DIRECT：通过分层多智能体规划与意图引导编辑实现视频混剪创作

视频混剪创作需跨语义、视觉及听觉维度进行复杂协调。针对现有自动化框架忽视跨层级多模态协同导致序列割裂的问题，本文将其建模为多模态一致性满足问题，并提出 DIRECT 框架。该框架模拟专业制作流程，采用分层多智能体架构，将任务分解为三个级联层级：编剧负责全局结构锚定，导演实例化自适应编辑意图，编辑执行细粒度优化。实验表明，该方法在客观指标与主观评价上均显著优于最先进基线。