在实际使用视频生成模型时最常听到的一句话是“模型很强但我出的片子总差点意思。”这里的差距通常不在算力也不在模型而在提示词。MiniMax H3 这类视频生成模型已经能把文字描述转成连贯的动态画面但如果提示词只是“一只猫在窗户边看雨”生成结果往往只有画面没有节奏、没有镜头、没有故事甚至出现主体一会儿对、一会儿错。真正专业的做法是把提示词当作一种“导演语言”来设计镜头怎么走、主体怎么动、光线怎么变、情绪怎么推进都要在文字里交代清楚。下面会围绕 MiniMax H3 的提示词进阶用法介绍一套可复用的“llm 专属导演 Skill”设计思路把一句话创意自动扩展成带分镜、带镜头语言、带遵循度校验的专业 AI 短片提示词。这套方法不一定依赖复杂的软件框架关键是把提示词工程从“想到什么写什么”升级成“结构化导演流程”。1. 先弄清视频生成模型的提示词为什么难写1.1 视频模型不是“翻译机”而是“采样器”很多人在写视频生成提示词时还带着文本对话或图片生成的习惯。文本模型看到一段描述会结合上下文语义去补全细节缺失时它会主动脑补图片生成模型同样会选择“最可能的画面”但单张图片不需要考虑时间演化。视频生成模型要解决的是一整段时间序列。MiniMax H3 这类视频生成模型的生成流程通常包含多个时序片段模型需要在每个阶段决定“画面里发生什么、镜头在做什么、主体怎么运动”。提示词只是强约束条件而不是完整剧本。凡是提示词没有明确写出的维度模型就会用自己的训练分布去“脑补”。这就是为什么同一个提示词不同随机种子下有时能出好片有时完全跑偏。提示词的难点不是“让模型理解”而是“减少模型自由发挥的空间”。你写“雨夜侦探走进咖啡馆”模型可能默认是固定机位单镜头也可能默认镜头快速推近还可能让侦探从画面左上走进右下。不同默认值拼在一起结果就不可控。1.2 弱提示词常见的三种失败表现第一种是画面主体不稳定。提示词只写了“一个穿风衣的侦探”却没有写他的发型、服饰颜色、面部特征模型每一帧都可能重新推断主体导致同一个角色在镜头切换后直接换了一张脸。第二种是镜头语言缺失。模型会随机选择机位和运动方式出来的画面要么死板要么运动幅度失控。很多 AI 短片看起来“很 AI”是因为每个镜头都是无理由的大摇臂或者乱推镜头。第三种是节奏感不明显。短视频需要动静结合但提示词没有按时间轴安排动作画面往往是一连串等强度的动态没有开始、发展和收束。1.3 强遵循度不是一个模型参数而是一套提示词工程目标所谓“强遵循度”可以通俗地理解成模型对提示词里关键指令的执行比例有多高。它受到三个层面的影响模型能力本身不同模型的指令理解能力不同。采样参数随机种子、temperature、guidance scale 等会影响稳定性和多样性。提示词表达方式这是用户最能控制的层面。提示词工程层面的“强遵循度”目标就是让关键指令在生成过程中获得更高权重。常见手段包括关键词前置、固定句式、结构化分段、正向约束与反向约束并用。这里要注意不要以为把提示词写得越长遵循度越高。过长的提示词会让每个关键词的权重被摊薄模型反而抓不住重点。控制维度未写清楚时的默认表现进阶写法主体模型随机脑补固定外观特征多个镜头重复出现镜头运动随机或固定机位使用明确动词缓慢推近、跟拍时间变化单帧静态感分阶段描述动作过程光影平均光指定光源、强度、色温差风格模型默认风格给出风格参考词和负面约束2. 设计“导演 Skill”把提示词变成可复用的导演系统2.1 先理解 LLM 场景下的 Skill 是什么Skill 在 LLM 工具链中已经很常见。它的本质是把一段可复用的提示词逻辑、数据结构和工作流封装成一个“技能模块”。你可以把 Skill 理解为给 LLM 配备的一本操作手册让它在执行某个任务时永远按同一套高质量流程工作而不是每次都临时发挥。MiniMax H3 提示词优化场景里的“导演 Skill”目标就是把用户的一句话创意转换成一套结构化的分镜脚本和一段段可直接用于视频生成的提示词。它不属于视频生成模型本身而是位于模型之前的一层“提示词中间层”这也是“提示词管家”这个词的含义统一管理输入、输出、模板、风格词库和负面词库让每次生成都有据可查。2.2 导演 Skill 的五个模块一个可复用的导演 Skill 建议拆成五个模块。剧情解析模块负责从输入里提取核心要素主角、场景、冲突、情绪、目标。它解决的是“这句话到底要拍什么”。分镜拆分模块把剧情按时间线拆成若干镜头。它解决的是“这段故事应该怎么被看见”需要决定镜头数量、每个镜头的时间占比和镜头之间的逻辑衔接。镜头语言模块负责给每个镜头分配景别、机位、镜头运动方式。它解决的是“观众以什么视角看画面”。提示词组装模块按照统一模板把镜头信息组合成生成模型能读的提示词块。它解决的是“最终交给视频模型的文本长什么样”。校验模块负责检查输出是否满足基本约束比如镜头不要过多、提示词不要过长、主角特征是否保持一致、负面提示词是否真实生效。2.3 Skill 的输入输出设计导演 Skill 的输入不需要复杂。一条有核心主体和动作倾向的短句就够了例如雨夜里一位侦探走进废弃咖啡馆发现桌上的密信为了让输出更稳定建议把输入封装成 JSON{ idea: 雨夜里一位侦探走进废弃咖啡馆发现桌上的密信, mode: brainstorm, duration: 12, style: 黑色电影, subject_fixed: true }mode决定走常规分镜还是脑洞扩展duration决定镜头数量和单镜头时长style作为全局风格约束subject_fixed表示后续分镜是否必须保持主角特征一致。输出结构建议保持为分镜列表加提示词块。一个最小结构如下{ title: 雨夜密信, shots: [ { shot_id: 1, duration: 3, summary: 开场空镜, prompt: 雨夜废弃咖啡馆外景路灯昏黄雨幕倾斜镜头缓慢推近黑色电影风格胶片颗粒, negative: 文字水印无运动现代建筑 } ] }这里把提示词单独放在prompt字段是为了后续可以直接与其他工具对接不需要再做二次解析。3. 从一句话到多镜头分镜拆解与提示词组装3.1 拆镜头的基本规则分镜不是把一句话按字数切成几段而是按“镜头目的”来切。一个 12 秒的短片常见的切法是三到五个镜头。镜头太少画面单调镜头太多生成接口容易超长或产生不连贯。实际项目中可以按“起、承、转、合”来拆起交代环境和主体通常是全景或中景1 到 3 秒。承展示主体的动作中景或近景动作开始出现。转冲突或转折特写或快速运动镜头。合结果或情绪收尾稳定镜头尽量给观众留下记忆点。以“雨夜密信”为例可以拆成四个镜头镜头时长内容景别镜头运动10-3 秒雨夜咖啡馆外景雨幕全景缓慢推近23-6 秒侦探推门进入环视中景跟随平移36-9 秒走到桌边发现密信近景俯拍轻微摇移49-12 秒拿起密信表情凝重特写固定镜头轻微推进拆镜头时要避免一个常见习惯为了“展示 AI 能力”把每个镜头都写成大范围运动。实际上短片镜头语言越克制越有专业感。3.2 提示词块的组装模板每个镜头的提示词块建议按下面的顺序组装[主体描述] [关键动作] [景别] [机位] [镜头运动] [光效氛围] [风格约束] [时间连续性]也就是黑色风衣侦探灰色礼帽推开生锈铁门中景平视跟随平移路灯暖光与冷蓝雨幕形成对比黑色电影高反差胶片颗粒动作连贯自然这段提示词的每个位置都承担了明确的信息职能主体词告诉模型“拍谁”动作词告诉模型“动什么”景别和机位告诉模型“怎么看”光效与风格告诉模型“长什么样”。完整的四镜头分镜 JSON 可以长这样{ title: 雨夜密信, shots: [ { shot_id: 1, duration: 3, prompt: 雨夜废弃咖啡馆外景雨水从招牌滴落全景平视镜头缓慢推近路灯暖光与冷蓝氛围交替黑色电影风格, negative: 文字水印现代建筑人物出现 }, { shot_id: 2, duration: 3, prompt: 黑色风衣侦探推开生锈铁门靴子踩在水洼上中景平视镜头跟随平移室内暖黄灯光与窗外冷雨对比, negative: 文字水印多人面部扭曲 }, { shot_id: 3, duration: 3, prompt: 侦探走到木桌旁低头看桌面上的泛黄信封近景俯拍镜头轻微摇移台灯照亮密信边缘, negative: 文字水印剧烈晃动光线过曝 }, { shot_id: 4, duration: 3, prompt: 侦探拿起密信眉头微皱特写固定机位镜头轻微推进胶片颗粒情绪凝重, negative: 文字水印笑容画面跳动 } ] }这个 JSON 可以直接作为导演 Skill 的输出也可以继续接下一层处理例如转成英文提示词或者接入生成接口。3.3 负面提示词的写法负面提示词不适合写成一句完整句子而应该用逗号分隔的关键词列表。常见有效的负面词包括文字水印字幕现代建筑多只手手指变形人物面部扭曲镜头剧烈晃动快速切换画面模糊注意负面提示词也有权重和优先级。如果负面词太多同样会稀释正面指令。建议单个镜头的负面词控制在 8 到 12 个关键词以内并且不要把“镜头运动”直接放进负面词除非你确实希望该镜头完全静止。4. 智能分镜的高级控制镜头语言与一致性4.1 景别和机位是导演 Skill 的“语法”要让短片有导演感必须学会用文字控制景别和机位。下面这张表可以成为导演 Skill 内置的速查字典。景别英文关键词画面作用典型提示词远景wide shot交代环境远景城市全貌人物很小全景full shot展示完整人物与动作全景人物全身正在推门中景medium shot兼顾动作与表情中景腰部以上近景close-up强调表情与细节近景脸部占画面主体特写extreme close-up突出关键细节特写只有手和信纸机位方面平视使用中性叙事视角俯拍容易产生观察者视角适合发现关键物件仰拍可以强化主体的压迫感或力量感过肩镜头适合对话场景能增强空间关系。4.2 镜头运动要写“速度感”很多生成模型对“镜头缓慢推近”和“镜头推向窗户”的理解差异很大。建议在提示词里加入速度形容词镜头缓慢推近带轻微摇摆镜头快速跟随人物行进产生运动模糊速度词可以显著影响画面节奏。同样的机位加上“缓慢”“快速”“突然”之后模型生成的运动曲线会很不一样。不要只写“镜头推近”四个字因为模型缺少方向、速度和起止点的信息。4.3 主体一致性的三层保证多镜头视频生成最常见的问题是主角在镜头之间不一致。导演 Skill 可以从三层入手。第一层是主体特征固定。把角色外观描述写成一组固定标签比如“棕色大衣黑色短发左脸有浅色疤痕”每个镜头都重复这组标签不要中途出现“男子”“男人”“穿大衣的人”这种替换表达。第二层是场景特征固定。把咖啡馆的环境标签、色调、光线方向保持统一例如“暖黄色台灯木制吧台水渍地面冷蓝窗外雨幕”。环境一旦在某个镜头里改成白光后续镜头就很难找回原来的氛围。第三层是动作连续性。镜头之间的动作要能衔接上。镜头 1 是“推门”镜头 2 就不能突然是“已经坐在桌边”中间至少要保留一个过渡描述否则模型会认为这是两个独立片段。无论是角色标签还是场景标签建议把它们固化为变量或常量字段。这样修改主题时不需要逐个镜头查找替换。5. 脑洞模式在创意扩展和可控性之间找平衡5.1 脑洞模式解决什么问题普通模式的价值是稳定脑洞模式的价值是意外感。AI 短片创作里用户经常希望一句话生成的不是“平平无奇的正片”而是带有反转、超现实元素或反直觉设定的内容。脑洞模式的核心不是随便加一句“越离谱越好”而是通过固定规则去扩展创意同时保留原主题的可识别性。比如原句是“雨夜侦探进入咖啡馆”普通模式还是拍侦探推理脑洞模式可以把进门动作改成“倒挂的灯光下侦探的影子先于他走进门”或者把密信改成“一封寄给未来的回信”。5.2 四类脑洞方向根据实际操作经验脑洞扩展可以分成四类设定反转保持主体替换核心设定。比如“咖啡馆其实是移动的秘密列车”。视角改写把观众视角换成角色视角或物件视角。比如“从密信的视角看侦探拿起自己”。风格跨界把同一剧情放进完全不同的美学风格。比如“黑色电影侦探”改成“水墨动画侦探”。结果变形让结局超出预期。比如“密信内容不是秘密而是一张明天的天气表”。在设计导演 Skill 时可以设置类似的mode参数接收这些方向并把四类规则写进 Skill 的逻辑指令里让 LLM 按规则输出脑洞分镜而不是随意发挥。5.3 脑洞模式的约束条件脑洞模式必须同步保留三个约束主角特征不替换。脑洞可以改变场景、动作、结局但不建议改变角色的核心视觉标签。镜头数量不增加。脑洞模式下镜头数量仍然受时长限制避免创意扩展导致分镜膨胀。风格关键词需要重新指定。跨风格脑洞时必须在每个提示词块中替换全局风格关键词否则模型会因为混入旧风格而输出很怪的画面。6. 强遵循度调试什么样的提示词才算合格6.1 用五维评分代替“好不好看”判断提示词是否合格不能只看最终画面“好不好看”。建议每次生成后用五个维度评分维度检查内容合格标准主体主角是否保持稳定特征每个镜头都能认出是同一人物动作动作指令是否被执行推门、坐下、拿信等动作清晰景别镜头景别是否符合要求提示词写中景画面确实是腰部以上镜头运动模型是否执行运动指令出现推近、跟随或固定机位风格氛围和色调是否统一情绪和画面质感一致每个维度按 1 到 5 分打分低于 3 分的维度就需要回改提示词。这个评分习惯比随机调随机种子高效得多因为你能定位到具体是哪一层指令没有被遵循。6.2 采样参数对遵循度的影响在常见的视频生成接口中有四个参数会影响遵循度temperature控制随机性。调低会减少发散但过度调低可能让画面死板。seed固定随机种子可以复现结果也方便对比提示词修改前后的差异。guidance scale控制提示词对画面的引导强度。数值偏低时模型自由发挥空间大偏高时画面可能出现过饱和或失真。采样步数步数过少时运动连贯性差过多时生成速度变慢。不同部署环境的参数命名不完全一致。生产环境里不要直接套用别人分享的数值先用同一个 seed 做一组小梯度测试再固定最优参数。6.3 五类典型失败模式主体对但动作没动检查动作指令是否被句式稀释把动作词提前删除不必要副词。景别永远是中景检查是否把“中景”和其他镜头术语混在一起或者负面词误含“特写”。镜头完全静止确认提示词里有没有“固定镜头”如果有模型会优先响应。风格前后不一致确认每个镜头块是否都带全局风格关键词不要只在第一个镜头写。正片文字乱入在负面提示词中固定保留“文字字幕水印”并避免 prompt 中直接出现与字幕相关的词。调试时一次只改一个变量。同时改提示词、seed 和 guidance scale你根本不知道是哪一项让画面变好了。7. 常见问题排查从现象倒推提示词问题7.1 排查顺序当生成结果不符合预期时按下面的顺序排查不要先盲目换随机种子。确认输入想法是否包含明确的“主体 动作 场景”。确认分镜里每个镜头是否有独立的时间范围和镜头目的。确认每个镜头的提示词块是否按统一顺序组装。确认主角特征关键词是否在多个镜头中保持一致。确认参数是否已经因为上次实验被调得过于极端。查看生成日志或接口返回的错误信息看是否有截断或长度限制。7.2 问题对照表问题现象常见原因检查方式处理建议人物在第 2 个镜头换脸主体特征没有在每个镜头重复检查分镜 block 中角色标签是否一致抽取固定角色标签原样复制到每个镜头画面快速闪变镜头运动词写得太强或负面词缺少稳定约束检查是否有“快速切换”“剧烈运动”等词改成“缓慢推进”负面加“镜头剧烈晃动”一个镜头里出现多个相同角色主体描述缺失模型自动补出多人检查主体是否有明确唯一的“一个”在主体前加“一个”并在负面加“多人”提示词没有生效提示词过长或结构混乱数一下关键词数量与分镜长度拆成更短的提示词块控制单条长度风格突然变成写实只有第一个镜头写了风格词查看后续镜头是否丢失风格字段风格词写入全局公共配置并逐镜头注入7.3 日志与版本管理提示词优化是一个反复试错的过程。建议把每次生成使用的提示词、参数、seed 和结果截图记录到本地按日期和版本号保存。这样可以随时回滚到上一次有效结果也能在模型升级后快速对比行为变化。8. 从提示词工程到生产环境Skill 的落地与扩展8.1 学习环境、测试环境、生产环境关注点不同在个人电脑或在线平台上跑通一个镜头后可以快速产出短片。但进入生产环境还要考虑几件额外的事情。配置外置化Skill 的提示词模板、风格词典、负面词库不要写死在代码里建议放到配置中心或单独文件中。批量生成生产环境通常需要多个分镜并行生成要设计好任务队列和超时重试。素材校验生成结果是否包含文字、是否有人物变形需要增加自动校验环节不能全依赖人工看片。成本控制视频生成接口按时长和数量计费调试阶段建议先用小分辨率、短时长跑通再提升规格。权限与安全多人协作时Skill 的修改权限要分离避免有人误改全局模板导致所有生成结果变化。8.2 Skill 的可复用清单一个成熟的导演 Skill至少应该包含下面这些可复用资源分镜模板按镜头数量和时间长度划分的通用结构。景别词典中文景别到英文关键词的映射表。运动词典镜头运动方式与速度描述词。风格库黑色电影、赛博朋克、水墨、动画、纪录片等风格的关键词组合。负面词库按场景分类的默认负面词。校验脚本检查分镜数量、提示词长度、主体一致性。把这些资源做成独立文件后Skill 就不只是一个提示词而是一套可以维护的导演工具链。8.3 与现有工具链结合MiniMax H3 的实际落地方式可能有很多种比如通过官方接口、在线算力平台或者像 ComfyUI 这样的节点工作流。导演 Skill 的输出最好保持纯文本和 JSON 结构这样无论后续接入哪种生成接口都只需要做一次字段映射。以 ComfyUI 为例常见的做法是先用导演 Skill 生成每个镜头的提示词块再通过自定义节点或工作流模板把提示词批量导入生成流程。ComfyUI 的节点化设计很适合把“分镜 JSON - 提示词 - 视频生成 - 保存结果”串成一条流水线但具体节点名称和接入方式会随插件版本变化落地前先确认版本再设计字段映射。提示词生成层和视频生成层也可以分离。LLM 负责生成分镜 JSON视频生成服务和 LLM 服务通过网络接口通信不一定运行在同一台机器上。需要关注的是接口超时、返回格式和鉴权配置。8.4 下一步可以扩展的方向这篇文章给出的是一套最小可用的导演 Skill 结构。在此基础上可以继续扩展的方向包括多语言提示词模板中文想法自动翻译成英文结构提示词扩大生成模型的可选范围。字幕与配音接口联动在分镜 JSON 中加入台词字段输出后直接对接字幕生成工具。镜头一致性校验用目标检测或向量特征相似度方法对生成画面的主体一致性做自动打分。Skill 共享与版本发布把优化后的 Skill 做成可导入的配置包团队成员可以统一使用。最重要的技术判断只有一个视频生成模型的能力增长很快但提示词的表达质量始终是用户侧最值得投入的杠杆。训练一套“先拆结构、再写镜头、后校验”的提示词工作流比反复抽卡式调参更可靠。如果你刚开始练习建议不要一上来就设计复杂 Skill。先拿一个镜头、一个固定角色标签、一组风格词用不同随机种子生成十次记录哪类表达更稳定再逐步扩展到多镜头。这个练习做完后再回看脑洞模式和遵循度校验这些进阶功能你会更能理解每一项设计为什么要存在。