影视二期 AI 能力规划报告

生成日期：2026-06-11
适用产品：基于 NAS 的家庭影视中心
目标人群：不太喜欢折腾、但希望在客厅获得稳定高质量观影体验的家庭影院用户

1. 规划结论

二期 AI 能力不建议做成一个孤立的“聊天入口”，而应成为影视产品的三类基础能力：

1. 降低找片成本：把“我想看点什么”转化为可播放、可解释、可继续筛选的结果。
2. 降低理解成本：用 AI 总结、看点、人物关系、前情回顾帮助用户快速判断是否值得看、从哪里接着看。
3. 降低整理成本：自动识别媒体、补全元数据、处理重复版本、字幕音轨和资源缺口，让 NAS 像一个会整理片库的家庭管理员。

当前 Figma 原型已经具备二期的主干：AI 搜索入口、搜索结果、AI 追问模式、风格推荐、片单、最近添加和“随便看看”。建议将二期定位为“家庭观影决策助手”，优先把 AI 嵌入首页、搜索、详情页和播放器四个高频路径，再逐步扩展到资源发现、媒体库治理和家庭成员个性化。

2. 产品定位与用户场景

2.1 产品定位

产品不应直接对标 Netflix，也不应只做 Emby/Jellyfin 的 NAS 版皮肤。更合适的定位是：

面向家庭的私有影视中枢：自动整理家里的片库，理解每个家庭成员的观看偏好，并在电视、手机、电脑上用最少操作找到适合当下观看的内容。

2.2 用户特征

目标用户不是极客型自托管玩家，而是家庭影院观影爱好者。他们愿意购买 NAS、硬盘、电视盒子、投影或音响，但不希望长期处理命名、刮削、字幕、端口、转码和资源匹配问题。

典型特征：

• 内容来源混合：自有电影、剧集、家庭视频、外部平台收藏、合法下载或光盘转存。
• 观影设备多：客厅电视优先，手机用于搜索、收藏、远程管理和离线观看。
• 家庭成员多：管理员负责维护，家人只想打开就看。
• 选择困难明显：片库越大，越不知道看什么。
• 技术容忍度低：希望系统直接告诉“这部适合你”“为什么推荐”“能不能流畅播放”。

2.3 二期核心问题

二期要解决的不是“有没有 AI”，而是以下问题：

问题	用户表达	AI 机会
不知道看什么	“今晚随便找个不太累的电影”	场景化推荐、自然语言搜索、追问筛选
搜索词不准确	“那个在雪地里的悬疑片，女主好像是警察”	语义搜索、剧情/演员/标签召回
判断成本高	“这部到底讲什么？适不适合全家看？”	无剧透总结、看点、分级提醒、适配人群
中断后难续看	“上一季讲到哪了？”	前情回顾、已看进度总结
片库太乱	“为什么海报错了？字幕找不到？”	自动识别、元数据修复、字幕建议
外部资源缺口	“库里没有这部，哪里能合法看到？”	外部可看渠道、预告片、影评、用户自配资源入口

3. 当前原型与能力框架观察

3.1 Figma 原型已有基础

原型目前包含以下关键页面和交互：

• 首页结构 1：沉浸式轮播、最近播放、AI 搜索框。
• 首页结构 2：片单、最近添加。
• 首页结构 3：风格入口、电影/剧集分区、底部“随便看看”。
• 首页结构 4：随便看看详情，展示片名与推荐理由，支持下一条。
• 搜索初始态：用户输入片名、演员或自然语言描述。
• 搜索激活态：按电影、剧集输出结果。
• AI 追问模式：搜索框移动到底部，形成连续对话式筛选。

这些页面已经覆盖了“发现内容”的主链路，但还需要补充三个层面：

• 推荐理由更产品化：不是只显示“推荐理由”，而是要解释来自哪些信号，例如最近观看、收藏演员、家庭场景、时长、风格。
• 搜索结果更可行动：结果应区分“本地可播放”“库内未入库但可发现”“外部平台可看”“需要管理员处理”。
• 详情页和播放器承接不足：AI 总结、前情回顾、字幕音轨、片库治理等能力需要进入详情页和播放前后。

3.2 已有 AI 能力框架

现有能力框架包含：

• 首页：轮播推荐、最近播放、智能片单、最近添加、风格、分类、随便看看。
• 搜索：传统搜索、智能搜索、文搜视频、多轮对话、结合搜索历史。
• 详情页：在线试看、用户评价、AI 总结、资源下载。
• 设置：观影偏好管理、菜单与首页偏好、资源发现与下载配置。
• 播放器：拉流播放、YouTube 播放流及用户校验。

建议在此基础上新增“媒体库治理”和“家庭成员个性化”两条横向能力。前者帮助管理员省心，后者让推荐从“全局热门”升级为“家里这个人此刻适合看什么”。

4. AI 能力全景

4.1 能力分层

层级	能力	说明
感知层	媒体识别、字幕识别、音轨识别、画质版本识别	让系统知道片库里有什么、质量如何、是否可播放
理解层	剧情摘要、主题标签、情绪标签、人物关系、相似内容	让系统理解内容，不只依赖片名和类型
决策层	推荐排序、搜索召回、追问澄清、场景匹配	帮用户从候选内容中做选择
行动层	播放、收藏、加入片单、下载、补字幕、修元数据	把 AI 结果转化为明确动作
治理层	重复清理、缺失信息、错误匹配、外部资源缺口	降低家庭管理员维护成本

4.2 推荐能力

推荐不应只做一个“猜你喜欢”。对于家庭影视产品，更自然的推荐频道包括：

推荐模块	入口	触发信号	展示方式
继续观看	首页首屏	播放进度、剧集连续性、家庭成员	展示下一集、剩余时长、上次观看设备
今晚适合看	首页推荐	时间、时长、用户偏好、最近观看	3-5 个可快速播放的选择
家庭一起看	首页/电视端	分级、时长、语言、成员画像	排除少儿不宜、恐怖或过长内容
短时间看完	首页/搜索筛选	当前时间、影片时长、剧集单集时长	适合 30/60/120 分钟的内容
最近入库精选	首页	最近添加、评分、类型多样性	避免最近添加列表只按时间堆叠
老片重温	首页/片单	长期收藏、未看完、评分高	给收藏内容重新曝光
同风格片单	详情页	风格、导演、演员、主题	从某部片延伸到同类片
随便看看	首页底部	随机 + 偏好约束 + 避免重复	一次只给一个选择，强调轻决策

推荐结果必须带“为什么推荐”，但文案要短。推荐理由可以采用结构化标签：

• 因为你最近看了：某某类型/某某演员。
• 适合现在：时长 96 分钟，今晚能看完。
• 适合家庭：普通话/中文字幕，分级安全。
• 片库状态：本地已入库，可直接播放。
• 质量状态：4K HDR / 1080p / 多字幕 / 可直放。

4.3 AI 搜索能力

AI 搜索建议分三种模式，不需要让用户理解模式，系统自动判断即可。

模式	示例输入	系统行为
精确搜索	“盗梦空间”“诺兰”“梁朝伟”	优先返回片名、演员、导演、别名匹配结果
语义搜索	“适合周末晚上看的轻松科幻片”	按类型、情绪、时长、评分、本地可播排序
记忆式搜索	“上次看到一半那个韩剧”	结合观看历史、进度、成员账号返回候选

搜索结果建议分层展示：

1. 最佳结果：最多 3 个，直接给播放/详情。
2. 本地片库：电影、剧集、家庭视频等库内结果。
3. 相关片单：系统片单、用户片单、AI 生成片单。
4. 外部发现：合法平台可看、预告片、影评、用户自配资源提示。
5. AI 追问：当意图不清时，提出最多 2 个问题，例如“想看电影还是剧集？”“偏轻松还是刺激？”。

搜索框可支持以下自然语言：

• “找几部 90 分钟以内、不吓人的电影。”
• “我想看类似《星际穿越》但别太烧脑的。”
• “孩子能一起看的动画电影，最好国语。”
• “最近入库里评分高的犯罪片。”
• “上一部看到一半的剧继续看。”
• “有没有适合测试杜比视界和全景声的片子？”

4.4 AI 总结能力

详情页 AI 总结应分为“看前”和“看后/续看”两类，避免剧透风险。

能力	场景	内容边界
无剧透简介	详情页首屏	讲清类型、设定、主要冲突，不暴露反转
看点总结	详情页	节奏、视觉、表演、音乐、适合人群
家庭观影提醒	详情页	暴力、恐怖、亲密、脏话、儿童适宜性
前情回顾	剧集播放前	只总结用户已看集数之前的信息
角色关系	剧集详情	人物关系、阵营、已知动机
单集摘要	播放后	方便下次续看，可由用户开关
台词/片段查找	播放器/搜索	通过字幕定位片段

总结文案建议控制在三档：

• 一句话：用于卡片和轮播。
• 100 字以内：用于详情页判断。
• 详细版：用于剧情回顾、人物关系和剧集复习。

4.5 媒体库治理能力

这部分对“不爱折腾”的用户非常关键，建议作为二期隐藏但高价值的能力。

能力	用户价值	建议优先级
错误识别提醒	海报/标题匹配错误时给出修复建议	P0
命名规范建议	将混乱文件映射到电影/剧集结构	P0
重复版本识别	找出 4K/1080p/低清/重复下载	P1
缺字幕提醒	播放前发现无中文字幕或字幕不同步	P1
音轨/字幕智能推荐	自动选择家庭常用语言组合	P1
画质版本说明	告诉用户哪个版本更适合电视、手机、远程	P1
转码风险提示	播放前提示该设备可能卡顿或需要转码	P1
自动片单归类	生成导演、演员、系列、风格、家庭片单	P2

治理类建议必须可预览、可撤销，避免 AI 自动修改用户珍贵片库。

5. 页面级嵌入方案

5.1 首页

首页建议从“内容陈列”升级为“观影决策台”。

推荐结构：

1. 顶部 AI 搜索：保留当前原型的自然语言输入，强化示例提示。
2. 沉浸式推荐轮播：展示 3-5 个强推荐内容，带一句话理由。
3. 继续观看：按成员隔离，优先电视剧下一集。
4. 今晚适合看：根据当前时间、时长、偏好生成。
5. 最近添加精选：不是所有最近添加，而是从新增内容中筛出更值得看的。
6. 风格入口：Action、Sci-fi、Thriller 等可以升级为用户常看风格。
7. 智能片单：如“周末家庭影院”“高分但没看过”“90 分钟以内”“适合孩子”。
8. 随便看看：保留原型中的轻决策入口，作为 AI 推荐的差异化功能。

5.2 搜索页

当前“搜索激活”和“AI 追问模式”方向正确。建议补充：

• 搜索中状态：展示“正在理解你的描述”“正在查找本地片库”“正在匹配外部可看信息”。
• 结果来源标签：本地已入库、外部可看、预告片、待整理、无结果。
• 追问问题不超过两个，避免变成客服聊天。
• 搜索历史可沉淀为偏好，但要允许用户删除或关闭。
• 对电视端遥控器输入不友好，应支持手机端输入投送到电视。

5.3 详情页

详情页建议新增 AI 区块：

• 一句话无剧透总结。
• 推荐理由：为什么适合我/我们家。
• 看前提醒：时长、分级、恐怖/暴力/亲密内容、是否适合儿童。
• 版本建议：推荐播放 4K 版/1080p 版/移动版。
• 字幕音轨建议：根据用户偏好自动选择。
• 相关内容：同导演、同演员、同风格、同系列。
• 库内缺口：如果是系列电影，提示缺少哪几部。

5.4 播放器

播放器里的 AI 应克制，避免打扰观影。适合放在暂停态、播放前、播放后。

可嵌入能力：

• 暂停时显示角色卡片：当前角色、演员、已知关系。
• 字幕片段搜索：输入一句台词定位片段。
• 前情回顾：剧集开播前 30 秒展示。
• 看完后总结：生成本集摘要，供下次续看。
• 片尾建议：下一集、同风格影片、加入片单。
• 画质诊断：卡顿时用自然语言说明原因，例如“当前设备不支持该字幕格式，正在转码”。

5.5 设置页

设置页不建议堆模型参数，而应设计为普通用户能理解的偏好：

• 我喜欢的类型：科幻、动作、悬疑、动画等。
• 我不想看到的内容：恐怖、血腥、儿童不宜、过长影片等。
• 常用观看场景：一个人、家庭、孩子、睡前、周末影院。
• 语言偏好：音轨语言、字幕语言、是否自动开启字幕。
• 推荐开关：是否使用观看历史、是否使用收藏、是否使用搜索历史。
• 外部来源：只展示用户已授权或已配置的合法来源。

6. 外部资源接入规划

外部资源接入必须明确合规边界：产品支持用户管理自有或已授权内容，不内置、不推荐、不直接提供盗版搜索或下载入口。

6.1 推荐接入类型

类型	价值	建议
元数据源	补全海报、简介、演员、评分、季集信息	P0 接入，可多源校验
预告片/花絮	帮用户判断是否想看	P1 接入，详情页展示
字幕源	改善外语片体验	P1 接入，需用户确认下载
合法可看平台	告诉用户哪里可看	P1/P2 接入，按地区和授权展示
用户自配资源站	满足高级用户扩展	P2，以插件/配置方式提供，默认关闭
下载器联动	把任务交给用户已有工具	P2，只做任务管理和状态展示

6.2 资源状态设计

搜索和详情页应区分以下状态：

• 本地已入库：可直接播放。
• 本地有相似内容：可能是不同版本或命名错误。
• 本地未入库，但外部可看：展示合法平台或预告片。
• 本地未入库，用户可配置来源：提示管理员配置，不向普通家庭成员暴露复杂入口。
• 资源处理中：下载中、转码中、识别中、待管理员确认。

6.3 合规与安全原则

1. 默认不内置灰色资源源。
2. 对用户自配来源进行权限隔离，普通成员不可见。
3. 下载、索引、播放三者解耦，避免搜索结果直接变成侵权入口。
4. 对外部链接、插件、脚本执行做沙箱和审计。
5. 明确记录资源来源和用户操作，降低平台责任风险。

7. 数据与模型底座

7.1 数据结构

建议建立统一的媒体知识库：

数据	示例	用途
基础元数据	片名、年份、导演、演员、类型、评分	搜索、详情、推荐
文件元数据	分辨率、码率、编码、HDR、音轨、字幕	播放适配、版本推荐
内容理解数据	摘要、主题、情绪、关键词、人物关系	AI 搜索、总结、推荐
用户行为	播放、暂停、弃看、收藏、搜索、片单	个性化推荐
家庭成员画像	年龄段、偏好、限制、观看设备	家庭推荐、儿童保护
外部来源状态	平台可看、预告片、字幕、下载状态	资源发现

7.2 技术路线

推荐采用“本地优先 + 云端可选”的混合方案：

• 本地索引：片名、演员、字幕、文件信息、观看历史。
• 本地向量库：摘要、标签、字幕片段的语义检索。
• 云端模型：复杂总结、跨源理解、自然语言追问，可由用户选择开启。
• 小模型本地化：偏好分类、标签生成、字幕片段搜索、简单摘要。
• 隐私控制：家庭视频、儿童观看记录、文件路径默认不上传。

7.3 推荐排序信号

推荐排序建议同时考虑：

• 内容匹配：类型、演员、导演、主题、相似影片。
• 场景匹配：时间、设备、是否家庭观看、可用时长。
• 播放可行性：本地已入库、可直放、字幕音轨匹配。
• 新鲜度：最近添加、长期未看、刚更新下一集。
• 质量：评分、清晰度、用户收藏、播放完成率。
• 多样性：避免首页全是同一种类型或同一演员。

8. 分期路线图

8.1 P0：二期最小可用版本

目标：让用户明显感受到“更容易找到今晚要看的东西”。

功能范围：

• 首页 AI 搜索框，支持片名、演员、自然语言描述。
• 本地片库语义搜索，按电影/剧集分组。
• 搜索结果推荐理由和本地可播状态。
• 首页“今晚适合看”“最近添加精选”“随便看看”。
• 详情页无剧透 AI 总结和一句话看点。
• 基础偏好设置：喜欢/不喜欢类型、儿童不宜过滤、字幕语言。
• 搜索历史和观看历史用于推荐，可关闭。

验收标准：

• 用户能用一句自然语言找到库内内容。
• 搜索无结果时能给出追问或替代建议。
• 推荐内容都能解释“为什么推荐”。
• 不改变用户文件，不做不可逆整理。

8.2 P1：家庭影院增强版

目标：让 AI 从找片扩展到播放决策和家庭成员体验。

功能范围：

• 家庭成员独立画像、观看历史和儿童保护。
• 前情回顾、角色关系、单集摘要。
• 字幕/音轨智能推荐。
• 版本推荐：4K、1080p、移动版、远程版。
• 转码风险提示和播放质量诊断。
• 合法外部可看平台、预告片和字幕源接入。
• 媒体库错误识别、缺字幕提醒、重复版本提示。

验收标准：

• 同一片库下不同家庭成员看到不同推荐。
• 剧集续看前能生成已看范围内的回顾。
• 播放前能给出更适合当前设备的版本建议。
• 管理员能批量处理一组低风险整理建议。

8.3 P2：开放生态与自动化

目标：建立可持续扩展的资源发现和智能整理生态。

功能范围：

• 用户自配外部来源插件。
• 下载器联动和任务状态回传。
• 自动生成家庭片单、导演专题、演员专题、系列补全。
• 台词搜索、片段定位、截图识别。
• 本地小模型部署选项。
• 面向高级用户的规则引擎：例如“新入库 4K 电影自动加入周末片单”。

验收标准：

• 外部来源默认关闭、权限隔离、可审计。
• 插件失败不影响核心播放。
• 用户可理解并撤销 AI 自动整理建议。

9. 关键指标

指标	含义
搜索成功率	搜索后进入详情或播放的比例
自然语言搜索占比	用户是否真正使用 AI 搜索
推荐播放转化率	首页推荐被播放的比例
推荐跳过率	用户快速跳过或标记不感兴趣的比例
随便看看采纳率	随便看看后播放或收藏的比例
详情页决策时长	用户从进入详情到播放/退出的时间
续看完成率	剧集下一集/电影继续播放的完成情况
整理建议采纳率	管理员接受 AI 修复建议的比例
播放失败/卡顿诊断命中率	AI 解释是否帮助解决播放问题

10. 风险与边界

10.1 版权风险

外部资源接入是高风险区。建议产品文案和功能都坚持“用户自有/授权内容管理”，避免把 AI 搜索包装成全网资源搜索或下载入口。

10.2 隐私风险

观看历史、儿童偏好、家庭视频和文件路径都属于敏感信息。默认策略应为本地优先、最小上传、可关闭、可清除。

10.3 幻觉风险

AI 总结、演员信息、可看平台都可能出错。对影视元数据应采用结构化数据源校验；对生成内容标注“AI 生成”，并提供纠错入口。

10.4 体验风险

家庭电视端不适合长对话。AI 追问应短、少、可跳过，结果要能直接播放。不要把首页做成聊天页面。

10.5 性能风险

NAS 硬件能力差异大。语义索引、字幕解析、视频理解、转码诊断都要支持后台任务、低峰运行和进度展示。

11. 建议原型补充清单

建议在现有 Figma 原型基础上新增以下页面或状态：

1. 首页：AI 推荐理由样式、今晚适合看、最近添加精选、家庭一起看。
2. 搜索：无结果态、追问态、外部可看结果、资源处理中状态。
3. 详情页：AI 总结、看点、家庭观影提醒、版本建议、字幕音轨建议。
4. 播放器：前情回顾弹层、暂停角色卡、播放问题诊断。
5. 设置：偏好设置、隐私开关、外部来源配置、儿童保护。
6. 管理员中心：媒体库整理建议、错误识别、重复版本、缺字幕。

12. 二期推荐 MVP

如果二期资源有限，建议优先做以下闭环：

1. 本地片库语义搜索：让用户能用自然语言找到库内电影/剧集。
2. 首页场景化推荐：今晚适合看、随便看看、最近添加精选。
3. 详情页无剧透总结：帮助用户快速判断是否播放。
4. 推荐理由：建立用户对 AI 推荐的信任。
5. 偏好设置：允许用户告诉系统喜欢什么、不喜欢什么。
6. 搜索追问：当描述模糊时，AI 用 1-2 个问题收敛结果。

这个 MVP 的优势是路径短、价值明显、合规风险较低，也最贴合“不爱折腾”的家庭用户。外部资源接入、下载器联动、插件生态可以放到 P1/P2，先把“本地片库更好找、更好懂、更好看”做扎实。

13. 输入依据

• Figma 原型：《影视二期（AI推荐 AI搜索）》WEB/PC 页面，包含首页、搜索、AI 追问和随便看看等线框。
• 本地能力框架：《影视AI能力框架.png》《影视AI能力框架.xmind》。
• 本地调研文档：《欧美用户影视多媒体存储类产品使用习惯调研报告.md》。