创意工具正在从“生成一张图、写一段文案”转向“接住一份需求并推进整个项目”。腾讯首个自研创意智能体 Miora（腾讯设计妙境）现已全量上线。根据官方介绍，它基于与 WorkBuddy 同源的智能体架构，通过多个 AI Agent 协作理解目标、规划流程，并在持续使用中记住用户的创作方式。新用户注册可获得 1000 积分。
这次变化的重点并不只是多了一个生成入口，而是把需求拆解、内容生产与风格延续放进同一套多模态创意工作室中。
从单次生成转向完整任务
传统生成式工具通常要求用户自己完成工作流编排：先整理需求，再写提示词，随后分别生成文案、视觉素材，最后人工检查一致性。任何一步修改，都可能迫使用户重新复制上下文。
Miora 所描述的工作方式更接近一个创意项目执行者：
- 接收一份自然语言需求；
- 判断目标、受众和交付物；
- 规划后续创作流程；
- 调度多个 Agent 分工协作；
- 结合用户过去的创作方式保持连续性。
多 Agent 的意义不是简单地让多个模型同时回答，而是让不同角色承担不同职责。例如，一个 Agent 可以分析品牌约束，一个负责生成内容方向，另一个检查视觉与文案是否一致。对于营销活动、社交媒体物料和品牌创意等需要多种交付物的任务，这种拆分比单轮提示词更容易管理。
不过，来源信息没有披露具体 Agent 数量、底层模型、开放 API 或第三方工具集成方式，因此不应把这些未公开细节当作既定能力。实际采用前，仍需要通过真实项目验证输出质量与可控程度。
“记住创作方式”为什么重要
创意工作的难点往往不是第一次生成，而是第十次生成仍然像同一个品牌。用户通常会反复强调色彩偏好、语气、禁用词、受众和版式要求。如果系统能够保留这些创作习惯，就有机会减少重复沟通。
团队可以把需要记忆的信息分成三层：
- 长期规范：品牌语气、主色、禁用表达和版权边界；
- 项目上下文：活动目标、受众、渠道和交付时间；
- 本轮反馈：标题太长、视觉过于活泼、行动号召不够明确等。
这也带来边界问题。创作记忆中可能出现未发布产品、客户资料或内部品牌策略。使用前应确认记忆是否可查看、编辑和删除，以及团队成员之间如何隔离数据。对于敏感项目，可以先用脱敏需求测试，不要直接提交商业机密。
可以这样实践：先用一个最小工作流整理需求
目前摘要没有提供 Miora 的公开 API，下面不是其官方接口，而是一个可直接运行的 Python 示例，用来模拟“需求分析 Agent—创作 Agent—审校 Agent”的任务编排。它不调用任何模型，适合团队先把自己的创意流程结构化；后续可将各函数替换成实际使用的模型或平台调用。
将代码保存为 creative_workflow.py，然后执行 python creative_workflow.py。运行前只需要修改 brief 和 creative_memory。
from dataclasses import dataclass
from typing import List
@dataclass
class CreativePlan:
goal: str
audience: str
deliverables: List[str]
constraints: List[str]
def planning_agent(brief: dict, memory: dict) -> CreativePlan:
"""把原始需求与长期创作偏好整理成执行计划。"""
return CreativePlan(
goal=brief["goal"],
audience=brief["audience"],
deliverables=brief["deliverables"],
constraints=[
f"品牌语气：{memory['tone']}",
f"主色：{memory['primary_color']}",
*[f"禁用表达：{word}" for word in memory["blocked_words"]],
],
)
def creation_agent(plan: CreativePlan) -> dict:
"""这里可替换为真实的大模型或创意平台调用。"""
return {
"headline": f"为{plan.audience}打造的春季效率计划",
"visual_direction": "使用留白、清晰网格和轻量产品场景",
"deliverables": plan.deliverables,
}
def review_agent(draft: dict, plan: CreativePlan) -> List[str]:
"""按计划检查交付物是否完整。"""
issues = []
if len(draft["headline"]) > 24:
issues.append("标题超过 24 个中文字符，建议压缩")
if set(draft["deliverables"]) != set(plan.deliverables):
issues.append("交付物不完整")
if not issues:
issues.append("基础检查通过，仍需人工确认品牌与版权风险")
return issues
creative_memory = {
"tone": "克制、清晰，不使用夸张承诺",
"primary_color": "#0052D9",
"blocked_words": ["绝对", "行业第一"],
}
brief = {
"goal": "为春季产品更新制作一组社交媒体物料",
"audience": "关注效率工具的年轻职场人",
"deliverables": ["主视觉方向", "社交媒体标题", "短文案"],
}
plan = planning_agent(brief, creative_memory)
draft = creation_agent(plan)
issues = review_agent(draft, plan)
print("执行计划：", plan)
print("创作草案：", draft)
print("审校结果：", issues)
这段代码的价值不在生成质量，而在于强迫团队明确三件事：什么信息属于需求，什么内容应该形成长期记忆，哪些检查必须在交付前完成。把这些边界定义清楚后，再迁移到 Miora 一类多智能体工具，测试结果会更有可比性。
上手时不要只测试“惊艳的一次”
新用户获得的 1000 积分适合用来做小规模验证，但测试重点不应只是某一张图或某一句文案是否足够惊艳。更值得观察的是同一个项目经过多轮修改后，系统能否维持约束并减少重复输入。
可以选择一个低风险、已有标准答案的历史项目，按下面的清单验收：
- 能否从原始需求中识别目标、受众和交付物；
- 规划步骤是否符合团队现有制作流程；
- 修改其中一项要求时，其他交付物是否同步调整；
- 多轮对话后，品牌语气和视觉方向是否仍然一致；
- 记忆内容能否管理，敏感数据是否有明确处理边界；
- 输出是否仍需设计师、文案或法务进行最终审核；
- 积分消耗与节省的人工时间是否匹配。
Miora 展示的是一种更完整的创意智能体形态：用户交付目标，系统负责拆解和推进，而不是要求用户逐个操作生成工具。它能否真正进入生产流程，最终取决于三个指标——记忆是否可靠、协作是否可控，以及产出能否经得住连续修改。对团队而言，稳妥的采用方式是先跑一个真实但不敏感的项目，再决定哪些环节可以交给智能体，哪些决策必须保留人工把关。