hardcore-Regel zweimal fehlschlägt, wenn die nächste Reparatur eine zuvor akzeptierte Eigenschaft ändern würde, oder wenn das verbleibende Budget einen weiteren Versuch nicht decken kann. Dies sind Produktentscheidungen, keine universellen Modelllimits.

Eine minimale Kritische-Schleife-Implementierung

Die Schleife kann über jedem asynchronen Video-Modell sitzen. Das Medien-Modell generiert; die Anwendung speichert die Task-Id, wartet auf einen Terminal-Status, führt technische Prüfungen durch und ruft den Kritiker nur bei gültiger Ausgabe auf.

type CriticDecision =
  | { action: 'accept' }
  | { action: 'repair'; repairPrompt: string }
  | { action: 'human_review'; reason: string }
  | { action: 'stop'; reason: string };

async function produceAcceptedShot(contract: ShotContract) {
  let request = contract.initialRequest;
  let completedAttempts = 0;
  let providerFailures = 0;

  while (
    completedAttempts < contract.maxCompletedAttempts &&
    providerFailures < contract.maxProviderFailures
  ) {
    const task = await submitVideo(request);
    const result = await pollUntilTerminal(task.id);

    if (result.status === 'failed') {
      providerFailures++;
      continue;
    }

    completedAttempts++;
    await runDeterministicMediaChecks(result.output.video_urls[0], contract);
    const decision: CriticDecision = await reviewShot(result, contract);

    if (decision.action === 'accept') return result;
    if (decision.action !== 'repair') return decision;

    request = applyNarrowRepair(
      contract.initialRequest,
      decision.repairPrompt
    );
  }

  return { action: 'stop', reason: 'attempt or provider-failure ceiling reached' };
}

Produktionscode benötigt auch Persistierung, Timeouts, Rate-Limit-Handling und einen Datensatz, welche Ausgabe der Mensch schließlich genehmigt hat. Wichtiger noch: Reichen Sie kein Duplikat ein, nur weil der Client aufgehört hat zu warten. Video-Tasks können Minuten laufen, und der Task-Endpoint liefert den maßgeblichen Status.^[3]

Wo reAPI in einen AI-Video-Agent-Workflow passt

Die kritische Schleife sollte nicht von einem Video-Modell abhängen. Der Planer benötigt möglicherweise eine lange Aufnahme für eine Einstellung, stärkere Referenzkontrolle für eine andere, oder eine billigere Entwurfsroute während die visuelle Richtung noch unklar ist.

reAPI setzt aktuelle Video-Modelle durch einen Katalog frei und verwendet einen asynchronen Task-Lebenszyklus für Medien-Generierung.^[4] Dies hält Submission, Polling, eingezogene Nutzung, Fehlerbehandlung und Ausgabe-Speicherung konsistent, während modellspezifische Anfrage-Felder explizit bleiben. Der Agent kann Modelle wechseln, ohne zu pretendieren, dass ihre Kontrollflächen identisch sind.

Beginnen Sie mit dem Video-Modell-Katalog, verwenden Sie dann die Dokumentation des gewählten Modells für seine tatsächlichen Felder. Verwenden Sie die kanonische Tasks API-Referenz für Polling, Ausgabe, Nutzung, Fehler und Rückgabesemantik.

FAQ

Muss ein AI-Video-Kritiker das gesamte Video anschauen?

Nicht immer. Deterministische Prüfungen können Metadaten inspizieren, während ein visueller Kritiker mit gesampelten Frames und geplanten Start- und End-Zuständen beginnen kann. Kontinuierliche Bewegung, Lippensynchronisation, Sound oder kurzlebige Artefakte können vollständige Video- und Audio-Überprüfung erfordern. Eskalieren Sie, wenn der verfügbare Evaluator die relevanten Beweise nicht inspizieren kann.

Sollten Generator und Kritiker das gleiche Modell verwenden?

Sie können, müssen aber nicht. Die Trennung von Rollen zählt mehr als die Anzahl der Modell-Anbieter. Der Kritiker benötigt den Vertrag, die Ausgabe-Beweise und ein eingeschränktes Entscheidungsschema; er sollte keine Berechtigung erben, das kreative Brief umzuschreiben.

Wie viele Wiederholungen sollte ein AI-Video-Agent erlauben?

Es gibt keine universelle Zahl. Setzen Sie die Obergrenze aus Einstellungswichtigkeit, Kosten der abgeschlossenen Generierung, Lieferfrist und der Wahrscheinlichkeit, dass die Kritiker-Rückmeldung das Ergebnis ändern kann. Eskalieren Sie wiederholte Hardcore-Fehler, statt bis zur Budget-Erschöpfung zu loopen.

Werden fehlgeschlagene Video-Generierungen bei reAPI berechnet?

Fehlgeschlagene Tasks werden automatisch erstattet. Ein abgeschlossener Clip, den Ihr Kritiker aus kreativen Gründen ablehnt, ist immer noch eine abgeschlossene Task und meldet seine eingezogene Gebühr in usage.credits.^[3]

Welche Prüfungen sollten immer eine Person erfordern?

Halten Sie eine menschliche Entscheidung für juristische oder faktische Ansprüche, identifizierbare Ähnlichkeiten, kritische Markentext, sensible Inhalte und endgültige redaktionelle Genehmigung. Automatische Prüfungen sollten die Überprüfungs-Warteschlange reduzieren, nicht stillschweigend Verantwortung annehmen.

Fazit

Ein AI-Video-Agent-Workflow wird nützlich, wenn er einen technisch erfolgreichen, aber unbrauchbaren Shot ablehnen kann. Definieren Sie zuerst den Vertrag, verwenden Sie Code für objektive Prüfungen, verlangen Sie Beweise vom Kritiker, reparieren Sie nur den fehlgeschlagenen Bereich und stoppen Sie, wenn Budget oder Rückmeldungsqualität ausgehen. Die Schleife garantiert keine perfekte Generierung. Sie verhindert, dass ein schlechter Shot stillschweigend zum Problem des Editors wird.

Referenzen

1. Anthropic. Building effective agents: evaluator-optimizer workflows, gates, and stopping conditions. Retrieved August 27, 2026 from anthropic.com
2. Anthropic. Demystifying evals for AI agents. Retrieved August 27, 2026 from anthropic.com
3. reAPI. Tasks API: polling, usage.credits, status values, and refund behavior. Retrieved August 27, 2026 from reapi.ai/docs/api/tasks
4. reAPI. Live model catalog and video model availability. Retrieved August 27, 2026 from reapi.ai/models

Further reading

• reAPI. Seedance 2.5 for E-commerce Video: A Real Workflow. reapi.ai/blog/seedance-2-5-ecommerce-video
• reAPI. GPT Image 2 + Seedance 2.0: A Character Consistency Workflow. reapi.ai/blog/gpt-image-2-seedance-2-0-character-workflow
• reAPI. AI video generation API comparison. reapi.ai/blog/best-ai-video-generation-api-2026