LLM导演Skill：把一句话脑洞拆成可控视频分镜的提示词工程

在视频生成工具里输入“一只戴着宇航员头盔的橘猫，站在火星沙丘上回头看地球”，结果出来的画面要么猫变成了狗，要么头盔消失，要么镜头调度完全不是你想的那样。这不是你的手气问题，而是把一句话脑洞直接扔给模型的必然结果。MiniMax H3提示词进阶版优化技能、LLM专属导演Skill、提示词管家、智能分镜、脑洞模式强遵循度——这套词汇组合看起来像营销文案，但它的核心命题其实很硬核：当视频生成模型能力已经够用的时候，决定短片质量的，往往不是模型，而是提示词工作流。

过去我们习惯把“提示词”理解成“把需求写清楚”，但在视频生成场景里，这个理解远远不够。MiniMax H3一类的模型能生成足够精美的画面，可它对于自然语言的理解仍然存在一条隐性边界。一句话里塞进去的要素越多，模型就越难同时照顾到每一个细节。它可能记住了橘猫，却忘记了火星基地；记住了回头这个动作，却没有给镜头留出调度空间。于是，真正需要被优化的不是“再写长一点”，而是把一句话拆解成一个模型能够逐条执行的短脚本。LLM专属导演Skill要做的，就是这件事。

下面我会先解释为什么视频提示词不能沿用文本提示词的思路，再拆解“导演Skill”的运作机制，然后给出一套可以自己搭建的最小流程，最后聊聊批量生产和常见问题排查。整个过程没有玄学，核心就三件事：结构化、可验证、可复用。

1. 为什么“一句话出片”的关键不在模型，而在提示词编排

1.1 一句话直接生成的翻车现场

很多人在第一次接触视频生成时，都会抱着“像对话一样出片”的期待。结果实际体验往往是这样：你把脑海里那个完整的画面打出来，得到的输出却像一段没有导演意识的素材拼贴。主体在，动作不对；环境在，光线全错；镜头一直在乱切，却始终没有出现你真正想表达的那个情绪点。

这不是模型不够强，而是“一句话”这种输入形式，天然携带了过高的语义密度。比如“一只戴着宇航员头盔的橘猫，站在火星沙丘上回头看地球”，这句话里至少有五个关键信息点：动物种类、装备、动作、环境、远景对象。模型需要在一段连续生成中同时处理这些约束，而它的注意力机制会对不同信息分配不同权重。结果往往是某一两个信息被放大，其余信息被弱化甚至忽略。这个过程在文本生成里可能问题不大，因为文字可以靠上下文逐步修正；但视频生成是一次性采样，生成后发现主体不对，只能重新生成，代价高得多。

所以，如果你发现某个模型“不听话”，先别急着换模型或调采样参数。更值得追问的是：你是不是把一整套分镜指令压缩在了一句自然语言里。

1.2 视频生成提示词和文本生成提示词的本质区别

文本生成提示词解决的是“写什么内容”的问题。你给LLM一个主题、一种风格、几段参考资料，它就能帮你组织语言。就算某些细节表达得不明确，文本本身具有容错性，读者会脑补。

视频生成提示词不一样。它描述的是“每一帧应该出现什么”，并且带有严格的时间维度。同一个主体在第一个镜头里是橘猫，第二个镜头里如果模型没有记住，它就可能变成狸花猫。场景在第一个镜头是火星沙丘，第二个镜头可能自动换成了地球森林。这种不可控不是模型故意叛逆，而是因为你没有给它足够稳定的锚点。

视频提示词需要同时完成几个任务：告诉模型主体是什么、动作是什么、机位在哪里、光线如何、环境如何、情绪如何、前后镜头怎么衔接。如果这些信息全部挤在一段自然语言里，模型很难提取出明确的执行优先级。于是“强遵循度”这个说法出现了。MiniMax H3相关演示里经常强调强遵循度，它的真正含义是：当提示词提供了足够清晰的结构化指令时，模型有能力执行到位。但前提是，提示词本身得是它可以“照着演”的脚本，而不是一句随性的脑洞。

1.3 MiniMax H3的“强遵循度”依赖结构化上下文

我自己理解“强遵循度”并不等于“你随便说它都能照办”，而是“在结构化上下文下，它能把关键约束执行得更准确”。这里的关键词是结构化。一个分镜脚本即使只有三行，也应该具备稳定的信息骨架。比如：

• 主体是谁，外观特征是什么
• 主体在做什么动作，动作发生在哪个空间
• 镜头从哪里看过去，是固定还是运动
• 光线的方向、色调、氛围
• 这段画面持续多长时间，下一段如何过渡

这些锚点一旦齐全，模型的注意力就更容易集中。反过来，如果提示词里全是“唯美”“震撼”“充满科技感”这类情绪词汇，模型无法把这些词汇转译成具体画面，自然只能自由发挥。

所以，MiniMax H3提示词进阶版优化的东西，表面上是提示词模板，本质上是在帮模型建立上下文。一个有效的提示词管家，不是替你说更多漂亮话，而是替你补全模型需要看到的所有约束。

2. “导演Skill”到底做了什么：从脑洞到分镜的转译

2.1 提示词管家：把用户语言翻译成模型语言

“提示词管家”这个名字很形象。它的功能不只是把用户的一句话扩充成两百字描述，而是把用户语言翻译成模型可以执行的参数化指令。用户说“我要一个浪漫的雨夜街角”，管家应该输出的是“夜晚城市街道，雨，一对撑伞的情侣，低机位仰拍，冷色调，镜头缓慢推进，雨滴反射霓虹灯光”。这些信息不是装饰性描述，而是决定画面生成的要素。

在LLM专属导演Skill的设计里，提示词管家通常由一个具备较强结构化输出能力的大语言模型担任。它可以是一个专门的角色设定，也可以是一个独立Skill。输入的是一句话，输出的是一个包含场景、主体、动作、机位、光线、风格、时长等字段的脚本结构。这里最容易被忽略的是：管家要把“抽象感受”转成“可观测画面”。比如“浪漫”这个词在视频提示词里是无效的，能驱动画面的只有“雨”“霓虹”“雨伞”“慢镜头”这类具体元素。

如果你发现LLM生成的分镜脚本仍然充满抽象词汇，那说明你的Skill约束还不够严格。可以在系统提示词里明确写：不允许使用无法在画面中直接呈现的情感词，所有情绪必须通过具体视觉元素表达。

2.2 智能分镜：从“一段描述”到“多个镜头”

智能分镜是导演Skill里最关键的能力。它要做的事是把一段完整的叙事，拆成多个镜头，每个镜头只承担一个核心事件。比如“一个少年在上海弄堂里追逐纸飞机”这个脑洞，直接让模型生成，很可能得到一段混乱的长镜头。但如果把它拆成四个镜头：

1. 环境空镜：清晨弄堂，一只纸飞机从窗口飞出。
2. 少年伸出手，试图接住纸飞机，目光专注。
3. 俯拍镜头，少年跑过台阶，纸飞机在前方飘动。
4. 正面特写，少年抓住纸飞机，背景是朝阳。

每个镜头的信息量都变小了，可执行性却大大提升。模型不需要在一次采样中同时完成叙事、运镜和氛围营造，它只需要演好当前这一个镜头。后续再通过剪辑或后期拼接，把镜头连成短片。

智能分镜还能帮助稳定输出。当镜头数量固定、每个镜头时长可控时，模型的工作不再是“自由发挥一整段”，而是“完成一个明确的小任务”。这也是为什么很多提示词进阶方案会强调分镜数量控制在3到5个：镜头太少，等于没拆；镜头太多，每个镜头都被压缩得没有表演空间。

2.3 脑洞模式与强遵循度如何并存

脑洞模式和强遵循度看起来像两个相反方向：一个要发散，一个要收敛。但真正的导演Skill会把它们放在不同阶段。第一阶段是创意阶段，你可以让LLM用较高的随机性、更开放的约束，基于你的一句话脑洞扩展出多个创意方向。比如你只说了一句“火星上的猫”，它可以给你几个完全不同的开场方案。第二阶段才是执行阶段，选定一个方向后，必须用严格的模板，把创意收敛成可执行的分镜脚本。

脑洞模式像剧本会，强遵循度像现场执行。两者不是同一个时间做同一件事。提示词管家真正的难度，在于让两者能无缝衔接。脑洞阶段可以不设限，执行阶段需要把所有创意翻译成模型能看懂的确定性指令。这个“先发散、后收敛”的流程，比“让模型猜你想做什么”可靠得多。

具体的实现方式也很简单：在同一个Skill里定义两个子模式。用户输入一句话后，默认先给出3个创意方向，由用户选择后，再进入分镜生成。如果你希望更快速地出片，可以跳过创意阶段，直接让LLM按当前模板生成标准分镜。

3. 实操：搭建一个属于自己的MiniMax H3导演Skill

3.1 先确定运行环境

动手建Skill之前，先确定你手上的视频生成链路是什么。常见的有三种：

• 使用MiniMax H3在线API或网页版，通过接口调用生成视频。
• 本地部署H3模型，需要足够的GPU显存，具体规格以模型文档为准。
• 通过ComfyUI等节点工具接入H3模型，把提示词处理放到LLM节点中完成。

不同环境对Skill的集成方式不一样，但提示词结构可以复用。我更建议先从API或网页版跑通一两个样例，再决定要不要本地部署或接入ComfyUI。因为本地部署会遇到显存、驱动、模型文件路径等一堆问题，如果在第一步就陷入环境问题，很难判断到底是提示词出了问题还是部署出了问题。

ComfyUI用户还要注意一个细节：LLM节点和视频生成节点是否需要运行在同一台机器上，取决于你使用的是本地模型还是在线API。如果LLM走的是本地模型，视觉生成走的是在线API，那它们不一定需要放在同一台电脑上。如果两个都是本地推理，那显然需要同一台具备足够算力的机器。具体方案没有唯一答案，一切以自己的资源和成本为准。

3.2 设计Skill的系统提示词

一个导演Skill的核心，是系统提示词里的角色定义和输出约束。下面是一个通用模板示例，它不是MiniMax H3官方文件，而是一个设计思路。落地前，请根据你使用的LLM版本和视频生成模型做调整。

你是一个专业的视频导演Skill。 你的任务是把用户的一句话脑洞，拆解成适合视频生成模型执行的完整分镜脚本。 你输出的分镜脚本必须满足以下要求： 1. 将脑洞拆分为3到5个镜头。 2. 每个镜头必须包含以下字段： - shot_id：镜头序号 - scene：场景描述，必须具体到空间、环境、天气 - subject：主体描述，必须包含外观、服饰、颜色等可观测特征 - action：主体动作，必须是单一动作 - camera：机位与运镜方式，例如“正面中景，镜头缓慢推进” - lighting：光线来源与氛围 - style：风格关键词，例如“电影感”“纪实”“动画” - duration：镜头时长，以秒为单位 3. 不允许使用“美丽”“独特”等抽象词汇。 4. 所有情绪必须通过具体视觉元素表达。 5. 最后输出一个prompt_summary字段，把所有镜头的核心信息合并成一个可连续生成的提示词。

这个系统提示词的重点不是“让LLM写得好”，而是“让LLM输出的格式稳定可解析”。如果你的流程后续要接入自动化，最好让LLM输出JSON结构，而不是自然语言段落。解析失败的概率会小很多。

3.3 最小可运行流程

我第一次跑通这个流程时，用了非常笨的方法：先手动让LLM生成分镜，再一条一条复制到视频生成工具里。跑通之后，再把它脚本化。

最小流程可分成四步：

1. 输入一句话脑洞。
2. 调用LLM导演Skill，生成分镜脚本。
3. 把分镜脚本里的每个镜头逐一交给MiniMax H3生成短视频。
4. 检查每个镜头的输出，保留符合预期的片段。

示例流程可以写成这样，但注意这只是一个通用示例结构，具体接口请参考你的模型文档。

# 示例流程：先用LLM生成分镜，再交给视频模型生成 user_idea = "一只橘猫在火星基地晃悠" storyboard = director_skill(user_idea) # 调用LLM导演Skill for shot in storyboard["shots"]: prompt = shot["prompt"] result = minimax_h3_generate(prompt) save_video(result, shot["shot_id"])

这里有一个很重要的操作习惯：先只生成第一个镜头，确认画面符合预期后，再继续生成后续镜头。不要一口气把所有镜头都交给模型，否则如果第一个镜头的角色描述出了问题，后面每个镜头都会跟着错。

3.4 关键参数理解

在提示词进阶方案里，有几个参数会直接影响出片结果。

• 分镜数量：默认3到5个。数量太少，每段画面要承载的信息过多；数量太多，单镜头时长过短，很多模型会丢失细节。
• 镜头时长：单镜头2到4秒比较稳妥。短片风格控制在6到10秒总时长，先不要挑战长镜头。
• 主体描述的一致程度：每个镜头里的subject字段要尽量重复相同的关键词。不要在第一镜头里写“橘猫”，第二镜头里只写“猫”，模型一旦丢失参照，很容易直接把主体改掉。
• prompt_summary：它是把分镜合并成一段连续提示词的字段，不是把所有镜头原样拼起来，而是提取核心信息，避免提示词超过模型的处理上限。
• 随机种子和采样参数：如果模型支持固定随机种子，建议先固定下来，这样能判断出画面变化是提示词带来的，还是采样随机性带来的。

这些参数不用一次调到位，先固定一组能出片的值，再逐步调整。

注意：不要一上来就把批量数和并发数拉满，先用一条样例确认输入、输出和日志都正常。

4. 进阶：从单次出片到批量可控生产

4.1 批量生成时为什么必须加“元提示词”

当你进入批量生产阶段，比如要一次生成5个短片或20个镜头，复杂度会迅速上升。最常遇到的问题并不是模型出错，而是镜头与镜头之间完全不像同一个作品。第一镜头是暖色调，第二镜头变成了冷色；第一镜头的主角穿着红色外套，第二镜头主角外套变成了蓝色。

这种风格漂移的根源是：每个镜头被当作一次独立的生成任务，模型没有“上一个镜头是什么样”的记忆。MV、动画短片、剧情短片这类内容，最怕的就是前后不一致。

解决方法是增加一层“元提示词”。它不直接描述画面，而是描述整套生成策略。例如：

• 所有镜头必须保持同一风格关键词，且该关键词不能从模板里删除。
• 所有镜头的主体描述必须保持一致，角色名称和外观字段统一。
• 所有镜头的色彩偏好必须统一，避免冷暖色混用。
• 每个镜头必须参考前一个镜头的结尾构图。

元提示词的作用是给LLM一个全局约束，让它在生成每个镜头时都带着同一个上下文。它就像导演手册，虽然不会出现在画面上，但决定了所有镜头如何统一。

4.2 风格一致性、镜头一致性和角色一致性的取舍

在真实项目里，你几乎不可能让视频生成模型同时做到风格、镜头、角色三者完全一致。这里需要做一个优先级判断。我的建议是：

• 短叙事短片：优先保证风格一致性和镜头衔接。
• 角色IP或指定形象：优先保证角色一致性，风格可以适当妥协。
• 氛围片和概念片：优先保证风格一致性，镜头可以更自由。

这个取舍不是模型不行，而是视频生成模型的多重约束能力是有限的。你给它太多要求，它反而无法聚焦。每一轮生成的提示词都应该有一个核心目标。如果角色一致性真的很重要，建议给模型提供参考图，或者在生成每个镜头时都带上同一段详细的角色描述，不要依赖模型自动记忆。

4.3 把结果沉淀成可复用的分镜库

很多人的提示词优化停在了“跑通几个例子”的阶段。这很可惜。因为真正有价值的部分，是你在这个过程中积累的、可复用的分镜结构。

我一般会用一个简单的表格或文件夹管理分镜模板。每次成功出片后，把之前的分镜脚本保存下来，并打上标签：题材、情绪、机位、风格、适用主体。比如“雨中霓虹浪漫重逢”“太空基地失重追逐”“90年代老街少年奔跑”等。下次再遇到类似的脑洞，直接调出对应模板，不需要再从头拆解。

这样做有三个好处：

1. 减少无效试错。
2. 让LLM导演Skill可以基于历史模板做模仿。
3. 让创作过程从“灵感驱动”变成“流程驱动”。

长期来看，分镜库才是你真正积累的资产。模型会升级，提示词模板会迭代，但一个经过验证的分镜结构不会因为版本变化而失效。

5. 实战排查：强遵循度不够时先检查哪几层

5.1 现象分类

视频生成中的“不听话”，通常不是单一原因。先给现象分个类，再按顺序排查比较高效。常见的现象包括：

• 元素缺失：描述中的主体、背景、装备没有出现，或出现后被替换。
• 动作错误：主体做错了动作，比如“回头看”变成了“低头看”。
• 镜头漂移：运镜完全不符合预期，比如“缓慢推进”变成了“快速旋转”。
• 风格突变：前后镜头色彩、光照、画风不一致。
• 时长异常：单镜头时长总是不受控，每次生成都在超时或不足。

这些现象对应的排查方向是不同的。元素缺失通常指向信息过载或主体描述不明确；动作错误通常指向镜头里的动作字段不够单一；镜头漂移通常指向相机描述太抽象或模型对镜头语言理解不足；风格突变通常指向全局设定没有贯穿到每个镜头。

5.2 排查链路

遇到强遵循度不够的问题，我一般按照下面的链路排查，基本能定位到问题层。

1. 先看输入层：用户脑洞是不是超过了一句话的合理信息密度？如果是，先拆成多个镜头，再逐个验证。
2. 再看分镜层：每个镜头是否只包含一个核心事件？如果镜头同时要求“跑步+开门+回头”，赶紧拆开。
3. 检查抽象词汇：分镜脚本里有没有“美丽的”“独特的”这类无法转化成画面元素的词？有就删掉或替换。
4. 检查全局设置：“风格关键词”和“角色描述”是否写进了每个镜头？如果只在开头出现过一次，模型很容易在后续镜头里丢失。
5. 检查生成参数：分辨率、镜头长度、采样步数、随机种子是否适合当前任务？可以先固定随机种子，排除随机因素。
6. 检查外部流程：提示词是否被截断？参考图是否传错？是否有后处理逻辑改变了画面风格？

这六步不一定每一步都有问题，但顺序很重要。先解决输入和分镜，再调参数，否则参数都是白调。

5.3 常见配置对照表

下面这张表可以贴在提示词工作台旁边，遇到问题直接对照：

这张表的核心思路是：先让问题变得可重复，再谈优化。如果同一个提示词每次生成结果都不一样，说明变量还没控制住，这时候讨论优化没有意义。

注意：排查问题时，一次只改一个变量。同时改分镜数量、风格和参数，你会完全无法判断是哪个改动起了作用。

6. 这套方案的边界，以及下一步该学什么

6.1 适合谁，不适合谁

MiniMax H3提示词进阶版和LLM导演Skill这套方法，并不适合所有人。它的适用人群是：

• 有明确短片创作需求，愿意花时间维护提示词结构的人。
• 已经在用视频生成工具，但苦于输出不稳定的内容创作者。
• 想把AI短片生产流程化、批量化的人。
• 对提示词工程、LLM Agent、Skill插件机制有一定兴趣的技术用户。

不适合的人群也很明显：

• 完全不想花时间理解分镜逻辑，只想每次开盲盒式生成的人。
• 对视频质量有极高的商业级要求，希望一次生成即成品的人。
• 没有基础模型调用链路，也不想搭建环境的人。

这套方案解决的是“可控性”问题，不是“画质”问题。它可以让你更稳定地生成符合预期的短片，但不能保证每个画面都达到电影级质感。模型的画面能力上限取决于模型本身，提示词只能帮你靠近上限，不能突破上限。

6.2 MiniMax H3提示词进阶版和通用提示词工程的差异

通用提示词工程的关注点是“让LLM理解你的意图”。你会使用角色设定、Few-shot示例、约束条件来提升LLM回答质量。但视频生成场景里，提示词工程要面对的是一个完全不同的执行主体，它的“理解能力”更受限，它的输出又是不可局部修改的像素。

MiniMax H3提示词进阶版真正特殊的地方，不是它比通用提示词模板多加了多少形容词，而是它把LLM作为中间层接入了工作流。用户不再直接写视频提示词，而是设计一个“能够生成视频提示词”的Skill。这是一次角色反转：你从提示词写作者，变成了提示词规则的设计者。

所以，当别人还在讨论“某个词写得好不好”的时候，你应该讨论的是“我应该让LLM依据什么规则来生成分镜”。这个区别很重要，因为它决定了你的方案能不能跨模型复用。今天你用MiniMax H3，明天换成其他视频生成模型，这套导演Skill只需要调整输出字段和参数约束，不需要推倒重来。

6.3 长期价值判断

回到文章开头的那个问题：为什么一句话出片这件事这么难？因为模型需要被“导演”，而不是被“吩咐”。一个清晰的脑洞只是创作的起点，把它拆成可执行的镜头语言，才是视频生成工作流的真正门槛。

MiniMax H3提示词进阶版也好，LLM专属导演Skill也好，它们都只是现阶段的一种实现方式。真正值得长期积累的，是那套“先拆解、再生成、后验证”的流程。无论模型版本怎么变，分镜逻辑、主体一致性、风格锚点、批量控制，这些东西都不会过时。

如果现在要你迈出第一步，我建议你别急着搭复杂环境，也先别研究各种花哨参数。找一个最简单的MiniMax H3接口或网页工具，挑一个你早就想拍的脑洞，用今天讲的导演Skill思路把它拆成三个镜头。先让第一个镜头稳定生成，再补上第二个、第三个。跑通这一遍，你比看过一百篇提示词教程的人都更接近真正可控的AI短片工作流。