文生视频工作流中的提示词工程怎么做？

我以前做文生视频，最容易卡住的地方不是模型不会生成，而是我自己不会描述。脑子里明明有一个很酷的画面，输入提示词后却变成“人物乱跑、镜头乱晃、风格忽冷忽热”的大杂烩。后来我才明白，提示词工程不是堆形容词，而是把想法拆成模型更容易执行的任务。

先把一句话拆成四层

我现在通常先写一句极简脚本，比如“未来城市的夜晚，主角走向光源”。这句话只是起点，不能直接当最终提示词。接着我会拆成四个维度：视觉元素、动作、情绪、镜头语言。

视觉元素回答“画面里有什么”：人物、场景、光线和整体风格。动作回答“它怎么动”：走向、转身、抬头，还是镜头移动。情绪决定观众感受到什么，是紧张、温暖，还是冷峻。镜头语言则补充景别、视角、广角或景深等信息。这样写出来的提示词，通常比“高级、电影感、震撼”这类空泛形容词更稳定。

我还会明确时间点，例如白天还是夜晚，并尽量避免一句话塞进太多互相冲突的要求。想要温暖的广告感，却同时要求阴冷、压迫、强烈闪烁，模型很可能直接迷路。

提示词要服务镜头，而不是服务想象

文生视频最怕“一个提示词包打天下”。我会先做分镜或镜头表，把内容拆成几个短镜头，再为每个镜头单独写提示词。这样做的好处是，每个镜头只解决一个主要问题：交代场景、表现动作，或者完成一次情绪变化。

人物和场景的关键特征要尽量保持一致，尤其是服装、发型、色调和时间氛围。每换一个镜头，我不会把描述全部推翻，而是保留核心设定，只修改动作或镜头。否则上一镜还是未来城市，下一镜可能突然变成完全不同的世界，连主角都像临时请来的替身。

把生成当成迭代，不要一次求完美

我习惯先生成低成本预览，优先检查构图、动作方向和情绪是否对，再逐步补充细节。一次改太多内容，很难判断到底是哪一部分出了问题。更稳妥的方式是：先改主体，再改动作，最后调整镜头和风格。

如果出现“悬浮的手”、动作不自然或画面拉伸，我不会立刻重写整段提示词，而是回到对应镜头，找出问题所在。提示词写得越清楚，分镜拆得越合理，后面的素材生成、配音和合成就越省心。对我来说，真正好用的提示词不是最华丽的那一段，而是能让每个镜头按计划工作的那一段。