企业官网建设流程全解析

拍短片之前，先想清楚一件事：MiniMax H3 这代视频生成模型的能力上限，已经被大量实测逼得很高了。真正拉开差距的地方，不在模型本身，而在你喂给它的提示词结构。很多人抱怨"生成结果不稳定""画面像 PPT 切换""角色一会一个样"，多数时候不是 H3 不行，而是你还在用两三句话碰运气。

这篇文章要解决的就是这件事：怎么用 LLM 的思路，把"一句话灵感"升级成一套专业的导演分镜提示词。我会给出一个可以复用的 Skill 结构，并且把它定义成"提示词管家 + 智能分镜 + 脑洞模式/强遵循度模式"的组合。你不需要会用导演术语，也不需要手动编排每个镜头，只要把想法丢进去，就能得到一份接近专业分镜脚本的 H3 提示词。

先给出我的判断：MiniMax H3 提示词写作，正在从"写作文"变成"写代码"。传统的自然语言描述已经不够用，你需要的是结构化、分层、带控制字段的提示词方案。谁先建立这套方法，谁就能稳定产出高质量 AI 短片。

1. 提示词不是越长越好：H3 的真正瓶颈

如果你已经把 MiniMax H3 玩过几轮，大概率遇到过以下情况：

• 提示词写得很详细，画面却还是混乱。
• 把光照、机位、镜头运动全塞进一句话，生成结果直接忽略后半段。
• 角色在第一个镜头是黑色外套，到第三个镜头突然变成白色。
• 镜头切换像幻灯片，完全没有电影的流动感。

问题出在哪？很多人认为"提示词越详细，模型越听话"，于是把能想到的视觉元素全部堆进去。但在 H3 这类视频生成模型中，提示词解析更像是有损编码。模型会先抓取高频关键元素，再放弃低优先级细节。你的描述一旦没有主次，它就会按自己的理解随机组合，结果就是失控。

从模型原理角度看，H3 要做的事很多：文本语义理解、第一帧构图、运动估计、时序一致性、光影渲染。这些任务同时竞争有限的注意力资源。如果你的提示词没有用清晰的分层结构告诉模型"先看什么、再看什么、最后补充什么"，它就只能平均用力。平均用力的结果，就是什么都生成了一点，但什么都不精确。

真正的提示词瓶颈，是结构缺失。你需要把一条提示词拆成多个语义槽位，比如：

• 主体描述
• 环境与背景
• 镜头语言
• 光影与色调
• 运动方式
• 氛围与情绪
• 负面约束

每个槽位各司其职，模型才能像读配置表一样消费这些信息。这也是为什么 LLM 擅长做这件事：它可以把一段口语化灵感，自动填入标准槽位，生成符合 H3 输入规范的提示词。

2. 用 LLM 做"导演"的核心思路

我在文章开头说提示词写作正在从"写作文"变成"写代码"，这里展开解释一下。

传统的视频生成操作路径是这样的：你在输入框里写下一段描述，然后生成，不满意再改，再生成。这像是一个人反复对着模型喊话，效率很低，而且你很难知道模型为什么会失败。

引入 LLM 之后，路径发生了本质变化：

一句话灵感 → LLM 根据导演方法论拆分分镜 → 输出结构化镜头序列 → 拼装成 H3 提示词 → 丢进视频生成工具

LLM 在中间扮演的并不是"翻译机"，而是一个具备导演知识库的"中间层"。它可以理解你的创意意图，然后按照既定规则做三件事：

1. 拆分叙事：把一句话扩展成起承转合的多镜头脚本。
2. 设计镜头语言：为每个镜头指定景别、机位、运镜方式。
3. 统一视觉一致性：固定角色外貌、服装、色调、环境氛围，减少跨镜头的冲突。

这就是为什么今年 Skill（技能）概念会火。Skill 听起来很玄，本质上是把一套"方法论文件"注入到 LLM 的上下文中，让它在回答时遵循这套方法。你可以把 Skill 理解成一个配置包，里面包含了角色设定、输出模板、约束规则和示例。没有 Skill 的 LLM 是通用助手，有了 Skill 的 LLM 才是专属领域的执行者。

对 MiniMax H3 提示词这个场景来说，Skill 的作用就是内置一套"导演方法论"。你不需要每句话都告诉 LLM 什么是景别、什么是运镜，它会按 Skill 里定义的规则自动处理。

顺带说一个容易混淆的点：Skill 不是插件，也不需要在本地运行模型。它只是一段结构化文本，通常是 YAML、Markdown 或 JSON 格式，通过提示词注入到 LLM 对话中。你完全可以在任何支持长上下文的 LLM 平台里使用，也可以写脚本调用 API 时手动拼接。

3. 什么是 Skill：给 LLM 装上一套导演方法论

Skill 的核心是"将隐性经验显性化"。每个熟练的提示词工程师脑子里都有一套"什么该写、什么不该写、按什么顺序写"的规则，但这些东西很难复制给别人。Skill 就是把这套规则写下来，整理成文件，然后随时让 LLM 加载。

一个 MiniMax H3 导演 Skill 至少要包含以下部分：

Skill 的启动方式也很简单。你可以把它放在 system prompt 里，也可以在每次对话开头手动加载。实际工程中更推荐后者，因为这样不会污染通用对话能力，只在需要时触发。

下面是一个简化版的 Skill 定义示例，我用 YAML 来写。这个文件可以直接放入你的提示词工程库，也可以作为 LLM 调用的 system prompt 模板。

# 文件路径：skill_director.yaml name: "MiniMax H3 导演技能" description: "将创意灵感转换为 H3 可用的专业分镜与提示词" role: | 你是一名资深影视导演与分镜师，熟悉电影镜头语言、灯光设计和视觉叙事。 你的任务是将用户的一句话创意，扩展为完整的镜头序列， 并输出符合 MiniMax H3 视频生成模型输入规范的提示词。 modes: creative: name: "脑洞模式" temperature: 0.9 description: "适合概念探索、视觉风格试验，允许更大胆的意象和镜头组合。" strict: name: "强遵循度模式" temperature: 0.3 description: "适合需要严格按分镜执行的项目，输出更规范，减少意外生成。"

镜头语言规范：

shot_fields: - id: 镜头编号 - scene: 场景描述 - shot_size: 景别，如特写、近景、中景、全景、远景 - camera_movement: 运镜方式，如固定、推、拉、摇、移、跟、升降 - subject: 主体动作描述 - lighting: 光线与色调 - atmosphere: 氛围与情绪 - duration: 建议时长（秒），H3 推荐单镜头 5-8 秒

一致性规则：

consistency: character: "每个镜头中，主角外貌、服装、发型必须保持一致，使用相同描述词。" environment: "环境配色、标志性元素、天气状态在每个镜头中保持一致。" color_grade: "整体色调确定后不要随意改变，例如霓虹赛博、暖黄复古、冷灰写实。"

负面约束：

negative_prompt: - "画面中不要出现文字、字幕或水印" - "避免肢体畸形、多手指、脸型崩坏" - "避免镜头间角色服装突变" - "避免突然出现的无关物体"

输出模板：

## 分镜脚本 镜头 1： 景别：全景 运镜：缓慢推进 主体：... 光线：... 氛围：... ## H3 提示词 将镜头 1 的输出拼接为一段连续自然语言，并加入 H3 输入规范要求的字段。

把这个 Skill 加载给 LLM 后，你再输入"一只橙猫在雨夜屋顶上奔跑"，它就会自动进入导演模式，输出一套完整的分镜脚本。这就是 Skill 的价值：把个人经验变成可复用的生产工具。

4. 环境准备：你的 AI 短片工作台需要哪些组件

要跑通这套流程，你不需要一台特别强的电脑。MiniMax H3 本身是云端模型，本地只负责调用 API 或使用官方工作台。你真正需要准备的，是一套"创意生产链路"的软件环境。

4.1 硬件与操作系统

• 操作系统：Windows / macOS / Linux 均可，不影响核心流程。
• 本地电脑：普通办公配置即可。如果后续要用 ComfyUI 做更复杂的管线，建议内存 16GB 以上、显卡 8GB 显存以上，但这不是必须的。

4.2 软件与账号

• MiniMax 官方视频生成工作台或开放平台账号，用于最终生成视频。
• 一个支持函数调用或长上下文的 LLM API，例如国内主流大模型厂商的 API，或者你已经在用的 ChatGPT API、Claude API 等。
• Python 3.8 以上环境，用于编写提示词工程脚本。
• 可选：参考图。H3 支持参考图输入，建议准备一张角色设定图或场景氛围图，能明显提升角色一致性。

4.3 依赖安装

如果你选择用 Python 脚本调用 LLM API，可以参考下面的安装命令。这里以 OpenAI SDK 为例，其他厂商的 SDK 用法类似。

pip install openai

如果你不想写代码，也可以直接使用支持 Skill 的对话客户端，把 Skill 内容粘贴到系统提示词里。两种方式都能达到目的，区别只在于脚本方式更适合批量生成和版本管理。

4.4 需要准备的文件

建议在本地建一个目录，把所有提示词工程文件放在一起，方便复用：

ai_short_film_project/ ├── skills/ │ └── director_skill.yaml ├── scripts/ │ └── generate_storyboard.py ├── inputs/ │ └── idea.txt ├── outputs/ │ └── storyboard_001.json └── references/ └── character_ref.png

这个目录结构看起来简单，但对后续多镜头批量生成、版本对照、失败回滚非常有帮助。强烈建议从一开始就按这个结构组织。

5. 核心流程拆解：从一句话到专业分镜

现在进入正题。把"一句话灵感"变成"H3 可用提示词"，我把它拆成五个步骤。每一步都有明确输出，你可以按顺序执行，也可以把中间步骤做成自动化脚本。

5.1 输入创意并确定模式

首先，你需要确定这次创作要走哪条路线：

• 脑洞模式：适合 MT 类视频、概念宣传片、艺术实验短片。这类视频不追求严格的物理逻辑，更看重视觉冲击和意外感。此时 LLM 的温度可以调高，提示词中允许出现非常规意象。
• 强遵循度模式：适合商业短片、产品展示、剧情叙事。这类视频要求镜头严格符合脚本，角色、环境、动作都不能随意漂移。此时 LLM 的温度要调低，输出结构要严格受模板约束。

例如输入一句话："一只橙猫在雨夜屋顶上奔跑，身后是霓虹闪烁的赛博都市。"

• 脑洞模式可能会产出："猫的脚印踩碎了空气中的数据流，霓虹灯在雨水中融化，城市像呼吸一样明灭。"
• 强遵循度模式则会产出："画面从远景缓慢推至中景，橙猫沿着屋顶边缘奔跑，雨水飞溅，蓝紫色霓虹光映在猫的侧脸。镜头保持稳定，前景有雨丝光斑，背景城市楼群清晰可见。"

两种模式没有绝对好坏，关键看你需要什么。我建议你在项目早期用脑洞模式探索风格，确定方向后再用强遵循度模式固化执行。

5.2 LLM 进行分镜拆分

拿到创意后，LLM 需要把它扩展成 3-6 个镜头。不要小看这步，这是整个流程中信息量最大的一步。

一个好的分镜脚本，必须覆盖以下信息：

• 镜头编号
• 场景位置
• 景别
• 运镜方式
• 主体动作
• 光线与色调
• 氛围与情绪
• 时长

以"雨夜屋顶奔跑"为例，LLM 可以拆成 4 个镜头：

1. 镜头 1（远景）：雨夜赛博城市全貌，霓虹灯在雨中闪烁，楼顶有一只橙猫的影子在奔跑。
2. 镜头 2（中景）：橙猫在屋顶边缘跳跃，雨水打湿毛发，蓝紫色霓虹光照亮线条。
3. 镜头 3（特写）：猫的瞳孔倒映着城市灯光，雨滴从胡须滑落，慢动作。
4. 镜头 4（全景）：猫从屋顶跃过大厦间隙，镜头跟随掠过楼群，最终落在远处塔楼的灯光上。

这个扩展过程看起来简单，但它需要 LLM 真正理解"起承转合"。所以 Skill 中必须定义清楚节奏规则：第一个镜头建立环境，最后一个镜头收束情绪，中间镜头要有信息递进。

5.3 为每个镜头生成 H3 提示词

分镜脚本是"导演视角"，H3 提示词是"模型输入视角"。两者不能混为一谈。

导演脚本可以写得像散文，但 H3 提示词必须尽量结构化，并且可以加入负面提示词约束。这是很多新手最容易忽略的地方：你有一份精美的分镜脚本，但没有把它翻译成模型能消费的格式。

H3 提示词通常建议包含：

• 主体描述
• 环境描述
• 运镜指令
• 光影与氛围
• 画质与风格后缀，如 "cinematic, 8k, highly detailed"
• 负面提示词

在 LLM 生成提示词时，我们可以使用一个 JSON 结构，让后续自动拼装更可靠。

5.4 组装分镜序列

单镜头提示词生成后，还需要组装成"序列脚本"。这一步的关键是镜头间的一致性。

我会在组装时加入以下规则：

• 每个镜头的角色描述必须完全相同，包括服装、发色、体型。
• 每个镜头的灯光基调保持一致，只允许强度的变化，不允许颜色突变。
• 镜头之间的运镜方式要有衔接感，不能让观众的视线跳跃得过于生硬。

5.5 输入 H3 并迭代

最后一步是把组装好的提示词输入 MiniMax H3 视频生成工具。

如果你有参考图，可以在这一步上传。H3 对参考图的依赖度很高，尤其是角色一致性场景，一张角色参考图能省去你大量提示词控制工作。

生成后不要急于换下一镜。你需要检查每个镜头是否满足"景别、动作、光线、氛围"四项基本要求。如果不满足，优先微调提示词，而不是重新随机生成。

6. 完整示例：Skill 定义 + LLM 调用 + H3 提示词输出

这一节我们用一个完整的最小示例跑通流程。示例任务就是"雨夜赛博都市，橙猫屋顶奔跑"。

6.1 Skill 定义文件

在项目目录的skills/director_skill.yaml中放入以下内容（这是一个精简版本，但已经可以运行）：

# skills/director_skill.yaml name: "H3 导演提示词技能" description: "面向视频生成模型的创意导演与提示词结构化工具" role: | 你是影视导演和视频提示词工程师。 你负责将用户创意拆解为电影级分镜， 并输出可直接用于视频生成模型的提示词。 rules: - "分镜数量控制在 3-5 个，节奏要有起承转合。" - "每个分镜必须包含景别、运镜、主体、光线、氛围五个元素。" - "所有镜头中主角描述必须完全一致，禁止更改外貌和服装。" - "输出中不要出现文字、字幕、水印。" - "当用户输入创意时，先输出分镜脚本，再输出 H3 提示词。"

6.2 调用 LLM 的 Python 脚本

下面这个脚本演示如何用 OpenAI SDK 调用 LLM，并将输出保存为 JSON。如果你用的是其他厂商 API，只要替换 base_url 和 api_key 即可。

# scripts/generate_storyboard.py import json import yaml from openai import OpenAI # 读取 skill 定义 with open("skills/director_skill.yaml", "r", encoding="utf-8") as f: skill = yaml.safe_load(f) system_prompt = skill["role"] + "\n" + "\n".join(skill["rules"]) client = OpenAI( api_key="YOUR_API_KEY", base_url="YOUR_LLM_API_BASE_URL", # 以实际服务商为准 ) def generate_storyboard(idea: str, mode: str = "strict"): prompt = f"创意：{idea}\n运行模式：{mode}\n请输出分镜脚本和 H3 提示词。" response = client.chat.completions.create( model="gpt-4o", # 替换为你的模型名 messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": prompt}, ], temperature=0.3 if mode == "strict" else 0.9, ) return response.choices[0].message.content if __name__ == "__main__": idea = "一只橙猫在雨夜屋顶上奔跑，身后是霓虹闪烁的赛博都市" result = generate_storyboard(idea, mode="strict") with open("outputs/storyboard_001.md", "w", encoding="utf-8") as f: f.write(result) print(result)

6.3 预期输出示例

运行脚本后，输出内容大致如下。这里展示的是核心部分，实际内容会根据 LLM 版本和问题描述略有不同。

## 分镜脚本 镜头 1： 景别：远景 运镜：缓慢推近 主体：雨夜中的赛博都市，楼顶边缘有一只橙猫在奔跑 光线：蓝紫色霓虹灯，雨雾弥漫，灯光反射在湿滑屋顶 氛围：冷峻、孤独、充满未来感 镜头 2： 景别：中景 运镜：跟随 主体：橙猫跳跃过屋顶间隙，雨水打湿的毛发根根分明 光线：头顶路灯洒下冷白光，两侧霓虹闪烁 氛围：紧张、急促 镜头 3： 景别：特写 运镜：固定 主体：橙猫瞳孔倒映城市灯火，雨滴从胡须滴落 光线：光线在瞳孔中形成微小光斑 氛围：安静、神秘 ## H3 提示词 镜头 1：cinematic shot, wide shot, a rainy cyberpunk city at night, an orange cat running on a rooftop edge, neon signs flickering in blue and purple, rain and mist, reflections on wet roof, slow dolly in, moody atmosphere, highly detailed, 8k 镜头 2：cinematic shot, medium shot, following an orange cat jumping across a roof gap, wet fur, cold white light from street lamps above, neon lights flashing on both sides, tense atmosphere, highly detailed, 8k 镜头 3：cinematic shot, close-up, the orange cat's pupils reflecting city lights, raindrops falling from its whiskers, bokeh lights in background, quiet and mysterious atmosphere, highly detailed, 8k

6.4 最终输入 H3 的提示词

在 MiniMax H3 工具中，你可以直接粘贴上面的单镜头提示词，也可以把所有镜头拼接成一个长提示词。我更推荐单镜头生成，因为每个镜头独立控制，后续替换失败镜头时不影响其他镜头。

如果你选择拼接，需要注意在镜头之间使用逗号分隔，并在每个镜头描述后加上同样的一致性描述，例如 "same orange cat with wet fur"。

cinematic shot, wide shot, a rainy cyberpunk city at night, an orange cat running on a rooftop edge, neon signs flickering in blue and purple, rain and mist, reflections on wet roof, slow dolly in, moody atmosphere, highly detailed, 8k

7. 验证你的提示词是否合格

生成完成后，不要只看"像不像"。你需要一套能落地的验证标准。按照下面四项来检查，基本能覆盖 80% 的问题。

7.1 结构检查

打开你生成的提示词，检查是否覆盖了以下槽位：

• 主体是谁？是否明确？
• 环境在哪？是否有空间感？
• 光线是什么颜色、什么方向？
• 镜头怎么动？
• 氛围是什么情绪？

只要有一项缺失，提示词就算不合格。这时候不要急着重新生成，先在缺失的槽位补一句有信息量的描述，再进 H3。

7.2 一致性检查

对比同一项目的多个镜头，检查角色描述是否完全一致。常见错误是：镜头 1 写 "orange cat"，镜头 2 写 "a cat"，到镜头 3 又变成 "the cat"。这种细微差异会导致角色漂移。批量生成时建议把角色描述定义为变量，所有镜头共用同一份描述。

7.3 输出质量检查

H3 生成后，逐镜头检查：

• 主体动作是否符合提示词？
• 光线是否出现异常色偏？
• 镜头之间是否有明显跳变？
• 画面中是否出现多余物体？

如果出现轻微问题，优先修改提示词里的对应槽位，而不是整体推翻重来。例如光线不对，只需要把 lighting 字段替换掉。

7.4 负面约束检查

把负面提示词也纳入验证清单：

no text, no subtitles, no watermark, no deformed hands, no mutated face, no inconsistent clothing

如果生成结果出现文字、水印、肢体错乱，不要只删提示词，要检查负面提示词是否真的被注入到了请求里。很多工具在界面上有单独的负面提示词输入框，很容易被忽略。

8. 常见问题与排查方法

这里整理了我认为最容易踩的 8 个问题。你可以直接对照排查。

需要提醒的是，H3 这类模型的生成本身具有随机性。即使是同一条提示词，多次生成结果也会不同。所以排查问题时，要看趋势，不要因为一次失败就断定提示词不可用。至少跑 3 次，取相对稳定的表现来判断。

9. 最佳实践与工程建议

到了这一步，你已经能跑通"一句话到 AI 短片"的流程。如果只是尝鲜，到这里已经够了。但如果你想把它变成可复用的生产流程，下面这几条会很有帮助。

9.1 把角色描述固化为常量

不要把角色描述在每个提示词里重写，而是抽成常量。在 Python 中甚至可以放进配置字典：

CHARACTER = { "description": "an orange cat with wet fur and blue eyes", "clothing": "no clothing, natural animal", "features": "slim body, medium length tail", }

拼装提示词时，直接使用CHARACTER["description"]。这样既保证了跨镜头一致性，也方便后续整体更换角色。

9.2 建立分镜版本管理

AI 短片和写代码一样，需要版本管理。每次生成的分镜脚本、提示词、成片链接，全部按项目命名归档。建议使用：

project_001/ ├── v1_storyboard.md ├── v1_prompt_01.txt ├── v1_prompt_02.txt ├── v1_output.mp4 └── notes.md

不要等到第三次修改才发现"第一个版本其实最好"，但你已经找不到第一个版本的内容。

9.3 善用参考图

MiniMax H3 对参考图的支持是提升一致性的捷径。建议你开拍前先准备两张图：

• 角色参考图：正面、全身、单一背景。
• 场景氛围图：主场景的色彩、构图、光线参考。

有了参考图，即使提示词写得不够精细，模型也能靠图像信息把角色和环境对齐。但要注意，参考图不要用来做多人物混搭，否则模型会混淆主体。

9.4 控制镜头时长

H3 单镜头生成时长通常不宜太长。更稳妥的做法是：单个镜头 5-8 秒，一个短片控制在 4-8 个镜头。超过这个范围，生成失败的概率和后期剪辑成本都会明显上升。先做 15-30 秒的短片，再扩展成长片。

9.5 学会使用"强遵循度模式"做内容锁定

当项目进入执行期，尤其是商业交付时，一定要用强遵循度模式。它会把 LLM 的温度调到较低，让输出的分镜结构更稳定，减少随机发挥。脑洞模式则留到前期创意探索阶段，因为那里需要的是意外感，不是可控性。

9.6 不要迷信"万能提示词模板"

最后这点很关键。网上流传着很多"H3 万能提示词模板"或"NSFW 提示词"，这类模板的问题在于：它们没有经过你自己的场景验证。真正的专业提示词，必须针对你的主体、环境、光线、运镜目标做定制。模板的作用是告诉你字段结构，而不是直接复制就能用。

MiniMax H3 的出现，把视频生成的门槛大幅降低了。但门槛低不代表上限低。最终作品能到什么水准，仍然取决于你有没有一套稳定的方法论。Skill 的价值就在这里：它把你的创作流程、导演知识和避坑经验固化下来，让每一次生成都站在之前的最佳实践之上。

如果你想继续深入，下一步可以尝试三件事：一是用脚本批量生成多组提示词，建立自己的 A/B 测试集；二是把参考图策略做得更细，比如多角度角色表；三是把多个镜头用剪辑工具拼起来，加入音效和配乐，验证成片节奏。这套流程跑顺之后，你不需要等模型升级，也能稳定输出高质量 AI 短片。