做了12年漫画的快看，决定制造一种属于AI时代的互动内容形态——Livo，即将上线应用商店。在试用体验里，用户的选择与对话会改变与角色的关系；即使用户离线，仿生世界依然自发运转，角色甚至能发展出独立于用户的情节。传统RPG把变化限制在预先写好的剧情树里，Livo则允许故事从角色经历与用户行为中动态“涌现”。
支撑这种体验的，是一套新型Multi-Agent架构：最上层是World Agent，负责故事整体运行，管理日程、事件、天气等影响全局的因素；Soul Agent处理用户与角色的交互；故事里每个角色本身也是一个独立Agent，拥有不同人设与世界观，还能调用不同的Sub-agent与MCP服务。
越往下越像一场工程冒险。数据库选型从MySQL、Mongo等关系型转向VDB向量库与GDB图数据库，用于承载长期记忆与角色因果；Trace管理从传统端上埋点转向Langfuse、LangSmith等工具，记录完整的模型调用和决策链路；系统还要接入多个MaaS平台，判断不同供应商的模型服务质量，监控因量化等因素出现的效果偏差。
团队也把“记忆是一个推荐系统”当作设计原则：系统要知道何时想起什么，进行角色、用户与剧情建模；底层向量记忆配合图数据库表达长期因果，并设计重要性与遗忘机制，避免记忆无限膨胀。过去内容平台最擅长的是存储与分发，现在最难的却变成了“让角色记住并发生因果”。
成本是另一个绕不开的话题。Livo里200多个节点持续产生推理调用，Prompt设计、KV Cache命中率、输入输出Token都要控制；对影响体验的关键节点，团队会基于评测结果决定是否做Post-Training。在效果、一致性与推理成本之间找平衡，正在成为多智能体产品的基本功。
快看的探索揭示了一个趋势：过去“Agent社交”喧嚣一时未跑通闭环，产业目光多聚焦Coding与办公的效率提升，而互动娱乐或许是Multi-Agent被低估的试炼场。长期记忆、角色一致性、社会互动与长时间运行这些难题，在内容产品里会直接影响体验，逼着团队把架构做扎实。
回望历史，推荐算法最初也只是底层技术，后来长出信息流与短视频。Multi-Agent今天同样是底层技术，它会先长出什么样的产品形态，答案刚开始显现。互动内容公司把记忆、编排与评测做成了内功，这种把多智能体从Demo推向产品的路径，也正是星战科技OPC智能体协作平台方向上不断沉淀的能力——让智能体协同变得可编排、可观测、可控成本。