这份手册整理自实际影视制作项目中的提示词设计经验。不谈理论，直接上能用的方法论。
给 AI 一个具体的身份，不是敷衍地说"你是助手"，而是要明确到岗位级别：
你是一位顶级影视概念设计师与剧本分析师。 你的核心能力是"全员捕捉"，负责将剧本中的所有登场角色转化为标准化的人物概念生成提示词。
角色定位直接决定了 AI 的输出视角和专业度。"剧本分析师"会自动带入行业术语，比"助手"精准太多。
设定技巧：
光有角色还不够，得告诉 AI 具体怎么干活。这部分叫"核心逻辑"，本质是一套执行框架：
# Core Logic (核心逻辑 - 请严格执行) 1. 全域扫描机制 (Full Capture)： - 对话扫描：提取所有有台词的角色 - 动作扫描 (关键)：重点检查以 ▲、△、【、( 开头的舞台指示 - 忽略背景板：忽略无具体描述的泛指人群 2. 群体细分原则： - 严禁将不同特征的角色合并 - 若剧本区分了"女弟子A"与"男弟子B"，必须拆分为两个独立条目 3. 视觉与台词规范： - 有台词者：提取最具代表性的一句原话 - 无台词者：替换为 (Silent, expression: [神态描述])
关键点：
AI 最容易跑偏的就是输出格式。不锁死，它就会自由发挥，加一堆解释性文字。
# Output Format (Strict JSON) - 绝对禁止使用 Markdown 代码块（json） - **绝对禁止**在 JSON 前后添加任何解释性文字 - 输出必须是 **Raw JSON String** - JSON 结构如下： { "data": [ { "name": "角色中文名", "content": "中文提示词" } ] }
为什么这么严格？因为 AI 输出会被程序解析。多一个 markdown 符号，下游就炸了。
格式约束技巧：
当任务有固定模式时，直接给 AI 一个公式模板：
通用生成公式 (Prompt Formula)： [风格设定] 全身视角 [角色名], [年龄/身份], 站在白色背景前, [外貌/服饰/神态细节], 正在用中文普通话面向镜头, [台词处理]
公式让 AI 不用思考结构，只需往槽位里填内容。输出一致性直接拉满。
# Role: [职业身份] ## Profile [一句话介绍核心能力] ## Goal [本次任务目标] ## Core Logic - [执行规则一] - [执行规则二] - [执行规则三] ## Output Format [输出格式要求 + 示例] ## Constraints - [禁止事项一] - [禁止事项二] ## Example [输入输出示例]
图像生成和对话完全是两套逻辑。对话是让 AI 理解意图，生图是让扩散模型"看见"你描述的画面。
好的生图提示词至少覆盖五个维度：
| 维度 | 说明 | 示例 |
|---|---|---|
| 主体 | 核心人物/物体，动作、外貌、服饰 | 一位身着精美汉服的少女，红色斗篷边缘镶嵌白色绒毛 |
| 环境与构图 | 背景、拍摄视角、景深 | 飘雪的冬日庭院，红梅在枝头绽放，中景构图，浅景深虚化 |
| 风格与媒介 | 艺术风格、渲染方式 | 中国古典工笔画风格结合写实厚涂 |
| 光影与色彩 | 光源类型、色调 | 柔和的漫射光，唯美氛围 |
| 画质修饰 | 分辨率、细节程度 | 高精度，8k壁纸级画质，极其细腻的皮肤纹理 |
完整示例：
一位身着精美汉服的少女，红色的斗篷边缘镶嵌着白色绒毛，面容清冷绝美，眼神凝视远方， 飘雪的冬日庭院，红梅在枝头绽放，中景构图，浅景深虚化背景， 中国古典工笔画风格结合写实厚涂， 柔和的漫射光，唯美氛围， 高精度，8k壁纸级画质，极其细腻的皮肤纹理。
做角色设定图时，需要标准化的多视角展示：
[角色名]的人设概念设计稿，[身份/年龄]，[风格背景描述]。 这是一张包含多个视角的展示图：包含正面、背面、左侧面、右侧面四位一体的全身展示，展现角色完整的身体比例。 背景为纯白色。 画面侧方包含：[发型及发饰细节描述]、[服装材质与剪裁工艺细节]的放大拆解图。 整体呈现为专业三视图排版，光影均匀，超高清画质。 图片底部正中央显著标注角色名称："[角色名]"。
要点：
场景图需要更全面的空间展示，推荐 3x3 九宫格布局：
[场景名]的场景概念设计稿，[时间/天气]，[整体风格与氛围描述]。 这是一张严格的3x3九宫格布局的技术拆解图(3x3 grid sheet)。 正中央为场景标准透视效果图。 周围环绕六视图及细节：上方为顶视图，下方为地面平面图，左侧为左墙立面，右侧为右墙立面，四角分别为前视、后视及[材质与道具]特写。 全方位展示空间的六个面。 光影逻辑统一，[建筑材质描述]，8k分辨率，虚幻引擎5渲染质感。 图片底部正中央显著标注场景名称："[场景名]"。
九宫格位置映射：
[1前视] [2顶视] [3后视] [4左立面] [5主视图] [6右立面] [7材质] [8底视] [9道具]
[道具名]的道具概念设计稿，[类别/功能]，[风格描述]。 这是一张专业工业设计分解图。 画面中央为物品的45度标准透视图。 周围包含：正视图、侧视图，以及局部的[核心部件/内部构造/符文细节]的精密特写。 重点刻画[材质描述，如锈蚀、光泽、魔力流光]。 背景为纯白色，演播室布光。 图片底部正中央显著标注道具名称："[道具名]"。
画光效、粒子、技能释放时，背景要用深色：
[技能名]的VFX特效概念设计稿，[属性/能量类型]，[视觉冲击力描述]。 画面展示了技能释放瞬间的动态冻结。 核心包含：[光效颜色与形态]的能量爆发，周围伴随[粒子效果/碎片/气流/残影]的轨迹。 高对比度光影，强调半透明材质与发光效果。 背景为深色以突显特效。 图片底部正中央显著标注技能名称："[技能名]"。
为什么用深色？发光效果在白背景上看不出来，对比度不够。
生图提示词的用词讲究，不能太口语化：
| 口语 | 专业术语 |
|---|---|
| 好看的光 | 体积光 / 电影级布光 / 伦勃朗光 |
| 模糊的背景 | 浅景深虚化 / Bokeh 效果 |
| 很细致 | 8K分辨率 / 超高清 / 细节丰富 |
| 动漫风格 | 2D Anime / 吉卜力风格 / 赛璐珞着色 |
| 真实感 | 照片级写实 / Unreal Engine 5 渲染 |
| 有质感 | 丁达尔效应 / 材质纹理 / 光追效果 |
视频和图像最大的区别是：视频有时间。描述的不是一个瞬间，而是一段连续的变化过程。
图像提示词可以写"她穿着红裙子"，但视频提示词得写"她的红裙摆随风扬起，又缓缓落下"。
反面教材：
一个女孩站在海边。
正确写法：
镜头从女孩背影缓慢推近，海风吹起她的长发，她转过头来，眼神中带着一丝惆怅，远处的海浪轻轻拍打礁石。
视频提示词的灵魂是运镜，以下术语需要熟记：
| 术语 | 说明 |
|---|---|
| 推镜头 (Dolly In) | 镜头向前移动，画面放大 |
| 拉镜头 (Dolly Out) | 镜头向后移动，画面缩小 |
| 摇镜头 (Pan) | 镜头左右旋转 |
| 升降镜头 (Crane) | 镜头垂直上下移动 |
| 跟镜头 (Tracking) | 镜头跟随主体移动 |
| 希区柯克变焦 (Dolly Zoom) | 推拉与变焦反向配合，产生眩晕感 |
| 无人机航拍 | 高空俯视，大场景 |
| Rack Focus | 焦点快速切换，从 A 聚焦到 B |
当前主流 AI 视频模型（Sora、Runway、可灵）的生成极限约 15 秒。分镜设计时：
角色有长台词时，不能让画面呆住。解决方案是复合运镜：
随着台词前半段，镜头从全景缓慢推至中景； 当说到高潮句时，镜头快速聚焦（Rack Focus）到角色眼神特写； 台词结束时，镜头微微后拉，展示角色的整体姿态。
视频是连续的，上一个镜头的结束状态必须和下一个镜头的起始状态一致：
镜头1 结尾：手举到最高点 镜头2 开头：必须从最高点开始落下 镜头3 结尾：角色转身，背对镜头 镜头4 开头：从背影开始
这叫"动作衔接"（Match on Action），违反这条就会出现跳帧。
将简单动作拆解为多个阶段：
"转身离开"拆解为： (1) 脚尖旋转 -> (2) 摆动衣角 -> (3) 背影远去 "愤怒地拍案而起"拆解为： (1) 手掌颤抖 -> (2) 猛击桌面 -> (3) 产生裂纹/纸张震起 (4) 顺势站起 -> (5) 椅子撞墙 -> (6) 胸口起伏
动作必须影响环境：
这是一个震撼的无人机跟拍镜头，近距离捕捉一只金雕在险峻的红色大峡谷中极速俯冲。 金雕的羽毛在强劲的气流中微微颤动，眼神锐利地锁定地面。 镜头随着金雕的动作快速下坠并穿越狭窄的岩石缝隙。 阳光从峡谷上方呈光束状洒落，照亮了飞扬的尘土颗粒。 画面具有IMAX电影级的质感，色彩饱满，超高清晰度，完美展现了速度感与野性之美。
这段包含了：
当需要 AI 帮你把剧本转成分镜脚本时，有一套专门的约束规则。
- 1个 15s 单元仅允许处理剧本中约 2-3 句台词/动作描写 - 每个 15s 单元必须包含 6-10 个镜头 - 严禁在一个单元内压缩整页剧情
- 逐句映射：必须在分镜详情中标注该镜头对应剧本的哪一句话 - 台词全保留：剧本中的每一句对白必须出现在 dialogue 字段中 - 动作补完："他很生气" -> [推镜头到眼部特写] -> [额头青筋跳动] -> [重击桌面]
当有角色/场景资源列表时：
- 匹配成功：替换为对应的 ID 标签（如 [@C01], [@S02]） - 匹配失败/列表为空：保留原始名称或使用具体的视觉外观描述 - 绝不允许凭空编造列表中不存在的 ID
{ "storyboard": [ { "id": 1, "duration": "15s", "script_reference": "对应剧本第 X 行至第 Y 行内容", "summary": "详细描述本段涵盖的微小情节起伏", "prompt": "【1-1 | 0-2s | 特写】动作：[手掌颤抖->猛击桌面] | 台词：'够了！'\n【1-2 | 2-4s | 中景】动作：[顺势站起->椅子撞墙]\n【bgm】沉闷压抑到重音突发\n【sfx】重击声、木材碎裂声" } ] }
当需要输出可视化的故事板时，推荐 2x3 六宫格格式。
**【缓冲对抗层】** Grid 1 (0-1s): 全黑画面，用于视频剪辑留白 Grid 2 (1-3s): 视觉桥接，环境定场/转场逻辑 **【正片关键帧序列】** Grid 3 (Keyframe 1): 全景/中景，交代情境 Grid 4 (Keyframe 2): 特写/面部特写，聚焦冲突点 Grid 5 (Keyframe 3): 推动情节的动态镜头 Grid 6 (Keyframe 4): 为下一场戏预留接口
- 景别: 全景/中景/近景/特写 - 运镜: 推镜头/平移/固定/希区柯克变焦 - 画面内容: 必须包含[前景]、[中景]、[后景]的具体物件和光影 - 设计意图: 说明此镜头在叙事上的目的 - 台词: 剧情中人物台词、对话、内心OS、旁白等
生图快速模板：
[主体：人物/物体 + 动作 + 外貌]， [环境：场景 + 天气 + 时间]， [构图：景别 + 角度 + 景深]， [风格：画风 + 渲染方式]， [光影：光源 + 色调]， [画质：分辨率 + 细节词]
视频快速模板：
[运镜方式]，[相机移动轨迹]。 [主体动作] + [物理反馈]。 [环境描写] + [随时间的变化]。 [光影与氛围]。 [技术参数]。
| 错误 | 正确做法 |
|---|---|
| 口语描述 | 用专业术语 |
| 只描述状态 | 描述变化过程 |
| 格式要求模糊 | 给出完整示例 |
| 没有禁止项 | 明确列出禁止行为 |
| 单纯堆砌关键词 | 写成通顺的段落 |
| 把多个角色合并描述 | 每个角色单独条目 |
| 镜头超过 15 秒 | 拆分为多个短镜头 |
提示词很难一次写好，建议的迭代流程：
提示词工程说到底就是两件事：
没有什么神秘技巧，就是多写、多调、多总结。遇到效果不好的输出，别急着换工具，先想想是不是自己的提示词没写清楚。
毕竟，AI 只是执行者，真正的导演是你。
本文整理自实际项目中的提示词设计经验，如有问题欢迎交流。
