为什么“卡壳”总发生在工具最多的时代
很多人以为创作卡壳是灵感问题。真正做过 AI 视频项目的人知道，卡壳更接近一种信息缺失：你脑子里有画面，但交给模型的文字不足以支撑这个画面，于是模型开始替你猜。它每猜一次，就产生一次随机；一条成片通常由十来个片段组成，只要有四五个片段被猜错，整条片子就散了。
以下四种症状最能说明问题。
- 角色漂移：同一个角色在同一条片子里换了脸型、发长、外套颜色。你在每个片段的提示词里都写了“短发女性”，但你没有定义她的脸型、发长、服装材质和随身道具，模型只能在“短发女性”这个宽泛概念里自由发挥。
- 动作断层：片段单独看没问题，但动作只有起点没有终点，剪辑时接不上下一个镜头。提示词里写“她走进房间”，模型可能让她走到画面中央就停住，也可能让她一直走向镜头直到穿模。
- 空间混乱：上一个镜头角色坐在窗边左侧，下一个镜头她出现在桌子右侧，观众需要重新建立空间关系。这是缺少场景锚点和视线方向描述造成的。
- 风格撕裂：每个片段单独看都很漂亮，拼在一起像四条不同品牌的产品广告。原因是每个片段的风格描述用了不同的词，色温、对比度和颗粒感都对不上。
这四类问题几乎都能在提示词层面提前解决，而不必在后期花五倍时间修补。关键在于把提示词从“许愿”变成“需求文档”。
一个粗略的经验是：你少写一句关键约束，模型就多一次自由发挥的机会。三十秒的成片往往需要 8 到 15 个片段，如果每个片段平均有一次跑偏，你就要在重生成、挑素材和剪辑上多花好几个小时。把这些时间换成一个结构化的提示词模板，是投入产出比最高的一步。
提示词的四层结构：把许愿变成需求文档
模型不会读心，它只读文本。一段可复用的提示词可以拆成四层：主体与动作、风格与美术、摄影与技术参数、序列与一致性。四层不是仪式感，而是四条防止模型乱猜的防线。少了任何一层，模型都会在那一层上替你随机决定。
下面是一个可以直接套用的模板：
[主体] 三十岁出头的亚洲女性，齐肩黑发，深蓝工装夹克，左袖口有磨损
[动作] 从画面左侧走入，在机床前停下，低头检查一枚金属齿轮
[环境] 老式机修车间，水泥地面有油迹，背景墙上挂着扳手
[风格] 冷调纪实摄影，低饱和，细腻颗粒，轻微暗角
[镜头] 等效 85mm，F1.8，浅景深，手持轻微呼吸感
[光线] 侧逆光，窗格阴影落在右脸，主光色温约 4300K
[一致性] 沿用角色卡 A；光源方案 B；色调曲线 C
[约束] 画面内不出现文字，不出现第二个主体，避免广角畸变
把这段话和“一个女生在车间里检查零件”对比一下，差别不在辞藻，而在可执行性。前者几乎每一个词都能对应到画面上可验证的元素，后者则把一半以上的决定权交给了模型。
主体与动作层：动词优先，状态代替情绪
主体描述的顺序建议是：年龄段、外貌特征、服装、随身道具、当前状态。顺序本身不重要，重要的是“特征要少而区分度高”。与其写“漂亮的年轻女性”，不如写“眉骨高、下颌线明显、鼻梁有细小雀斑的年轻女性”，后者更容易在不同片段里稳定复现。
动作层最容易踩的坑是写情绪形容词。写“她悲伤地看着齿轮”，模型会给你一张表情模糊的脸；写“她低头看齿轮，眉头轻皱，手指在齿面上来回摩挲两下，然后停住”，模型才有可执行的目标。
一个好用的动作公式是：起点 + 过程 + 终点。
- 起点：她原本在哪里，朝向哪边。
- 过程：她做了什么，做了几次，速度如何。
- 终点：最后一个画面帧停在什么状态。
终点尤其重要，因为剪辑点通常落在动作完成的那一刻。如果你不写终点，模型会在动作中途收尾，你就要在后期的十几帧里硬找切点。
风格与美术层：只选一个主导风格
风格描述有三个常见的维度：媒介（实拍、动画、定格、像素）、摄影参照（某种胶片、某种布光流派）、色彩与材质（低饱和、高对比、奶油质感、粗颗粒）。
问题在于，很多人一次写了三个维度的词，而且互相冲突：既要“电影级写实”，又要“水彩质感”，还要“赛博霓虹”。模型的反应是把它们平均一下，结果谁都不像。
建议只选一个主导风格，其余维度作为修饰，并且把修饰控制在两三个词以内。比如：
[风格] 主导：纪录片实拍质感；修饰：低饱和、细腻颗粒
如果你确实需要混合风格，把它拆到不同镜头里，而不是塞进同一句提示词。第一幕实拍、第二幕插入动画闪回，这种对比是剪辑层面的设计，不需要模型在同一帧里完成。
摄影与技术参数层：把摄影棚语言搬进来
这一层是很多创作者最忽略、但提升最明显的一层。可用的参数包括：
- 焦距：等效 24mm 适合环境交代，50mm 接近人眼，85mm 以上适合人物特写与压缩背景。
- 光圈与景深：F1.4 到 F2.0 是浅景深，F5.6 以上是深景深。浅景深能让杂乱背景不抢戏，深景深适合展示空间关系。
- 稳定方式：三脚架固定、滑轨、肩扛、手持、稳定器。这一项直接决定画面是“稳”还是“有点呼吸感”。
- 颗粒与色温：颗粒影响复古程度，色温影响情绪。冷调偏理性，暖调偏亲密。
- 画幅与帧率：宽银幕适合叙事，竖屏适合社交平台，逐帧略慢的节奏适合慢动作。
写这一层时注意不要自相矛盾。写“浅景深”同时写“背景细节清晰”，模型只能选一个。写“手持”同时写“绝对稳定”，也是一样的道理。
序列与一致性层：为跨镜头提前铺路
一致性层的作用不是提高单帧质量，而是让你在拼片时不崩溃。它的写法有两种：一种是直接复述关键特征，另一种是引用你事先准备好的“角色卡”“光源卡”“色调卡”。
角色卡记录 5 到 8 个不可变特征：脸型、发型、发色、服装主色、服装材质、标志性道具、体态。光源卡记录主光方向、色温、明暗比。色调卡记录饱和度、对比度和暗部倾向。
在每个片段的提示词末尾加一句“沿用角色卡 A、光源方案 B、色调曲线 C”，成本极低，但能让整条片子的观感统一得多。
五步工作流：从一句话到可交付片段
结构清楚了，接下来要把它放进流程。下面这套五步法适用于大多数以叙事为主的短视频项目。
第一步：写一句话意图
用一句话说清楚：谁，在什么处境下，想要什么，遇到什么阻碍。这句话不写进提示词，它是你所有后续决策的裁判。当你纠结某个镜头要不要保留时，回到这句话就能判断。
第二步：列镜头表
不要直接开始生成。先用表格把片段列出来，一行一个镜头。
| 编号 | 时长 | 景别 | 内容 | 运动 | 一致性锚点 |
|---|---|---|---|---|---|
| 01 | 3s | 大全景 | 车间外观，晨光 | 固定 | 光源卡 B |
| 02 | 4s | 中景 | 主角走入，停在机床前 | 缓慢推进 | 角色卡 A |
| 03 | 2s | 特写 | 手指摩挲齿轮 | 固定微晃 | 角色卡 A |
| 04 | 5s | 近景 | 抬头，看向窗外 | 轻微上摇 | 光源卡 B |
表格一旦排好，你会发现很多问题在生成之前就暴露了：两个连续镜头景别太接近、动作方向相反、缺少环境交代镜头。
第三步：逐镜头扩写四层提示词
按上一节的模板，把每个镜头扩写成四层结构。这一步最耗时，但也是最值得花时间的一步。建议给每个镜头写两个版本：一个“保守版”（参数少、动作简单、成功率高），一个“激进版”（构图更难、运动更复杂、效果更好但容易失败）。
第四步：小批量测试与筛选
每个镜头先跑少量变体，观察它是否满足三个条件：主体是否稳定、动作是否有终点、风格是否与相邻镜头接近。不要一次生成二十个版本再挑，那样只会增加选择成本。
筛选时用一个简单的三分法：可以直接用的、需要微调的、需要重写提示词的。只有第三类才值得回头改结构，前两类改参数就够了。
第五步：固化变量并归档
把通过的提示词存下来，标记哪些词是可变的（比如时间、天气、服装颜色），哪些是不可变的（角色卡、光源卡）。下一次做同系列内容时，你只需要替换可变部分。
镜头语言与运动控制：让画面“会演戏”
静止画面也能讲故事，但运动画面更容易带节奏。问题在于，运动是 AI 视频里最容易出错的维度，因为它要求模型在时间轴上保持空间逻辑。
常用运动词与写法
- 推：镜头向主体靠近，压迫感增强。写法：缓慢推进，三秒内由中景变为近景。
- 拉：镜头远离主体，通常用于结尾或揭示环境。写法：缓慢后拉，结束时露出整个车间。
- 摇：机身不动，镜头左右转动，用于展示空间。写法：从左向右平移视线，扫过墙面工具架。
- 移：机身平行移动，空间层次变化明显。写法：沿走廊向右移动，前景有立柱掠过。
- 升降：垂直运动，适合呈现规模。写法：从桌面高度缓缓升高至俯视。
- 跟：跟随主体移动，适合动作场面。写法：跟在人物身后，保持半身景别。
- 环绕：围绕主体旋转，适合强调人物状态。写法：绕人物顺时针环绕约九十度。
- 手持微晃：增加临场感。写法：肩扛手持，轻微呼吸式晃动。
- 变焦推轨：背景压缩同时主体不变，制造眩晕感。写法：向前推进同时缩小焦距，背景向后拉伸。
速度与幅度必须写清楚
“缓慢推进”和“快速推进”在模型眼里可能是同一件事。加上时间和幅度，控制力会明显提升：
[镜头] 固定起幅，中景；在三秒内匀速推进至近景；推进过程中保持主体在画面中央偏左
这类写法还有一个附带好处：它天然限定了片段时长。你写“三秒内”，生成或挑选素材时就有了明确的判断标准。
三类高风险运动
第一类是快速横摇，模型容易产生糊成一片的画面。第二类是穿越遮挡物，比如镜头穿过门框或枝叶，空间连续性极易断裂。第三类是主体与镜头反向运动，方向写不清就会变成来回拉锯。
如果项目时间紧，把这三类运动换成等价但更稳的方案：横摇换成固定镜头加人物走动，穿越换成切镜，反向运动换成两个独立镜头拼接。
多镜头连贯性：三种锚定法
连贯性是长片与短片的真正分水岭。单个片段再漂亮，如果十个片段像十个不同世界，观众依然会出戏。下面三种锚定法可以叠加使用。
文字锚定：角色卡与场景卡
在项目开始时写两份文档。角色卡记录不可变特征，场景卡记录空间布局：门在哪、窗在哪、主角通常朝向哪一边、光源来自哪个方向。
每一段提示词里都重复引用这两张卡。重复看起来很笨，但它是目前最稳定的做法。
图像锚定：首帧与关键帧
如果工作流支持首帧或关键帧参考，优先使用它。先固定一张符合角色卡的形象图，再让后续片段以它为起点。这比纯文字描述稳定得多，因为文字里“齐肩黑发”这四个字无法描述脸型的具体弧度。
注意参考图与提示词的一致性。如果参考图里角色穿深蓝夹克，而提示词写的是灰色外套，模型会左右摇摆，结果两边都不像。
剪辑锚定：用切点掩盖不一致
不是所有不一致都必须靠生成解决。把切点放在运动最剧烈的那一帧，观众的眼睛会被运动吸引，忽略细节差异。在动作切换、镜头切换、光线突变处切，是成本最低的连贯性手段。
同样地，插入一个不含角色的空镜作为过渡，可以让观众的大脑重置对角色外观的记忆，再出现时更容易接受。
光线锚定：最容易被忽略的一项
同一场戏里，光源方向和色温必须一致。上午的窗光与傍晚的暖光混用，观众第一反应不是“光线变了”，而是“这两个镜头不是一场戏”。在提示词里明确写“主光来自画面右后方窗格，色温约 4300K”，比写十个风格形容词更有效。
不同模型的提示词适配策略
不同生成模型对提示词的响应方式差别很大。与其记具体型号，不如记住四类模型的性格。
写实电影感型
这类模型对摄影参数非常敏感，对文学化描写反应一般。提示词应该短句化、名词化，把焦距、光圈、布光写在显眼位置。避免使用“梦幻”“唯美”这类主观词，改成“柔光罩打底、边缘轻微过曝、阴影保留细节”。
风格化与动画型
这类模型更吃风格词和材质词，对摄影参数反应较弱。可以用“手绘赛璐璐”“水粉质感”“粗线条勾边”这类表述。缺点是主体一致性往往比写实模型差，因此更需要角色卡和参考图。
长镜头叙事型
这类模型适合一次生成多秒连续画面，优势是运动自然，劣势是难以精确控制中途事件。写提示词时应该描述整段动作的弧线，而不是逐帧指令。比如写成“她从犹豫到决定，最后转身离开”，比写“第一秒皱眉、第二秒抬头”更有效。
图生视频与局部编辑型
这类工具的核心是“改动幅度”。提示词要明确哪些部分保持不变，比如“仅改变头发飘动方向，人物外貌、服装与背景保持不变”。如果不写这句，模型很可能把整张图重画一遍。
原生音频与对白提示
如果模型支持生成音频，把声音描述放进提示词能省掉后期对轨的大量时间。可写的内容包括：环境声来源、音量关系、是否有对白、对白语气与语速。注意不要在同一段里同时要求“安静环境”和“嘈杂市场”，这类冲突会让音频输出变得随机。
常见错误与排错清单
下面这张表可以直接贴在工位上。看到症状，去对应栏找原因和修法。
| 症状 | 可能原因 | 修法 |
|---|---|---|
| 角色每个片段都变脸 | 主体特征不足或未复用角色卡 | 补 5 到 8 个区分度高的特征，逐段引用角色卡 |
| 画面好看但动作僵硬 | 只写了情绪，没有写动作起点与终点 | 改成起点加过程加终点的写法 |
| 运动方向前后矛盾 | 未指定运动方向与幅度 | 写明方向、速度、起止景别 |
| 风格忽冷忽暖 | 风格词冲突或色温未固定 | 只保留一个主导风格，另加光源卡 |
| 背景元素乱入 | 约束条件缺失 | 加入“画面中不出现第二个人物”等约束 |
| 手指与文字崩坏 | 主体过小或过远 | 提高景别，减少画面内文字需求 |
| 片段太长、节奏拖 | 未设定时长与速度 | 在提示词中写明秒数与运动速度 |
| 拼接处跳变 | 切点落在静止帧上 | 把切点移到运动最大的一帧 |
| 音频与画面错位 | 声音描述缺失 | 补充环境声与对白描述，或后期单独铺轨 |
| 每次结果都不一样 | 提示词过长且层次混乱 | 按四层结构重排，删掉互相冲突的词 |
排错时有一个原则：一次只改一个变量。同时改三处，你就不知道是哪一处起了作用。
提示词库与版本管理
当项目从一条片子变成一系列片子，提示词就变成了资产。它需要一套简单的管理办法。
命名与变量占位
给每个提示词一个可读的编号，例如 scene-03-hand-closeup-v2。把可变量用占位符标出来，比如 {{时间}}、{{服装主色}}、{{天气}}，这样复用的时候不容易漏改。
A/B 测试记录
每次做对比测试，记录三件事：改了哪个词、结果差异是什么、是否采用。三列表格就够了。坚持记录几周，你会得到一份属于自己的提示词偏好清单，比任何通用教程都贴合你的项目。
复用与迁移
结构化的提示词更容易迁移到新工具。因为主体层和一致性层是内容层面的描述，与具体模型无关；只有技术参数层需要按模型特性调整。这也是为什么把四层分开写，比写一段混合的长句更有长期价值。
关于提示词的常见问题
提示词越长越好吗？
不是。长度本身没有价值，覆盖的信息维度才有价值。一段两百字但把主体、动作、镜头、光线、约束都说到位的提示词，比一段八百字堆满形容词的提示词有效得多。判断标准很简单：删掉任何一句，画面会不会变得不确定？会，就留着；不会，就删。
一定要写摄影参数吗？
不一定，但写了通常更稳。参数的作用是压缩模型的选择空间，让结果更可预测。如果你追求的是随机的惊喜感，可以少写；如果你要交付一条风格统一的成片，建议把焦距、景深、稳定方式和色温固定下来。
为什么同一个提示词跑两次结果完全不同？
生成过程本身带有随机性，这是正常的。解决办法不是反复重跑同一个提示词，而是把提示词写得足够具体，让随机性发生在你不关心的维度上。同时固定参考图、画幅比例和其他可设置的参数，也能显著降低波动。
角色一致性到底能靠文字解决吗？
部分能。文字能锁定发型、服装、体态、道具这些高区分度特征，但无法精确描述脸部骨骼。因此最稳的做法是文字锚定加图像锚定：用文字定义不可变特征，用参考图锁定面孔，再用剪辑锚定掩盖剩下的差异。
一次生成多少个版本比较合适？
对于结构清晰的提示词，每个镜头两到三个版本通常够用。如果五个版本都没有可用的，问题几乎肯定出在提示词结构上，继续生成只是浪费时间和资源。
没有灵感的时候怎么办？
不要盯着空白输入框。先去写镜头表，把每个镜头当成一个独立的小问题：这个镜头要交代什么信息？用哪个景别最省空间？这样想，提示词会自己长出来。
竖屏和横屏的提示词要改吗？
要改，主要改构图描述。竖屏更适合上半身近景和纵向运动，横屏更适合环境交代和横向移动。如果在竖屏里写“大全景加横向移动”，通常会得到主体过小、运动被裁掉的画面。
团队协作时怎么保证风格统一？
把角色卡、光源卡、色调卡做成共享文档，并要求所有成员在提交提示词前引用同一套卡片。再加上一份提示词命名规范，基本就能避免每个人按自己喜好写风格的混乱。
结语：把卡壳变成流程
卡壳很少是因为没有工具。它更多是因为在“想清楚”和“说出来”之间少了一道工序。提示词工程做的就是这道工序：把脑子里的画面翻译成模型能执行的需求文档。
如果你只从这篇文章带走一件事，就带走四层结构：主体与动作、风格与美术、摄影与技术参数、序列与一致性。把它写成模板，贴在项目文件夹里，每次开工先填一遍。
开工前的十项检查清单：
- 一句话意图是否写清楚。
- 镜头表是否排好，景别是否有变化。
- 每个镜头是否覆盖了四层结构。
- 角色卡、光源卡、色调卡是否建立并在提示词中引用。
- 运动是否写明了方向、速度与起止景别。
- 是否存在互相冲突的描述词。
- 是否写明时长与输出画幅。
- 约束条件是否包含“不出现什么”。
- 切点位置是否确定在运动帧上。
- 通过的提示词是否已归档并标记可变量。
这十项花不了多少时间，却能省掉后期最痛苦的那几个小时。真正稳定的产出从来不靠运气，而是靠一套愿意被重复执行的流程。
