这次我们来看一套围绕 MiniMax H3 的提示词优化方法论把“一句话生成专业 AI 短片”这件事拆成可复用的 LLM 导演 Skill。标题里提到的“提示词管家”“智能分镜”“脑洞模式”“强遵循度”听起来像功能点拆开看本质是一套提示词工程流程。它解决的是视频生成模型最常见的问题提示词写得太散、镜头感弱、模型不听话、前后画面不一致。很多人用 MiniMax H3 生成短片时不是模型不行而是输入方式太随意导致输出质量不稳定。这篇文章会说明这套导演 Skill 能做什么、适合什么人、怎么部署、怎么调用、怎么批量跑然后从模块设计、强遵循度实现、智能分镜和脑洞模式四个方向拆解工作流最后补上接口调用示例、性能观察、常见问题排查和合规使用边界。想用 MiniMax H3 做 AI 短片或者想给自己的视频工作流加一套可控提示词管理方式这篇文章可以直接收藏。1. 核心能力速览能力项说明项目类型提示词工程 / LLM Skill 工作流面向 MiniMax H3 视频生成模型的提示词优化方案核心能力一句话生成专业短片提示词、智能分镜、脑洞模式、强遵循度控制适配模型MiniMax H3 及同类多模态视频生成模型也兼容语言模型做提示词重构运行形态提示词模板 LLM 调度脚本 视频模型调用脚本可本地整合包运行也可包装成 HTTP API显存需求不确定取决于实际模型版本线上 API 无需本地显存本地部署需按实际模型版本测试启动方式命令启动 / WebUI / API 服务取决于整合包实现需按实际环境确认批量任务支持提示词批量生成、分镜批量重建、任务队列失败重试是否支持 API可以封装为通用 HTTP 服务供其他工具或自动化流程调用适合场景AI 视频创作者、分镜师、自媒体运营、提示词工程研究、短视频批量生产MiniMax H3 的本地部署参数、蒸馏模型版本、推荐配置和整合包方案社区里有不少讨论但不同版本差异较大。正文中只给通用验证流程具体显存数字、端口路径和脚本名称以官方文档和本机测试为准不替任何整合包背书。2. 适用场景与使用边界2.1 适合谁用 MiniMax H3 做短视频、广告短片、概念片的人希望从“反复改提示词碰运气”变成“结构化生成分镜”。需要批量产出分镜脚本的团队比如一个项目要出几十条创意方向每一条都要有镜头级提示词。想研究提示词工程方法的人包括 LLM Skill、提示词模板、结构化输出、约束生成等方向。已经把 MiniMax H3 接入 ComfyUI 工作流的用户需要一套把 LLM 和视频模型配合起来的中间层。2.2 能解决什么问题一句话输入太笼统时模型容易自由发挥画面和文案对不上。导演 Skill 把输入拆成“故事梗概 风格 时长 镜头数量 约束条件”生成结果会更接近用户预期。分镜手写效率低镜头之间缺乏延续性。Skill 通过结构化分镜模板强制生成镜头编号、景别、运镜、转场、时长、画面描述让多镜头内容在语义上保持连贯。提示词风格不统一换一个人操作结果差异很大。Skill 把提示词范式固化减少个人表达差异对生成结果的影响。2.3 不适合什么场景想完全不看生成结果、自动输出完整成品电影这超出了提示词工程的能力范围。视频生成仍然需要人工筛选关键镜头提示词只能提高命中率不能保证每帧完美。对画面有精确帧级控制需求例如必须指定某一秒的准确动作轨迹需要配合 ControlNet、运动笔刷等帧级控制方案单纯提示词不够用。涉及真实人物肖像、受版权保护的音乐和画面素材时不能因为“提示词看起来正常”就直接商用。必须先确认授权。3. MiniMax H3 提示词优化核心思路为什么需要导演 Skill直接给视频生成模型写长提示词通常有三个问题。第一模型对长文本的关注会衰减。很多视频生成模型不是把提示词逐字执行而是提取关键语义。一段 200 字的提示词里真正被模型执行的可能是前 80 字。如果核心动作和主体放在后半段结果就会偏离。第二镜头语言缺失。普通用户写提示词会写“一个女孩在街道上走”但导演会写“中景跟拍运镜女孩从画面左侧走入环境光为黄昏侧光背景街道有轻微景深镜头缓慢推进”。后者包含景别、运镜、光线、构图、运动方向模型能理解的细节完全不同。第三参数和提示词没有联动。同样的提示词在分辨率、步数、帧率、首尾帧不同时效果差异巨大。导演 Skill 会把参数建议和提示词一起输出减少人工试错。所以“导演 Skill”的本质是在用户和视频生成模型之间加一层结构化的提示词转换器。它先理解用户的一句话需求再按导演视角拆成镜头级描述最后输出模型更容易执行的提示词和参数建议。核心思路可以归纳为一条链路一句话需求 - 意图解析 - 创意发散脑洞模式 - 分镜结构化 - 镜头级提示词 参数约束 - 视频模型生成 - 效果反馈 - 提示词修正这条链路里最值得花时间的是“分镜结构化”和“参数约束”两段。分镜决定画面叙事是否完整参数约束决定模型是否听话。4. 提示词优化 Skill 设计模块拆解与强遵循度实现4.1 五个核心模块一套完整的导演 Skill可以拆成五个模块意图解析器把用户的一句话拆成故事主体、动作、环境、时间、风格、情绪六个维度。创意发散器在脑洞模式下基于同一意图生成多个不同叙事方向供用户选择。分镜生成器把选定方向拆成镜头列表每个镜头包含镜头号、景别、运镜、画面描述、台词、时长、转场方式。提示词编译器把每个镜头编译为目标视频模型适用的提示词同时输出负面提示词建议。参数建议器根据镜头类型和生成需求输出分辨率、帧率、步数、首尾帧等参数建议。这五个模块不一定都要做成独立脚本也可以在一个提示词模板里完成。关键是输出结构要稳定方便程序解析。4.2 强遵循度的实现方法“强遵循度”不是模型自带的能力而是通过提示词结构和验证流程设计出来的。第一种方法是结构化输出约束。要求 LLM 只输出 JSON并且字段名固定这样后续脚本可以直接解析也减少了模型自由发挥的空间。示例{ shot_id: 1, scene: 城市天台, subject: 穿白色风衣的女生, action: 回头看向镜头微笑, camera: 中景缓慢推进, lighting: 黄昏金色侧光, duration_seconds: 4, transition: 叠化, prompt: medium shot, slow push in, a woman in white trench coat turns back and smiles at camera, golden hour side lighting, city rooftop background, shallow depth of field, negative_prompt: blurry face, extra fingers, distorted limbs, oversaturated, low quality }第二种方法是步骤化约束。把提示词生成分成三步先写画面主体再写运镜与构图最后写氛围与风格。每一步单独校验防止模型把信息混在一起。第三步是负面清单。在提示词模板中明确写出不要出现的内容例如画面模糊、肢体扭曲、多余人脸、字幕乱码、水印等。负面清单写得越贴近模型常见缺陷效果越好。第四步是反馈修正循环。每次生成后把结果截图或描述回填给 LLM让 LLM 判断是否符合导演意图并输出修正后的提示词。这个循环能显著提高复杂分镜的稳定性。4.3 一套可复用的 Skill 提示词模板下面是一份适合加载到 LLM 客户端或 Skill 体系里的中文模板可按实际项目调整你是一名专业影视导演擅长把短视频创意拆解为可执行的分镜提示词。 用户会输入一段故事需求。请执行以下步骤 步骤一提取核心要素 - 主体是谁 - 在什么场景 - 做什么动作 - 什么时间与光线 - 什么视觉风格 - 什么情绪基调 步骤二生成脑洞方案 给出 3 个不同方向的创意变体每个方向 50 字以内。方向之间必须在叙事角度上有明显差异例如一个走写实、一个走抽象、一个走强冲突。 步骤三输出分镜 根据用户选择的方向生成 5 到 10 个镜头。每个镜头必须包含 - shot_id镜头编号 - scene场景 - subject主体 - action动作 - camera景别和运镜 - lighting光线 - duration_seconds时长 - transition转场方式 - prompt英文镜头提示词50 词以内按主体、动作、镜头、光线、风格顺序排列 - negative_prompt负面提示词 要求 1. 所有输出使用 JSON不要额外解释。 2. prompt 必须使用英文便于视频模型理解。 3. 主体信息在多个镜头间保持一致不得中途改名。 4. 如果用户注明“强遵循度模式”不要使用脑洞方案直接按原文本语义生成分镜。这份模板可以直接粘到 Claude Code、Codex、LLM Studio 或其他支持 Skill 的工具里使用。实际部署时建议把输出格式改成符合后续脚本解析的字段名。5. 智能分镜与脑洞模式一句话成片的工作流5.1 一句话到分镜的转换流程以“城市夜景里一个机器人捡到一朵花”为例。步骤一用户输入城市夜景机器人捡到一朵花氛围温柔一点步骤二脑洞模式输出三个方向方向A写实科幻。机器人是旧城区清洁工雨夜在垃圾堆里发现一朵发光的花动作迟疑最后把它放进胸口收纳仓。 方向B抽象诗意。霓虹灯构成花的轮廓机器人由像素粒子组成触摸花瓣时整个城市灯光跟随波动。 方向C强冲突。机器人被追捕捡花动作发生在逃跑停顿的两秒内背后追光逼近花朵是唯一暖色。步骤三用户选择方向 ASkill 生成 6 个镜头的分镜 JSON。其中第一个镜头示例{ shot_id: 1, scene: 旧城区街道, subject: 老旧的清洁机器人, action: 在雨中停止移动低头看向地面, camera: 远景转中景缓慢下摇, lighting: 路灯冷白光线地面反光, duration_seconds: 4, transition: 硬切, prompt: wide shot, rain-soaked old city street, an old cleaning robot stops and looks down, camera slowly tilts down, cold streetlamp lighting, wet reflective ground, negative_prompt: extra limbs, distorted robot, text watermark, oversaturation }步骤四把每个镜头的 prompt 按顺序交给 MiniMax H3 生成并分段检查画面是否匹配。5.2 智能分镜检查清单分镜生成后不要直接拿去生成视频。先检查以下内容主体一致性同一主体在不同镜头中的称谓、穿扮、环境特征是否一致。连续性镜头之间的动作衔接是否合理是否缺少过渡镜头。时长合理性单个镜头时长是否在模型支持范围内。运镜可行性是否有模型难以实现的大幅运镜例如快速摇移、穿墙运镜。负面清单覆盖是否补充了当前模型容易出现的人脸、手指、文字崩坏问题。检查可以在脚本里自动完成一部分。例如用字符串匹配检查主题词是否在所有镜头中出现用长度限制检查 prompt 是否超长。另一部分需要人工判断尤其是镜头衔接和情绪连续性。5.3 脑洞模式实现方式脑洞模式的核心是降低约束让 LLM 在发散阶段不急着贴合原文本而是给出多个叙事变体。实现方式是在调用 LLM 时提高 temperature并调整提示词中的约束语气你是创意导演。请基于用户的故事关键词给出 5 个方向完全不同的叙事创意。 暂时不要考虑可行性和成本只追求画面、情绪和叙事结构的差异。 每个创意 80 字以内用编号列出。脑洞模式和强遵循度并不冲突。脑洞模式用于创意发散阶段强遵循度用于分镜编译阶段。两者分离后创意阶段可以放开约束执行阶段再收回来既不会失去想象力也不会让模型跑偏。6. 环境准备与部署方式6.1 两种运行路径MiniMax H3 提示词优化 Skill 的运行环境取决于你使用视频模型的方式。路径一线上 API 方式。LLM 负责提示词优化视频生成走 MiniMax H3 或类似视频模型的 API。这种方式不需要本地 GPU只需要安装 Python 环境和对应 SDK。适合大部分内容创作者。路径二本地部署方式。MiniMax H3 本地整合包、蒸馏模型或 ComfyUI 工作流需要一定的显卡显存和磁盘空间。社区讨论里常提到推荐配置、整合包、ComfyUI 与 LLM 是否同机等话题但不同版本差异很大建议以你实际下载的整合包说明为准。6.2 通用环境检查清单无论走哪条路径建议先按下面的清单检查环境检查项说明操作系统Windows 10/11、Ubuntu 20.04、macOS 均可取决于视频模型是否支持Python 版本建议 3.10 或 3.11依赖库较新时避免 3.8CUDA 和显卡驱动本地部署必须检查线上 API 可跳过模型文件确认已下载对应模型权重或整合包路径无中文磁盘空间本地视频模型通常需要较多空间建议预留足够余量端口占用启动 WebUI 或 API 前检查端口是否被占用依赖管理建议使用 venv 或 conda 隔离环境避免和 ComfyUI 冲突6.3 启动步骤如果使用整合包一般流程是解压、双击启动脚本、等待服务地址出现。这里给出一个通用启动示例实际脚本名需要按项目替换# 1. 创建虚拟环境 python -m venv venv # 2. 激活虚拟环境Windows venv\Scripts\activate # 3. 安装依赖按实际 requirements 文件 pip install -r requirements.txt # 4. 启动服务host 和 port 按实际脚本调整 python app.py --host 127.0.0.1 --port 7860启动后打开浏览器访问本机端口能看到 WebUI 或 API 文档页面说明服务已正常启动。如果遇到端口被占用可以换一个端口python app.py --host 127.0.0.1 --port 7861如果本地显存不足优先降低生成分辨率、减少批量数、关闭不必要的后台程序或者改用线上 API。7. 接口 API 与批量任务把 Skill 变成服务提示词 Skill 不只是聊天模板。把它封装成 HTTP 服务后可以接入批量分镜脚本、自动化视频流程和团队协同工具。7.1 LLM 提示词优化 API 调用示例下面是调用本地或线上 LLM 生成分镜的 Python 示例假设 LLM 服务地址为http://127.0.0.1:8000/v1/chat/completions该地址需按实际项目替换import requests import json url http://127.0.0.1:8000/v1/chat/completions template 你是一名专业影视导演。根据用户需求输出分镜 JSON。 要求只输出 JSON不要多余解释。包含 shot_id, scene, subject, action, camera, lighting, duration_seconds, transition, prompt, negative_prompt 字段。 用户需求{user_input} 强遵循度模式{strict_mode} payload { model: your-llm-model-name, messages: [ {role: system, content: 你是一个结构化提示词生成工具。}, {role: user, content: template.format( user_input城市夜景一个机器人捡到一朵花氛围温柔一点, strict_mode是 )} ], temperature: 0.3, max_tokens: 2000 } response requests.post(url, jsonpayload, timeout120) data response.json() # 提取模型输出按实际返回结构解析 content data[choices][0][message][content] shots json.loads(content) print(json.dumps(shots, ensure_asciiFalse, indent2))需要注意不同 LLM 服务的返回结构不同有的返回data有的返回choices有的输出内容会附带 markdown 代码块需要先清洗再解析 JSON。7.2 视频模型生成 API 调用示例如果 MiniMax H3 提供生成接口调用模式通常类似import requests url https://api.example.com/v1/video/generate payload { prompt: shots[0][prompt], negative_prompt: shots[0][negative_prompt], resolution: 1280x720, duration_seconds: shots[0][duration_seconds], callback_url: http://your-server/callback } headers { Authorization: Bearer YOUR_API_KEY } response requests.post(url, jsonpayload, headersheaders, timeout60) print(response.json())以上地址、参数名、鉴权方式都是通用示例实际必须按 MiniMax H3 对应 API 文档替换。接口文档通常可以在模型官网或对应 SDK 仓库找到。7.3 批量任务设计批量场景下建议把任务拆成三个目录层级project/ ├── inputs/ # 原始需求一行一个任务 ├── shots/ # LLM 生成的中间分镜 JSON └── outputs/ # 视频生成结果批量处理脚本需要具备三个能力进度记录、失败重试、断点续跑。每个任务处理完后写入状态文件崩溃后重新运行时跳过已完成任务。示例import json import time import requests task_file ./inputs/tasks.jsonl state_file ./tasks_state.json # 读取已完成任务状态 done set() try: with open(state_file, r, encodingutf-8) as f: done set(json.load(f)) except FileNotFoundError: pass with open(task_file, r, encodingutf-8) as f: for line in f: task json.loads(line.strip()) task_id task[id] if task_id in done: continue # 执行 LLM 分镜生成 try: # 调用 LLM ... time.sleep(1) done.add(task_id) # 每处理一个任务就保存状态 with open(state_file, w, encodingutf-8) as fw: json.dump(list(done), fw) except Exception as e: print(ftask {task_id} failed: {e})批量任务建议加限速避免短时间请求过多触发服务限流。遇到 429 或 503 错误时做指数退避重试。8. 资源占用与性能观察8.1 如何观察显存和内存占用本地部署场景下在生成视频的过程中另开一个终端执行nvidia-smi -l 2这个命令每 2 秒刷新一次显卡状态。重点看两列Memory-Usage和GPU-Util。显存占用是判断当前参数能否稳定运行的关键指标。Llama 这类 LLM 也可以用nvidia-smi观察但显存占用需要以实际模型版本和推理参数为准不要只看网上说的数字。分辨率越大、批量数越高、上下文越长显存占用越高。8.2 影响性能的主要因素视频生成场景下影响性能的因素比纯文本生成更多分辨率1280x720 通常比 1920x1080 快很多显存压力也小很多。帧数/时长生成时长越长推理开销越大。批量数同一批生成多个镜头会显著增加显存峰值。提示词长度过长的 prompt 可能影响首帧延迟。本地 LLM 和视频模型同机如果 LLM 和视频模型同时跑在同一张显卡上显存竞争会导致生成变慢甚至报错。优先把 LLM 放到 CPU 或单独的 API 服务上。8.3 如何降低资源占用先降低分辨率和时长验证分镜提示词是否匹配再逐步提高参数。这比直接跑高参数更省时间。本地显存不足时可以优先处理流程先让 LLM 在 CPU 上跑分镜生成再把分镜提示词交给视频模型 GPU 推理。分镜阶段对硬件要求低视频生成阶段才需要大显存。9. 常见问题与排查方法问题现象可能原因排查方式解决方案LLM 输出的 JSON 解析失败模型输出了额外文字或 markdown 代码块打印原始输出检查前后是否有多余字符在提示词中加“只输出 JSON”解析前先去除 json 代码块标记分镜中不同镜头主体描述不一致长输出中 LLM 丢失了主体信息检查每个镜头的 subject 字段在提示词中要求所有镜头复用同一主体描述禁止改名视频生成结果与提示词不符prompt 太短、太抽象或核心信息被稀释检查 prompt 是否包含主体、动作、运镜、光线用导演 Skill 模板重新编译提示词确保关键语义前置本地部署启动失败依赖缺失、模型路径错误、端口被占用查看启动日志确认报错位置按报错安装依赖修正模型路径更换端口CUDA 相关报错显卡驱动与 PyTorch 版本不匹配执行 nvidia-smi 和 torch.cuda.is_available()安装匹配的 CUDA 版本和 PyTorch 版本显存不足分辨率或批量数过高观察 nvidia-smi 日志降低分辨率、减小批量数、开启内存优化参数API 调用超时服务端排队或生成耗时过长查看服务端日志和请求耗时加大 timeout改用异步任务或回调通知结果批量任务中途卡住某个任务触发限流或异常未捕获检查任务日志和状态文件增加异常重试和失败任务单独处理避免阻塞整个队列10. 最佳实践与合规提醒10.1 工程化实践第一次跑通流程时不要直接上高分辨率。先用 480p 和 3 秒镜头验证分镜提示词确认画面主体、运镜和氛围符合预期再提高到 720p 或更长时间。保留一套最小可运行配置包括 LLM 模板、分镜 JSON 格式、视频模型参数。后续测试新创意时只改输入需求不要动核心模板保证结果可对比。模型文件、输入素材、中间分镜、最终视频分目录管理。尤其是批量任务每个任务的状态文件和工作目录要严格对应方便断点续跑和结果回溯。接口服务只监听本机地址不要暴露到公网。如果是团队使用在前面加一层鉴权服务或使用内网部署。10.2 内容合规视频生成能力涉及真实人物肖像、音乐版权、品牌素材和文字内容使用前必须确认授权。涉及真实人物时建议使用非真实身份或取得明确的肖像授权。不要在提示词中生成违反平台规范、侵犯他人权益、暴露他人隐私的内容。脑洞模式会发散出不可预期的方向生成前必须人工筛选创意方案。发布或商用前做效果复核尤其是字幕、商标、人物形象和敏感场景。提示词工程不改变合规责任生成结果的责任始终在发布方。11. 总结与后续扩展这套导演 Skill 最值得尝试的点是把 MiniMax H3 的提示词输入从“一句话碰运气”升级为“结构化分镜输出”。最先应该验证的是分镜 JSON 的稳定性和镜头间主体一致性。最容易踩的坑是 LLM 输出格式不稳定以及提示词太长导致视频模型执行偏离。后续可以扩展的方向包括接入首尾帧控制让镜头间衔接更自然把用户的反馈自动回填到提示词模板形成个人风格库把分镜结果接入剪辑软件的时间线减少手工搬运动作。建议收藏备用。先用一句话测试跑通流程再逐步增加镜头数量和风格约束最终形成适合自己项目的提示词工作流。