为什么提示词工程正在取代“多试几次”
过去做 AI 视频，很多人的策略是“多跑几次，总有一条能用”。当模型只能输出四五秒的抽象画面时，这种随机试错勉强可行。但当生成时长延长到十几秒甚至更长，单条视频里包含角色、动作、场景转换和节奏变化时，随机试错的时间成本会急剧上升。一个十秒的镜头如果平均要试五十次，一天能推进的镜头数量就极其有限，而且结果无法复现，团队协作也无从谈起。
提示词工程的价值，在于把“随机结果”转化为“可复现的流程”。它至少包含三件事：把抽象创意翻译成模型能理解的视觉语言；把视觉语言组织成稳定、可调整的结构；为每一次生成建立可比较的变量，让迭代有方向而不是靠运气。
换个角度理解：写提示词的人同时在扮演三个角色——编剧、摄影指导和美术指导。编剧决定发生什么，摄影指导决定怎么拍，美术指导决定看起来像什么。这三类信息如果揉成一句自然语言，模型只能靠猜；如果分层写清楚，输出的可控性会明显提升。
还有一点值得强调：主流模型的画面清晰度、光影质感和基础物理表现在逐渐趋同。真正拉开成片质量差距的，往往不是“用了哪个模型”，而是“指令的组织方式”。同一个模型，结构化提示词和随手一句话之间的产出差异，常常比两个不同模型之间的差异更大。所以提示词能力是一项可迁移的资产，换工具不会作废。
一条高质量提示词的五个层次
把提示词想象成一张拍摄通告单，而不是一段散文。专业提示词通常由五个可拆分的层次组成，每一层解决一个独立问题。层与层之间不要互相掺杂，否则模型会优先响应其中一个而忽略其他。
主体层：画面里到底有什么
写清楚人物、动物、物件、数量与外观特征。避免“一个男人”这种模糊表述，改成“三十多岁的男性，短发，浅灰色针织衫，右手拿着一只白色马克杯”。模型对具体名词的响应远好于抽象形容词。如果主体有多个，明确主次关系，比如“前景是一位站立的女性，背景右侧有两名虚化的路人”。
环境层：在哪里，什么时间，什么天气
地点、时间、天气、季节、空间尺度、背景元素。例如“清晨的城市天台，远处是雾中的高楼群，地面有薄薄一层积水”。环境层同时承担氛围塑造的功能。很多“感觉不对”的问题，其实不是风格参数错了，而是环境描述太笼统，模型只能填一个平均值的背景。
镜头层：怎么拍
景别、角度、焦距、构图、机位高度。这一层是专业与业余的分水岭。与其写“拍得好看一点”，不如写“中景，略低角度，35mm 焦段，浅景深，人物位于画面右侧三分之一处”。镜头层的描述越具体，模型在构图上的自主发挥空间就越小，结果越可预测。
运动层：画面里发生了什么，镜头怎么动
主体动作和镜头运动必须分开写。主体动作例如“缓慢转头看向窗外”，镜头运动例如“镜头从左向右缓慢横移，速度平稳”。把两者混在一句话里，模型常常只执行其中一个。如果动作有先后顺序，用“先……然后……”的句式表达时间顺序。
风格层：看起来像什么介质
电影感、纪录片手持、胶片颗粒、动画质感、广告棚拍效果等。可以进一步写色彩倾向和光影倾向，例如“低饱和度冷色调，柔和侧逆光，高光不过曝，暗部保留细节”。尽量避免直接点名具体导演、明星或受版权保护的作品，这类词在不同模型上的理解差异极大，还可能触发内容限制，用描述性语言更稳定。
技术层：最终约束
画幅比例、时长、清晰度倾向、是否固定机位。技术层通常放在提示词末尾，作为对输出的最终约束，不影响前面的创意表达。
从模糊概念到可拍指令的四步转化法
大多数提示词写得不好，不是词汇量不够，而是没有经过转化。客户说“要高级一点”，导演听懂了，模型听不懂。转化的过程可以拆成四步。
第一步：把情绪拆成视觉元素
“高级感”不是指令，“低饱和配色、大留白、慢速平移、柔和顶光”才是。任何形容词都要向下拆解到可以被摄像机拍到的层面。一个实用练习：拿到一个形容词，强制自己写出三个具体的画面特征。写不出来，说明这个概念还没有被真正想清楚。
第二步：把视觉元素写成可拍摄的描述
用“谁 + 做什么 + 在哪里 + 怎么拍”的句式组织。写完自查：这句话如果交给一位摄影师，他能直接拍出来吗？如果他需要再问你三个问题，说明描述还不够具体。这个自查动作能过滤掉八成无效提示词。
第三步：按层级排列并控制长度
推荐顺序是：镜头层 → 主体层 → 运动层 → 环境层 → 风格层 → 技术层。把最重要的信息放在前三分之一，模型对提示词开头的响应权重通常更高。长度不是越长越好，超过一定长度后，冗余描述会稀释关键信息，反而降低执行准确度。经验做法是：核心信息用短句，修饰信息用短语，不要用嵌套三层的长句。
第四步：建立变量表，一次只改一个
把提示词拆成若干可替换的字段，每次生成只修改一个字段。这是把“玄学”变成“工程”的关键。记录每次修改和结果，积累二三十次之后，你会得到一份属于自己的“模型行为笔记”，里面写着哪些词有效、哪些词被忽略、哪些词会引发意外效果。
镜头语言：让模型听懂导演意图
景别与角度
远景交代环境，全景展示人物与环境的关系，中景适合对话和动作，近景强调情绪，特写放大细节。角度上，平视最中性，俯拍显得渺小或受控，仰拍显得强势或压迫，荷兰角制造不安。写提示词时，景别和角度最好成对出现，因为模型对单独一个维度的响应往往不稳定。
运镜术语
推（靠近主体）、拉（远离主体）、摇（机位不动，镜头转向）、移（机位平行移动）、跟（跟随主体）、升降（垂直移动）、环绕（围绕主体旋转）。只写术语不够，还要写速度和幅度，例如“缓慢环绕四分之一圈，速度均匀，无抖动”。速度描述缺失时，模型容易给出忽快忽慢的运动。
焦距与景深
广角适合空间感和夸张透视，标准焦段接近人眼感受，长焦压缩空间并突出主体。浅景深让背景虚化，适合突出人物；深景深保留前后景信息，适合环境叙事。这两项在提示词里往往比风格词更能决定“专业感”。
光线与时间
顺光平实，侧光塑造体积，逆光制造轮廓和氛围，顶光偏冷峻。时间上，清晨和黄昏的斜射光最容易出质感，正午硬光对比强烈，夜晚需要明确主光源位置。写提示词时至少要交代光源方向和软硬程度，不要只写“光线很好看”。
剪辑与节奏
一条生成通常只适合完成一个连续镜头。不要在一个提示词里要求“先拍手，再切到脸，然后拉远景”，模型很难在单次生成里完成多段剪辑。正确做法是拆成三个镜头分别生成，再在后期剪辑。
角色与场景一致性：让多个镜头像同一部片子
多镜头项目最大的痛点是一致性。同一个角色在不同镜头里换脸、换衣服、换年龄，观众立刻出戏。以下方法可以组合使用。
参考图与首尾帧
用一张角色定妆图作为参考输入，是最直接的一致性手段。首尾帧控制则适合需要精确衔接的两个镜头：把上一镜的最后一帧作为下一镜的起始帧，模型会尽量延续画面状态。这种方法对连续动作和场景推进特别有效。
固定描述串
如果模型不支持参考图，或者你需要更强的风格统一，可以为每个角色写一段固定的描述串，逐字复制进每一条提示词。描述串的顺序和用词都不要改，哪怕只是把“浅灰色针织衫”改成“灰针织衫”，也可能导致输出差异。
种子与参数锁定
在支持固定随机种子的工具里，锁定种子并只修改提示词中的单一维度，是测试一致性的高效方法。注意种子不能保证跨模型的画面一致，它只在同一模型、同一参数组合下有效。
负面提示词的用法
负面提示词用来排除不需要的元素，比如多余的手指、字幕、水印、扭曲的脸、过度锐化。它的作用是缩小解空间，而不是用来表达审美偏好。把“不要难看”写成负面提示词没有意义，要写成具体可排除的视觉特征。
后期兜底
现实中，一致性很难靠生成一次性解决。调色统一、轻微稳定、局部修补、必要时替换某一帧，都是常规手段。把生成当作素材生产，而不是成品输出，心态会轻松很多。
不同模型的指令偏好与适配策略
不同模型对同一段提示词的解读方式差异很大。与其记住某个模型的固定配方，不如理解几类典型偏好，然后自己测试。
文字遵循度高的模型
这类模型能处理较长的描述和较复杂的时间逻辑，适合叙事型提示词。但要注意，它们有时会“过度执行”，把提示词里所有细节都塞进画面，导致构图拥挤。对策是精简描述，只保留必要元素。
物理与运动优先的模型
这类模型在人物动作、物体碰撞、液体和布料的表现上更自然，但对抽象风格和精确构图的理解相对弱。适合用短句描述动作和运动路径，减少风格修饰词。
写实风格见长的模型
擅长人物特写、皮肤质感、光影层次，适合广告和写实短片。缺点是大幅运镜和复杂动作容易崩坏。对策是把复杂镜头拆成静态机位的多个片段。
风格化与动画见长的模型
对抽象、插画、动画风格的响应更稳定，适合概念片和风格化内容。使用这类模型时，风格层要写得更明确，否则容易在写实和动画之间摇摆。
建立自己的测试矩阵
准备三个标准测试提示词：一个静态特写、一个运动镜头、一个复杂场景。把同一段提示词投给不同模型，记录构图、运动、质感、错误率四项。二十次测试之后，你就有了自己的选型依据，而不是依赖别人的榜单。
实战：一条三十秒产品短片的提示词链路
假设要为一只无线耳机做三十秒短片，整体调性安静、克制、有质感。下面是完整链路。
分镜拆解
拆成六个五秒镜头：一，产品静置于桌面，晨光斜射；二，人物戴上耳机，近景侧脸；三，城市街道行走，环境虚化；四，地铁车厢内闭眼听音乐，光线流动；五，产品特写，缓慢旋转；六，字幕收尾，画面留白。每个镜头只承担一个信息点。
逐镜提示词写法
第一个镜头的提示词可以是：“中景俯拍，白色无线耳机静置于浅灰色石质桌面，清晨侧逆光从画面左上方射入，长而柔和的阴影向右延伸，浅景深，背景为虚化的窗框，画面静止，胶片颗粒轻微，冷灰色调，16:9。”注意这里每一层都独立存在，并且没有冗余形容词。
第二个镜头：“近景，年轻女性侧脸，短发，浅灰色高领衫，缓缓将耳机戴入耳中，手指动作轻缓，镜头固定，略低角度，85mm 焦段，浅景深，柔和自然光从右侧补入，低饱和度，无背景杂物。”
其余镜头按同样结构逐条写出。关键在于：每条提示词的结构完全一致，只有字段内容变化。这样后期调整时，你能快速定位是哪个字段出了问题。
迭代与筛选
每个镜头生成八到十二条，先看构图是否符合，再看运动是否自然，最后看质感。不要因为某一帧很好看就留用，要判断它能否和其他镜头剪在一起。筛选标准和拍摄一样：连贯性优先于单帧美感。
声音与后期
生成素材本身通常没有可用音频。环境音、脚步声、呼吸声、音乐和字幕需要在后期补齐。调色时统一色温和对比度，让六个镜头看起来像同一天拍的。这一步经常被忽略，但对成片质感的提升非常明显。
常见失误与排查清单
画面崩坏或结构错误
通常是主体描述太少、姿态描述缺失或模型能力边界被跨越。排查顺序：先简化提示词，再增加主体细节，最后考虑换模型。一次只改一项。
动作漂移与变形
长时长、大幅动作、快速运镜是主要诱因。对策是缩短单条生成时长，把动作拆成更小的单元，或者改用静态机位加轻微运动。
风格跑偏
原因通常是风格层写了互相冲突的词，比如同时要求“纪录片手持”和“广告棚拍”。检查提示词里是否存在相互矛盾的风格描述，只保留一个主风格加一个修饰。
文字、手部与人群
画面中的文字、细长手指和密集人群是常见弱点。能避免就避免：用留白代替字幕，用手部动作幅度小的构图，用背景虚化代替人群特写。
时长与节奏对不上
生成结果的节奏和你脑中的剪辑节奏往往不一致。解决办法是在剪辑时重新配节奏，而不是要求模型生成“刚好三秒”的动作。把生成素材当作可剪的镜头，而不是成品。
效率工具与团队协作
提示词模板库
把常用的镜头层、风格层、技术层写成可复用的片段，按项目组合。模板库能显著降低沟通成本，尤其当团队有多个创作者时，统一的模板能让不同人的产出风格接近。
版本管理与批注
每条提示词都记录版本号、修改点、使用的模型和参数、结果评级。用表格就够了，不需要复杂系统。关键是让下次打开项目的人能在三十秒内理解之前发生过什么。
分工方式
常见分工是：一人负责分镜和提示词结构，一人负责批量生成和筛选，一人负责后期。提示词写作者不要同时做筛选，因为写作者容易对结果产生期待，判断不够冷静。
常见问题
提示词是不是越长越好？
不是。提示词的效果取决于信息密度，而不是字数。超过模型的有效处理长度后，冗余内容会稀释关键信息。判断标准很简单：删掉某个词后，画面有没有变化？没有变化就删掉。
中文提示词和英文提示词有区别吗？
在多数模型上，英文的描述性词汇覆盖更广，尤其在摄影术语和材质描述上更精确。中文写作则更容易表达情绪和氛围。实用做法是用中文构思，用结构化的英文或中英混合提交，并且对同一内容做一次双语对比测试，看哪个结果更稳定。
为什么同一个提示词每次结果都不一样？
因为生成过程包含随机性。要降低波动，一是固定随机种子，二是减少提示词中的歧义描述，三是把复杂镜头拆成简单镜头。稳定性的提升靠的是减少变量，不是靠加更多限制词。
需要懂摄影术语吗？
不需要成为摄影师，但需要掌握基础词汇。景别、角度、光线方向、焦段这四组词，学会之后提示词的精确度会有明显提升。它们的作用是让你能用更少的字表达更多信息。
预算和时间有限时，应该优先优化哪一步？
优先优化镜头层和主体层。这两层决定了画面“对不对”，而风格层只决定“好不好看”。顺序错了，再好的质感也救不回来。第二优先是缩短单条生成时长，它对成功率的影响往往比换模型更大。
怎么判断一个提示词是不是写好了？
把它交给另一位创作者，看他能否在不问任何问题的情况下生成接近预期的画面。如果他能做到，说明提示词已经具备可复现性，这是工程化的最低标准。
生成结果不理想时，第一反应应该是什么？
先看是构图不对、运动不对还是质感不对，然后只改对应的那一层。很多人的第一反应是重写整条提示词，这会让变量彻底混乱，试了二十次也不知道问题出在哪里。
