为什么提示词决定 AI 视频的上限
同一个生成模型，交到不同创作者手里，产出的画面差距常常像是两个时代的产品。原因并不神秘：模型只理解文字与参数，它从未见过你脑海里的那部片子。你写下的文字越接近一份可执行的拍摄说明书，它还给你的画面就越接近你的想象。
提示词写作可以分成三个层次。第一层是描述层，只说明画面里有什么；第二层是控制层，开始指定光线、镜头、运动与节奏；第三层是导演层，把情绪、叙事目的和剪辑意图一起写进指令。大多数人停在第一层，然后抱怨 AI 不懂自己；真正高效的创作者会把每一次生成都当成一次小型拍摄，用文字完成分镜、布光和调度。
还有一个容易被忽视的事实：提示词不是一次性的咒语，而是可以迭代的工程产物。它应该像代码一样被命名、保存、版本化和复用。当稳定产出符合预期的八秒片段变成一件可重复的事情，你的创作速度才会真正提升，而不是靠运气碰出好画面。
判断一条提示词是否合格，有一个简单的标准：如果把它交给一位摄影师，对方能否大致拍出你想要的镜头？如果答案是否定的，说明指令还不够具体。
提示词的模块化结构：六层积木法
把提示词拆成模块，是控制复杂度最有效的办法。下面六层是最小可用的骨架，顺序可以按不同模型的偏好调整，但内容尽量不要缺。
主体与身份层
写清楚谁或什么出现在画面里，以及最显著的外观特征。避免抽象词，例如一个很酷的人，改成三十岁上下的女性，短发，深灰色风衣，右手拎着一只旧皮质公文包。外观特征建议控制在三到五项，太多会稀释模型的注意力。
场景与光线层
场景给出空间信息，光线给出情绪基调。雨后的旧式地铁站台，地面有积水，反射着头顶的日光灯，比只写地铁站多出十倍的信息量。光线要具体到方向与性质：侧逆光、柔和的窗光、冷色霓虹、黄昏暖调、单一顶光造成的硬阴影。
镜头与运动层
这是最容易被忽略、却最能拉高成片质感的一层。写清景别（特写、近景、中景、全景）、机位（平视、俯拍、低角度、过肩）、运动（推、拉、摇、跟、环绕、升降）以及运动的速度与幅度。
风格与介质层
决定画面像什么拍出来的。电影胶片颗粒、纪录片手持质感、三维渲染、二维手绘、复古录像带、商业广告摄影。风格词要成组出现，并且属于同一个审美体系，不要同时要求写实纪录片和赛博霓虹动画。
情绪与节奏层
画面传递什么感觉，动作有多快。安静的、克制的、略带不安的；或者轻快、有节奏感、适合快剪的。情绪词最好与具体的表演细节绑定，否则模型只能靠画面色调去猜。
负面与排除层
明确写出不想要的东西：不要文字水印、不要多余的手指、不要画面抖动、不要人物面部变形、不要突兀的镜头切换。负面清单是性价比最高的保险。
一段完整的提示词示例：
主体：一位四十岁上下的男性，灰色针织衫，戴细框眼镜，坐在木桌前
场景与光线：清晨的书房，左侧大窗，柔和自然光，桌面有轻微反光
镜头与运动：中近景，平视，镜头极缓慢向右平移，轻微手持晃动
风格与介质：写实摄影，浅景深，细微胶片颗粒，自然色彩
情绪与节奏：安静、专注，动作缓慢
排除项：文字、水印、多余手指、面部扭曲、快速剪辑
六层的推荐书写顺序
实际写作时不必严格按顺序填。推荐的写法是：先写主体，再写动作，然后补场景与光线，最后加风格与排除项。动作往往决定画面成立与否，所以它值得比风格更靠前的位置。当你发现结果总是差一点，先检查动作层，再检查光线层，风格层的问题反而最容易被眼睛发现。
一段产品类镜头的示例：
主体：一只磨砂黑色保温杯，杯壁有细微水滴
场景与光线：大理石台面，右后方硬光，形成清晰投影
镜头与运动：特写，平视，定点环绕四分之一圈
风格与介质：商业广告摄影，高对比，冷调
情绪与节奏：干净、利落，运动匀速
排除项：文字、标志变形、多余反光、背景杂物
从一句创意到成片：五步工作流
第一步：写一句可以拍出来的核心句
把模糊的创意压缩成一句主谓宾完整的画面句。一个人深夜在便利店买咖啡，而不是孤独感。核心句是整条工作流的锚点，后面所有镜头都从它派生。
第二步：拆成三到六个镜头
每个镜头只承担一个信息。四到六秒是一个舒服的片段长度，超过十秒的运动镜头容易失控。先写文字分镜，再写提示词，顺序不要反。
举个例子，核心句是外卖员在暴雨中冲进楼道躲雨。可以拆成四个镜头：一、暴雨中的街道，他骑车穿过水洼；二、脸部特写，雨水顺着下巴滴落；三、他推门进入楼道，镜头跟随；四、楼道内，他靠着墙喘气，镜头缓慢拉远。四个镜头各自独立生成，后期再拼接，比一条长提示词硬撑更可靠。
第三步：小样矩阵测试
固定其他变量，只改动一两个维度，横向比较三到四个版本。测试的目标不是找最好看的一版，而是找出哪个变量在起作用。把结果和参数一起记录下来，否则下一次你还会重复试错。
第四步：锁定种子并扩展
当某个版本的结构稳定，固定随机种子，只改动局部描述，逐步靠近最终画面。这一步能显著减少废片。经验上，八成时间应该花在寻找稳定结构上，剩下两成时间用来微调细节。
第五步：后期拼接与声音
生成出来的是素材，不是成片。转场、节奏、音乐、环境音、色彩统一，都由后期完成。声音往往比画面更能决定观感，一段合适的氛围音可以让画面质感提升一个档次。
模型差异与选择策略
写实物理与电影质感的取舍
有的模型强在物理与运动真实感，适合人物走动、液体飞溅、机械运动；有的模型强在风格化与画面美感，适合概念片、氛围片、广告风格镜头。不要用同一个提示词去考核所有模型，那只会得到失望。更聪明的做法是：先确定你要的是真实还是好看，再挑工具。
快速迭代型与终版输出型
把工具分成两类使用。一类负责快速出草稿，帮你验证构图和运动是否成立；另一类负责最终输出，追求画质与稳定性。草稿阶段降低分辨率与时长，终版阶段再提高参数。这样的分层策略能让整体效率提升数倍。
换工具的时机判断
出现以下信号时，应该考虑换模型：连续三次调整提示词都没有改善运动逻辑；画面风格始终偏离预期；主体稳定性一直无法满足叙事需求。注意，换模型之前先把提示词补完整，否则换了工具结果一样糟糕。
参数的隐形影响
同一段提示词，画幅从横屏改成竖屏，构图的重心会变；时长从五秒延长到十秒，模型维持一致性的压力会成倍增加；帧率与运动模糊的设置，会直接影响观感是顺滑还是拖影。写提示词之前先确定投放渠道：竖屏短视频要更快的节奏与更近的景别，横屏宣传片可以留更多环境信息。
一段提示词不要跨工具直接复用
不同工具对同一组词的理解权重并不相同。把某个工具上验证成功的提示词原样搬到另一个工具，通常需要重新调整顺序与措辞。更稳妥的做法是保留内容骨架，重新适配表达方式。
一致性：角色、道具与空间的连续性
角色一致性
先建立角色档案：脸型、发型、发色、服装、配饰、体型、年龄段。每次生成都完整复述关键特征，不要省略。不同镜头之间，把角色描述放在提示词靠前的位置，稳定性通常更好。如果工具支持参考图或首尾帧，用它，但记得参考图里的光线与构图会影响结果。
场景延续
同一场景的不同镜头，要复用同一组环境词与光线词。为每个场景写一句锚点句，所有相关镜头都带上它。例如同一间厨房，永远使用右侧窗光、米色瓷砖、木质台面这组描述。
道具与空间逻辑
人物从门口走到窗边，下一个镜头如果还在门口，观众会出戏。画分镜时先画一张简单的空间俯视图，标注门窗与家具位置，比反复试错省时间。
时间连续性
注意光线的时间逻辑。傍晚的镜头与深夜的镜头不要混剪在同一个连续动作里，除非你有意做时间跳跃。
多人同框的处理
两个人同框时，为每个人分配一个明确位置与动作，例如左侧人物低头整理文件，右侧人物抱臂看向窗外。避免写两个人在交谈这种无法判断谁做什么的描述。人物数量超过三人时，考虑用更远的景别，减少面部细节带来的不一致。
用文字锚点替代形象记忆
模型没有记忆，它只有你这一次输入的文字。把角色的核心特征写成一小段固定文本，每次原样粘贴，这是成本最低、效果最稳定的做法。
运镜与表演：把导演语言翻译成提示词
常用运镜写法对照
| 意图 | 提示词写法 |
|---|---|
| 强调情绪 | 缓慢推近，景别由中景过渡到特写 |
| 交代环境 | 缓慢拉远或高位俯瞰，全景呈现空间 |
| 跟随人物 | 稳定器跟随，与人物保持固定距离 |
| 制造不安 | 轻微手持晃动，构图略偏 |
| 展示对象 | 定点环绕半圈，主体居中 |
| 转场衔接 | 匀速横移，前景有遮挡物掠过 |
写运镜时最好同时写速度与幅度：非常缓慢、轻微、匀速、半圈。只写推镜头，模型可能给你一个快速的冲镜。
表演与微表情
眼神、嘴角、呼吸、手部动作是低成本高回报的细节。她低头看了一眼手机，抿了一下嘴，然后抬头看向镜头，比单纯写她很难过有效得多。人物不说话时，请给动作写一个明确的终点，否则画面容易在半途停住。
节拍与时长
把片段当成音乐小节来设计：起、承、转。前两秒建立环境，中间三秒发生动作，最后两秒完成情绪落点。这条节奏模板适用于大多数短视频镜头。
对话镜头的写法
对话场景优先用两组镜头：过肩镜头与单人特写。过肩镜头交代空间关系，单人特写承载情绪。写提示词时明确谁在画面前景、谁在焦点内，以及口型动作的幅度。
不要在单条提示词里写剪辑
先特写再全景然后切到门口，这类指令通常会让模型困惑。剪辑属于后期，提示词只负责一个连续镜头。
调试方法：让结果可控
变量隔离法
一次只改一个变量。同时改风格、光线和运镜，你无法知道是什么导致了结果变化。把每次改动写成一行日志，两周后你会得到一份属于自己的经验表。
顺序、权重与位置
关键词越靠前，模型通常越重视。把最重要的信息放在句首。如果工具支持权重语法，把主体与运动设为高权重，风格词设为中权重，氛围词设为低权重。
失败复盘清单
检查五件事：主体描述是否具体；运动指令是否自相矛盾；风格词是否互相冲突；片段时长是否超出工具的稳定区间；是否缺少排除项。八成失败案例都能从这五项里找到原因。
用对照实验代替感觉
同一提示词跑三次，观察变化的是构图、人物还是光影。变化集中在哪个部分，说明那一部分的描述最不稳定，需要更明确的约束。
参数层也要做隔离
除了文字，分辨率、时长、运动强度、随机种子都属于变量。调试文字时把所有参数固定；调试参数时把文字固定。混着改，你永远不知道功劳属于谁。
建立自己的黑名单
记录下反复出现的失败模式，例如夜间场景总是过曝、快速横移总是拖影，然后在负面清单里提前写死对应的排除项。
常见错误与修正对照
错误一：形容词堆砌，例如震撼、唯美、史诗、极致。修正：换成可观察的细节，例如低角度仰拍，人物站在空旷广场中央，逆光。
错误二：一句话塞进多个动作。修正：拆成多个镜头，每个镜头一个动作。
错误三：忽略光线方向。修正：写明光源位置与性质，例如左侧窗光，柔和，人物右脸有轻微阴影。
错误四：风格词互相打架。修正：只保留同一审美体系内的词。
错误五：完全不写排除项。修正：至少写下文字、水印、变形、多余肢体四项。
错误六：一次改太多变量。修正：变量隔离，单次只改一项。
错误七：把生成结果当终稿。修正：留出后期时间，做节奏与声音处理。
错误八：忽略画幅与用途。修正：先确认最终投放渠道，再决定横竖画幅与时长。
错误九：不做版本记录。修正：每条提示词标注编号、参数与结果评价。
错误十：只追求单帧好看，忽略运动逻辑。修正：优先让动作成立，再打磨画面美感。
提示词资产管理、协作与合规
建立可搜索的提示词库
按项目、场景、角色分类，每条记录包含提示词正文、使用工具、关键参数、结果评价与失败原因。用表格、笔记软件或纯文本文件都可以，关键是坚持记录。
团队协作的命名规范
项目名加场景加镜头号加版本，例如便利店深夜第三条第二版。命名统一之后，交接成本会大幅下降，也避免多人重复生成同一镜头。
素材合规的基本意识
确认人物形象、商标、音乐与素材的授权范围；不要用真实公众人物的肖像做未授权生成；商业项目保留生成记录与参数，便于追溯。这部分内容不复杂，但必须提前处理，而不是等到发布前。
把提示词当成团队文档来维护
当一个镜头被反复使用，应该把它升级为标准模板，写清适用场景、注意事项和已知失败模式。新人接手时，读模板比看教程快得多。
常见问题与最终检查清单
提示词是不是越长越好
不是。信息密度比长度重要。一条三十字的提示词，如果每一项都是可执行的，效果往往好过两百字的形容词堆叠。
中文和英文提示词有差别吗
部分工具在英文语料上训练更充分，英文提示词有时更稳定；中文提示词的优势是你能更精确地表达文化语境与叙事细节。建议同一个创意用两种语言各试一次，选择结果更接近预期的那一版。
同样的提示词为什么结果完全不同
随机种子不同。要复现结果，必须同时固定种子、分辨率、时长与其他参数。
人物一致性做不到怎么办
三条路结合使用：参考图或首尾帧约束、角色档案的完整复述、把角色描述放在提示词最前面。三者叠加通常能解决大部分问题。
生成速度太慢怎么办
草稿阶段降低分辨率与片段时长，只验证构图与运动；确认结构之后再用高参数输出终版。
需要学摄影术语吗
需要基础。景别、机位、光线方向、运动方式这四组词能解决大多数沟通问题，投入的学习时间很少，回报却很高。
运动镜头总是失控怎么办
缩短时长，写清速度，减少同时发生的动作数，必要时把运动拆成两个镜头。
画面偏灰、偏平怎么办
补写光线方向与对比度，加入强侧光、明暗对比明显、暗部保留细节这类描述。
一条提示词能生成多长的片段
多数工具的稳定区间在四到八秒。更长的叙事应该靠多镜头拼接，而不是靠单条长提示词硬撑。
需要为每个镜头单独写提示词吗
建议是。每个镜头一个文件或一条记录，方便单独调整与复用。
怎么提高夜戏质量
写清光源位置与数量，减少同时出现的高光点，加入暗部保留细节、噪点轻微的描述。
学习提示词最快的方法是什么
复制一条成熟提示词，只改一个变量，连续跑五次，观察变化。这比看十篇教程更有效。
提示词需要一直保存吗
需要。它既是资产也是经验记录，半年后回头看，你会发现最初的提示词有多少问题。
怎么判断一条提示词已经够好了
把它交给别人，对方能大致还原你想要的镜头，就说明够好了。
最终检查清单
主体是否具体到可辨认；场景是否包含时间与天气；光线是否有方向；镜头是否写清景别与运动；风格是否统一；节奏是否明确；排除项是否完整；参数是否记录；后期计划是否确定。
提示词工程的本质不是讨好模型，而是把创作意图清晰地表达出来。当你能稳定复现一个镜头，你就获得了最宝贵的东西：时间。把省下来的试错成本投入到叙事、声音与结构上，作品才会真正变好。
