一句话：把”写剧本 → 定角色 → 画分镜 → 生成音视频 → 剪成片”整条 AI 短剧流水线，装进一张开源的无限画布里。
GitHub：ddcat-ai/open-ai-canvas ｜ ⭐ 1.1k ｜ Fork 348 ｜ MIT 协议
在线演示：yingce.tv（账号
test/ 密码test123456）
它是什么？解决什么问题？
现在用 AI 做短剧的人，工具是散的：一个网站写剧本，一个 App 生图，一个工具生视频，最后拖进剪映硬剪。灵感、素材、版本散落各处，换个模型又要重新学一套操作。
影策要干的事就是把创作过程本身变成工作台：以无限画布为底，剧本、角色、场景、风格板、分镜、成片都是画布上的节点；图片、视频、音频、文本生成都是统一的异步任务；最后在时间线里剪成片、服务端直接导出。一句话：从一个故事想法开始，在同一张画布上走到成片。
核心优势：为什么值得 Star
1. 真·影视工作流，而不是”生图玩具”
很多 AI 绘画/视频开源项目停在”输入提示词 → 出图”这一步。影策是按影视生产流程建模的：
- 剧本 → 角色 → 场景 → 风格板 → 结构化分镜 → 3D 导演台（3D-BOX）预演 → 时间线剪辑成片，每一步都是画布上的一等公民节点；
- 分镜支持镜头级维护（分页读取、按行 ID 增删改），不是一段 Markdown 假装成分镜表；
- 导演台用 Three.js 白模摆场、设机位、录制预演视频，产物自动回写为画布视频节点。
2. 多模型、多渠道聚合，不被单一平台绑死
- 文本 / 图片 / 视频 / 音频四类任务统一队列：参考图、首尾帧、运镜、续写、局部重绘、批量生成，一套交互；
- 卡藏 Midjourney、沧元 Midjourney 等以声明式插件接入（V6/V7/V8、1K/2K 档位，参数合同写在插件包里），换供应商不用改宿主；
- 后台可配系统渠道、逻辑模型、用量积分，等于自带一个轻量”模型中转 + 计费”后台。
3. 画布体验是下过功夫的
自由画布能力拉满：节点连线、框选、抓手/框选一键切换、小地图、缩放、200+ 层撤销重做、自动整理排布、只读分享链接；还有版本记录（防旧页面覆盖云端、冲突保留草稿）和画布手动保存/强制覆盖——做长项目的刚需。
4. Agent 与技能生态，创作可编排
- 云端画布 Agent：持久化对话、画布摘要/精读、审批后写画布、按预算生成媒体，全程留痕可审计；
- 内置 AI 提示词优化器（扩展想法 / 精修 / 强化风格 / 适配模型 / 结合参考），结果”采用”才回填，不覆盖原文；
- 技能库支持从 GitHub 一键安装社区技能包（如
judian-skills的 34 个短剧场景域包），剪辑还有”AI 编辑助手”（自然语言转时间线命令）。
5. 开源 MIT + 一键部署，自己就能跑一套
MIT 协议商用友好；提供 Docker 一键安装脚本，Linux 云服务器一条命令起 PostgreSQL + Redis + 后端 + 前端。默认 SQLite 本地跑，部署切 PG，个人和团队都 cover。
它是怎么制作的？（技术架构）
浏览器 web/（React + Bun）
├─ 画布 / 任务中心 / 素材库 / 时间线编辑器（Zustand + localForage）
└─ 登录态 API + SSE（流式任务进度）
│
▼
后端 backend/（Go + Gin）
├─ handler → service → repository/model 分层
├─ SQLite（本地）/ PostgreSQL + Redis（部署）
├─ 异步任务 worker、权限、资源存储、模型中转
└─ provider / outbound → 外部模型渠道
- 前端业务 API 统一走
web/src/services/api/request.ts，生产环境 Nginx 托管前端并反代后端； - 插件化设计：支付（微信/支付宝/虎皮椒）、Eagle 素材库、编辑器预设面板都走插件协议，宿主只管订单、鉴权和渲染；
- 配套文档很全：功能清单、代码地图、数据库结构、插件系统、更新日志都在
docs/里，二开友好。
怎么使用？三步上手
方式一：在线体验（30 秒）
打开 yingce.tv，test / test123456 登录，直接进画布玩。不想搭环境先看效果，选这个。
方式二：本地跑起来（开发/二开）
环境要求：Bun（前端）、Go 1.25（后端）。
git clone https://github.com/ddcat-ai/open-ai-canvas.git
cd open-ai-canvas
mkdir -p .local/project-workbench-debug .local/cache/go-build .local/cache/go-mod
# 终端一：后端
cd backend
CANVAS_BACKEND_ADDR=127.0.0.1:8080 \
CANVAS_BACKEND_DATA_DIR=../.local/project-workbench-debug \
go run ./cmd/server
# 终端二：前端
cd ../web
bun install --frozen-lockfile
bun run dev
打开 http://localhost:3000，注册管理员账号，然后在设置里配置模型渠道（自己的 Key 或中转站地址）——配完才能生成。
方式三：服务器部署（给团队用）
curl -fsSL https://raw.githubusercontent.com/ddcat-ai/open-ai-canvas/main/scripts/install-server.sh | sudo bash
默认 http://服务器IP:3000 访问。⚠️ 注意安全边界：首次注册管理员要在可信网络完成，公网部署保持 CANVAS_REGISTRATION_ENABLED=false，后端 8080 不要直接暴露公网（详见仓库 README「安全边界」一节）。
一条完整创作链（以 30 秒短剧为例）
- 搭架子：新建画布 → 选”短剧流水线”，写一句话故事 → 生成大纲 → 拆章节；
- 定资产：章节一键提取角色 / 场景 / 道具 → 生成角色三视图定形象 → 风格板定调；
- 拍分镜：分镜规划 → 分镜首帧图 → 首尾帧/运镜生视频 → 参考图保证跨镜一致性；
- 剪成片：进”剪辑成片”时间线，编排片段、AI 转字幕、服务端 ffmpeg 导出。
适合谁、不适合谁
| 适合 | 说明 |
|---|---|
| AI 短剧 / 短视频创作者 | 一条链路，不用来回导文件 |
| 独立开发者 / 小团队 | MIT + Docker，一天搭起自己的创作站 |
| 想学全栈/Agent 工程的人 | Go+React+插件+任务队列，代码和文档都齐 |
| 先观望 | 说明 |
|---|---|
| 要开箱即用的公网多人服务 | 项目仍在快速迭代，README 明确说先适合”个人/本地/可信环境” |
| 完全不懂技术只想点按钮 | 本地部署和渠道配置有门槛，先玩在线演示 |
结语
AI 影视工具很多，但把生产流程而不是把单点生成开源出来的不多。影策的价值不在某个模型有多强，而在于它沉淀了一套”故事 → 成片”的工程化工作流，而且这套东西你可以直接拿去改、去部署、去商用。
觉得有用就去点个 Star，有问题先翻 docs/，再去提 Issue。开源项目靠的就是这种正循环。
仓库：github.com/ddcat-ai/open-ai-canvas ｜ 基于
basketikun/infinite-canvas早期版本二次开发（MIT，见 NOTICE）。
