featured 1

拆解 WEBTOON 如何用 LangGraph 讀懂漫畫，人工成本直接降低70%

你知道那些漫畫推薦怎麼精準知道你的喜好嗎？

你上 WEBTOON 看漫畫，追了幾部，平台就推薦了幾部你意外很喜歡的新作，這種精準感是怎麼來的？

我一直以為是統計點擊率和完讀率，後來看了他們的工程案例，才發現背後的邏輯跟我想的完全不一樣。他們讓 AI 真的讀懂了每一部漫畫，包含誰是主角、情緒走向、劇情節奏，然後才做推薦。

問題在於，WEBTOON 上有幾十萬部作品，每天還在新增。靠單一 AI 掃完這些內容，根本做不到。

他們的解法是搭了一套叫做 WCAI 的系統，用多個 AI 分工合作來讀。讓這一切運作的框架叫做 LangGraph。

他們在面對什麼問題？

WEBTOON Entertainment（納斯達克代碼：WBTN）旗下有漫畫平台，也有寫作社群 Wattpad，每天新增的內容量非常驚人。每一種業務需求都要先理解內容才能運作：

  • 推薦系統要知道這部漫畫的類型和情緒走向，才能推給對的讀者
  • 翻譯團隊要知道角色的個性和說話方式，才能翻得準確
  • 行銷活動要快速抓出角色特色，才能做出宣傳素材

這些事情以前要靠人工一集一集看，速度慢、成本高，還容易因為每個人的理解不同而出現落差。

更關鍵的是，WEBTOON 不想用漫畫本身去訓練 AI，因為那些是創作者的作品，有著明確的版權邊界。他們要的是一套能讀取資訊又不佔有內容的方式。

WCAI：讓不同的 AI 各司其職

WEBTOON 的解法叫做 WCAI（WEBTOON Comprehension AI），本質上是一個多 Agent 系統，以 Agentic Workflows（智能體工作流）為核心運作。

核心想法很簡單：讓不同的 AI 各做各的事。

可以把它想成一個閱讀研究小組：一個人專門記角色長相和名字，一個人分析劇情節奏，一個人觀察畫面情緒，一個人處理不同語言版本的語境差異。每個人只做自己最擅長的，最後把結果匯整起來。

WCAI 就是這樣的架構，只是這些成員都是 AI Agent。底層採用了視覺語言模型（VLMs），讓 AI 能同時看懂漫畫裡的圖像和文字，再由多個 Agent 分工協作。

我覺得最值得注意的設計原則是：WCAI 提取的是已發布內容的資訊，不用漫畫去訓練模型。創作者的作品不會被拿去餵給 AI 學習，只是被閱讀並記錄重點。這讓整個系統從設計之初就站在創作者那一邊。

使用 LangGraph 的 WCAI 架構

LangGraph 是 LangChain 這個 AI 開發工具套件裡的模組，專門用來管理多個 AI 如何協作。2025 年 5 月正式推出正式版（General Availability），目前已有超過 400 家企業在正式環境中使用，包括 LinkedIn、Uber、Replit 等。

把它想成一張流程圖，上面有一個一個的節點（Node），每個節點代表一個 AI 要完成的任務。任務完成後，結果傳給下一個節點，或根據情況路由到不同的後續步驟。如果你對 LangGraph 的 Node、Edge、State 這些概念不熟，可以先看 一篇文簡單理解 Multi-Agent 和 LangGraph，再回來讀 WEBTOON 的案例會更清楚。

下圖是 WCAI 的實際架構示意：

LangGraph WCAI 架構示意

左邊三個 Agent 依序處理：角色辨識、說話者辨識、敘事抽取，完成後再根據需求分流到右邊三種業務：媒體運用（影片、宣傳）、翻譯（多語言支援）、商業授權（IP 變現）。

WEBTOON 在評估多種框架後選擇 LangGraph，原因有三個：

  • 好理解：每個節點的任務一目了然。工程師看得懂，產品和營運人員也能追蹤 AI 在哪個步驟做了什麼決定，有助於建立使用信任。
  • 好擴充：系統規模大了，直接加新節點；對接現有的資料庫或內部工具，整合過程也不複雜。大規模部署時的容錯設計，讓系統即使遇到異常也不會整條流程中斷。
  • 好除錯：LangGraph 搭配 LangSmith（一個追蹤工具），可以看到整個流程的執行路徑，找出哪個環節速度慢、哪個節點消耗了過多的視覺 token，進而調整效能。

AI 實際對這部漫畫做了什麼？

WCAI 包含四個主要工作流，每一個對應一種理解任務：

角色辨識（Character Identification）：找出角色的名字、別名、代表性圖片與外型特徵、情感變化曲線。輸出是一份結構化的角色小檔案，讓翻譯或行銷可以直接查詢，省去重新翻閱漫畫的時間。以前團隊需要人工瀏覽每一集來找這些資訊，現在可以用自然語言直接問系統，馬上拿到結果。

情節結構抽取（Narrative Structure Extraction）：分析故事的主線、時間線、起承轉合、衝突點在哪裡。推薦系統用這個判斷這部漫畫適合喜歡快節奏的讀者，還是偏好慢熱敘事的讀者。

視覺情緒分析（Visual Emotion Analysis）：看人物表情、色彩風格、畫面構圖，判斷這一章的情緒基調是緊張、溫馨還是低落。翻譯團隊用這個確保語氣在不同語言版本裡一致，目標是翻出相同的情緒，而不只是對應的字面意思。

多語言理解路由（Multilingual Routing）：同一部漫畫，韓語市場和歐美市場的處理方式不一樣。韓語讀者更在意動作感，歐美讀者更看重對白的表達方式。這條流程會根據目標市場動態調整。

這四條流程透過動態工作流路由（Dynamic Workflow Routing）靈活組合，也可以同時並行處理多個任務。

用數字說話

根據 LangChain 官方案例文章，WCAI 的導入讓 WEBTOON 內容團隊的工作量減少了 70% 以上。具體來說，是關鍵字提取這個任務從人工密集作業變成了自動化流程，讓團隊能把時間放在創作者推廣和 IP 授權佈局上。

LangGraph 不只 WEBTOON 在用

後來我查了一下，WEBTOON 的案例並非唯一的例子。LangGraph 在生產環境中的採用 其實已經很廣泛：

  • LinkedIn：用 LangGraph 建了 AI 招募助手，自動化候選人篩選流程；另一套 SQL Bot 讓員工用自然語言查詢資料庫
  • Uber：用 LangGraph 協調大規模程式碼遷移，讓多個 AI Agent 分工完成每一個步驟
  • Replit：AI 程式開發助手在背後使用 LangGraph 協作
  • Elastic：即時威脅偵測系統

2025 年 10 月，LangGraph 正式推出 1.0 版本，承諾在 2.0 之前不會有破壞性更新，代表這個框架已從實驗性工具走向穩定的生產級基礎設施。

看完這個案例，我重新想了一件事

以前大家擔心 AI 會生成內容、取代創作者。WCAI 走的是另一條路：讓 AI 的任務輔助人工讀懂漫畫，然後幫助推薦、翻譯、行銷這些環節做得更好。

創作者的作品沒有被用來訓練模型，也沒有被複製或替換。AI 成了一個更高效的讀者，讓這些作品推薦給更多適合的人。

當平台能更準確地理解每部作品的特質，小眾的好作品反而更有機會被看見。

總結

WEBTOON 的這個案例，是目前我看到創作者 AI 應用裡少數真正落地、有實際數字支撐的例子。它說明了一件事：多個 AI 分工協作，穩定性和可解釋性都比單一 Agent 更有優勢，前提是框架選對、設計從一開始就尊重創作者的版權邊界。

AI 在創作產業最有價值的位置，可能比製造內容更在於理解內容。

延伸閱讀

標籤

相關文章