通过分析线上用户的 AI 视频生成请求，构建多模态标签、视频质量评估与场景分析框架，为模型、产品、数据方向的迭代提供决策输入。
团队的大方向仍然是卷模型能力。但距离线上用户请求和行为反馈最近的团队，是 DA 团队。
用户 Prompt
输入图片 / 视频
模型生成结果
Excel / 样本数据
分析任务需求
团队级打标产品
数据上传
Prompt 配置
批量调度
结果导出
标签树
维度设计
输出 Schema
Prompt 模板
文本理解
图片理解
视频理解
Good / Bad Case
任务拆解
证据提取
多轮判断
结果校验
结构化标签
结果表
Prompt 模板库
标签树资产
样本案例库
用户意图分析
产品分析
场景分析
Good / Bad Case
数据补齐判断
模型优化支持
不是“需要打标签”这么简单，而是工具、框架和模型能力同时到了边界。
对普通分析师和整个团队来说，批量调用模型、调 Prompt、处理多模态输入和解析结果，本身就是一套复杂工程。
现在的痛点不是没人打标签，而是标签五花八门，各打各的，结构很散。
复杂多模态判断，
已经触及模型上限。
判断一个 AI 视频是否真正可用，往往涉及长上下文、时序关系、多模态参考和质量标准。单轮调用会漏判、误判，或者给出不稳定结论。
从个人脚本走向团队级打标产品，把接口调用、批量处理、重试、解析和模型适配封装起来。
它经历了产品构想、MVP 验证、架构设计与开发，再到真实用户反馈驱动的持续迭代。
传统打标常常要 1-2 周：取数、拆字段、写脚本、调接口、清洗结果，分析师很难把这件事变成日常能力。
非开发背景同学不熟 API、批处理、结构化输出和多模态输入，脚本能力无法团队化。
先搭出最短链路：选列、写指令、试跑小样本、确认效果，再启动全量打标。
MVP 验证重点不是功能堆满，而是确认分析师是否真的能不用代码完成一次打标。
分析师看到的是上传 Excel、填写 Prompt、查看结果；背后则由前端、后端、云服务和数据库共同支撑，让一次打标任务可以被运行、追踪、复用和沉淀。
面向分析师的任务配置、Excel 上传、试标、结果回查和模板管理界面。
承接任务创建、批量调度、失败重试、结果解析和模型调用适配。
后端服务部署在 Cloud Run，前端通过 Firebase Hosting 承载，模型接入 Vertex AI。
保存任务、样本、标签结果、Prompt 模板、回查记录和结构化输出。
可标的功能不是一次想完整，而是在使用中不断暴露新的摩擦点，再用产品能力接住。
先试标少量样本，在线回查原文与结果，用统计分布判断质量，再把成熟 Prompt 放进模板库。
面对 700+ 节点标签树，直接一次性让模型判断会带来上下文溢出和错判。
不再把标签当成一堆字段，而是把用户输入、画面元素、意图和业务应用放进同一条链路。
这类请求看起来只是一个 Prompt，但实际同时包含素材类型、主体参考、动作控制、镜头控制、风格偏好和质量评估标准。
单轮调用已经触及多模态理解模型的能力上限，所以复杂内容判断必须被拆成可规划、可取证、可复核的工作流。
可标先降低团队打标成本；更关键的是，标签体系把线上用户需求转成业务反馈，反哺模型训练和行业判断。