企业官网建设流程全解析

每次做AI漫剧，一到打斗场面就容易翻车。动作描述写得太笼统，画面像静止插画；镜头切得太碎，观众看不清谁在打谁；好不容易生成几帧满意的动作，下一集人物又换了张脸。如果你也卡在“AI画不好打戏”这一步，这篇文章值得看完。

我会从实战角度拆解一个“AI漫剧打斗场面优化Skill”的设计思路与完整实现。你可以把它理解为：一套让AI按专业分镜逻辑去生成打斗画面的可复用工作流。文章会覆盖Skill的目录结构、配置写法、分镜模块、画面提示词模块、质量评估模块，以及接入AI Agent后的运行演示和常见踩坑清单。

1. 打斗场面为什么是AI漫剧的“技术盲区”

1.1 AI生成打斗场面的常见翻车现场

很多人在做AI漫剧时，对打斗场面的处理方式仍然停留在“给模型一段文字描述，让它直接出图或出视频”。这种方式在文戏上还能应付，但一到打斗就容易出现三类问题。

第一类是动作逻辑混乱。比如“两人对打”，模型可能生成两个人面对面站着，或只生成一方的挥拳姿势，缺少攻防交替的连续性。第二类是镜头语言缺失。真实影视中的打斗戏讲究正反打、过肩镜、特写与全景交替，AI如果没有明确的镜头指令，只会输出一个固定机位的“摆拍画面”。第三类是角色一致性差。在长片漫剧中，同一个角色在不同分镜里经常面目全非，打斗场面的快速剪辑会放大这个问题，让人瞬间出戏。

这些问题不是靠“多写几个形容词”能解决的。AI需要的是结构化的分镜指令，而不是一段抒情文案。这正是“战斗优化Skill”要处理的核心问题。

1.2 Skill在AI工作流中扮演的角色

Skill并不是什么新概念。在AI Agent领域，Skill通常指一组可复用的能力包，它把一个专业任务所需的提示词、脚本、输出模板和校验逻辑封装在一起，让AI在收到特定请求时自动激活并使用。

你可以把Skill理解成AI的“岗位说明书”。普通对话模式下，AI像一个什么都会一点但什么都不精的杂工；加载Skill之后，AI会切换到对应岗位的专业工作模式。以打斗场面为例，普通模式下的AI只会按常识写一段“两人激烈打斗”，而加载了战斗优化Skill之后，AI会主动拆解出：场景环境、角色走位、攻防节奏、镜头景别、音效提示、情绪递进，再按分镜顺序输出可执行任务。

这种设计最大的好处是：可复用、可迭代、可多人协作。你在一个项目里总结出的打斗优化经验，固化到Skill里之后，下一个项目可以直接复用。

1.3 战斗优化Skill能解决什么问题

回到漫剧制作场景，一套专业级战斗优化Skill至少应该覆盖以下能力点：

场景与动作拆解：能把一场打戏拆成“交锋前、交锋中、交锋后”三个阶段，并为每个阶段设计对应的动作节点。

镜头语言控制：能生成包含景别、机位、运动方式的镜头脚本，避免AI生成千篇一律的平视正面机位。

角色一致性管理：在与图像生成工具配合时，能自动携带角色外貌特征描述，减少换脸问题。

质量评估与修正：能在生成结果不达标时，自动判断是动作问题、镜头问题还是画面质量问题，并给出修正参数。

批量生成能力：能一次性输出多个分镜方案，供创作者筛选组合，而不是每次只憋一张图。

下面我们会一步步把这些能力实现出来。

2. 环境准备与工具链说明

2.1 基础运行环境

因为我采用的是“提示词工程 + Agent调度 + 图像/视频生成模型”的组合方案，所以对本地机器要求并不高。你可以在普通Windows、macOS或Linux电脑上完成整个流程。

需要准备的软件环境如下：

• Python 3.10+，用于编写Skill调度脚本和质量评估逻辑。
• Node.js（可选），如果你的Agent框架基于JavaScript生态。
• Git，用于管理Skill版本和配置。
• 一个支持自定义Skill/插件的AI Agent框架，常见的有Dify、Coze、FastGPT，或者直接使用Claude/Codex等支持Skill机制的工具。

这里不依赖某个特定商业产品。只要框架能够读取指定目录下的Skill配置文件，并支持运行Python脚本，就可以套用本文的方案。

2.2 AI生成工具与Agent框架选择

AI漫剧的打斗场面通常需要“文本生成图像”和“图像生成视频”两步完成。目前常用的方案包括：

图像生成：Stable Diffusion及其社区模型、Midjourney、即梦、可图等。 视频生成：Runway、Pika、可灵、即梦AI视频，以及Stable Video Diffusion等开源方案。 每一类工具都有自己擅长的风格和限制，建议根据你的漫剧画风去选择。本文不会绑定某一款工具，而是把重点放在“如何把Skill产出的结构化指令，翻译成不同工具能理解的提示词”。

Agent框架方面，如果你更习惯低代码，可以选Dify或Coze；如果你希望完全由代码控制，可以直接用Python写一个轻量的Skill调度器。无论哪种方式，核心思路是一致的：Agent识别到“打斗场面”相关任务后，自动加载战斗优化Skill，然后按Skill定义的流程分步执行。

2.3 本文示例的项目结构

为了便于讲解，我构建了一个名为battle-skill/的示例项目，目录结构如下：

battle-skill/ ├── skills/ │ └── battle-optimizer/ │ ├── SKILL.md │ ├── configs/ │ │ └── default.yaml │ ├── prompts/ │ │ ├── action_split.txt │ │ ├── camera_script.txt │ │ └── image_prompt.txt │ ├── scripts/ │ │ ├── storyboard_generator.py │ │ ├── quality_checker.py │ │ └── main.py │ └── assets/ │ └── character_sheet.md ├── output/ │ ├── storyboard/ │ └── prompts/ └── README.md

这个结构参考了主流Agent Skill的组织方式：SKILL.md描述Skill的用途和触发条件；configs/放全局配置；prompts/放提示词模板；scripts/放可执行脚本；assets/放角色设定等静态素材；output/放生成结果。

有了这个基础结构，我们就能开始设计战斗优化Skill的核心逻辑了。

3. 战斗优化Skill的底层设计思路

3.1 从“一句话描述”到“分镜脚本”的拆解逻辑

在写代码和提示词之前，先明确一个关键问题：AI收到“主角在巷子里和反派打斗”这句话时，是怎么理解“打斗”的？

如果没有约束，AI只会调用常识库里的“打斗”概念，生成一个平均化的动作描述。但专业的分镜设计不是这样工作的。一个合格的战斗片段，需要先回答这些子问题：

• 打斗发生在什么时间、什么地点？环境对动作有什么限制？
• 双方的力量差距如何？谁进攻、谁防守、谁在找机会反击？
• 打斗的节奏是快是慢？是否需要穿插停顿和台词？
• 用哪些景别呈现动作？什么时候给特写，什么时候给全景？
• 动作的起止点是什么？一个动作如何衔接到下一个动作？

所以，战斗优化Skill的第一步，不是直接生成画面，而是先把输入的一句话拆成“结构化分镜数据”。这个过程通常由两个环节组成：场景解析和动作分解。

场景解析负责提取环境、时间、人物、冲突烈度等元信息；动作分解负责把一个模糊的“打斗”，拆成“进攻方动作—防守方反应—反击动作—结果”这样的循环单元。这两个环节的输出，会成为后续镜头脚本和画面提示词的输入。

3.2 镜头语言与动作库结构设计

镜头的本质是“让观众看到什么、不看到什么”。同样的动作，用特写拍和用全景拍，带来的紧张感完全不同。

在设计镜头脚本时，我会让Skill遵循一套简化的镜头规则：

• 开场镜头：用全景或中景交代环境，让观众知道打斗发生在哪。
• 交手镜头：用正反打（过肩镜）呈现攻防双方，帮助观众建立空间关系。
• 关键动作：用特写强调拳、脚、武器接触瞬间，增强冲击力。
• 节奏变化：在连续快节奏动作之后，插入一个静止镜头或人物表情镜头，避免观众视觉疲劳。
• 结束镜头：用拉远镜头或留白镜头给段落收尾。

同时，为了让动作描述可控，我建议在Skill内置一个“动作库”配置。动作库是一组标准动作名词与对应画面描述的映射表。比如：

actions: - name: right_hook label: 右勾拳 camera: 特写 description: 拳锋从画面右下角切入，带着弧线击向对手下颚 - name: sidestep_counter label: 侧步反击 camera: 中近景 description: 身体向左闪避，顺势出肘，镜头跟随腰部转动 - name: ground_roll label: 翻滚卸力 camera: 低角度全景 description: 倒地后向前翻滚拉开距离，尘土扬起，镜头压低跟随

这样做的好处是，Skill在生成分镜脚本时，可以引用动作库中的标准化动作，而不是让模型自由发挥。标准化动作一方面能提高画面提示词的稳定性，另一方面也方便创作者在不同镜头间复用。

3.3 负向提示词与质量评估标准

生成图像和视频时，负向提示词同样重要。打斗画面里最常见的翻车元素包括：畸形的手指、多余的肢体、扭曲的身体比例、模糊的衣物细节，以及“两个人动作完全一致”的镜像感。

负向提示词示例：

deformed hands, extra arms, extra legs, distorted face, bad anatomy, blurry action, frozen pose, duplicate character, mirror symmetry, static camera, flat lighting, text watermark

负向提示词只是兜底方案，并不能真正解决“画面是否具有打斗张力”的问题。所以Skill还需要一个质量评估模块，用来判断生成结果是否达到了基础标准。

评估标准可以从四个维度打分：

• 动作清晰度：主体动作是否明确、可辨认。
• 镜头表现力：是否有合理的景别和角度变化。
• 角色一致性：角色外貌是否与设定一致。
• 画面完整度：是否有畸变、多余物体、构图失衡等问题。

每次生成后，评估模块会输出一个0到100的评分。低于60分时，Skill会自动重组提示词并重新生成；高于80分时，才进入创作者人工筛选环节。

4. 完整实战：写一个“雨夜巷战”战斗优化Skill

接下来我们进入实操环节。以“雨夜巷战”为例，从零写一个能落地运行的战斗优化Skill。

4.1 创建Skill目录结构与主配置文件

首先创建项目目录：

mkdir -p battle-skill/skills/battle-optimizer/{configs,prompts,scripts,assets} mkdir -p battle-skill/output/{storyboard,prompts}

然后编写skills/battle-optimizer/SKILL.md。这个文件是Skill的入口，AI Agent会通过它判断何时激活本Skill：

--- name: battle-optimizer description: 用于AI漫剧中打斗场面的专业分镜设计与画面提示词优化。当用户需要生成打斗、战斗、对决、追杀等动作场景时自动激活。 version: 1.0.0 triggers: - 打斗 - 战斗 - 对决 - 武打 - 动作场面 - fight scene parameters: scene_desc: 用户对打斗场景的一句话描述 character_sheet: 角色设定文件路径，可选 style: 画面风格，默认为 realistic aspect_ratio: 画面比例，默认为 16:9 workflow: - storyboard_generator: 解析场景并生成分镜脚本 - image_prompt_builder: 将分镜转换为图像生成提示词 - quality_checker: 对生成结果进行质量评估 - output_formatter: 输出最终分镜与提示词文件 ---

接着编写configs/default.yaml，这个文件主要存放动作库与默认参数：

style: realistic aspect_ratio: 16:9 negative_prompt: >- deformed hands, extra arms, extra legs, distorted face, bad anatomy, blurry action, frozen pose, duplicate character, mirror symmetry, static camera, flat lighting, text watermark actions: - name: right_hook label: 右勾拳连击 - name: sidestep_counter label: 侧步反击肘击 - name: low_kick label: 低扫腿 - name: clinch_knee label: 箍颈顶膝 - name: ground_roll label: 翻滚卸力 - name: wall_bounce label: 借墙反弹 camera_shots: - wide: 环境全景 - medium: 中景 - over_shoulder: 过肩镜 - close_up: 特写 - low_angle: 低角度 - tracking: 跟拍

这里我把动作和镜头控制在一个合理范围内，避免提示词过于发散。

4.2 编写分镜生成模块

分镜生成模块是整个Skill的核心。它的职责是：读取用户输入，结合动作库和镜头规则，生成一个结构化的分镜列表。

先编写scripts/storyboard_generator.py：

# 文件路径：battle-skill/skills/battle-optimizer/scripts/storyboard_generator.py import json import yaml from pathlib import Path class StoryboardGenerator: def __init__(self, config_path): with open(config_path, 'r', encoding='utf-8') as f: self.config = yaml.safe_load(f) self.actions = {a['name']: a['label'] for a in self.config['actions']} self.shots = self.config['camera_shots'] def parse_scene(self, scene_desc): """解析场景描述，提取环境、时间、冲突双方等信息""" # 实际项目中可以用大模型做NLU解析，这里先用规则模拟 result = { 'environment': 'rainy alley', 'time': 'night', 'fighters': ['protagonist', 'antagonist'], 'intensity': 'high', 'source': scene_desc } return result def build_storyboard(self, scene_desc=None, num_shots=8): """根据场景信息生成分镜脚本""" scene = self.parse_scene(scene_desc or '雨夜巷战') storyboard = [] # 依据打斗节奏安排镜头顺序 stage_plan = [ ('establishing', 'wide'), ('approach', 'medium'), ('first_hit', 'close_up'), ('counter', 'over_shoulder'), ('exchange', 'tracking'), ('pause', 'medium'), ('climax', 'close_up'), ('ending', 'low_angle'), ] action_names = list(self.actions.keys()) for i, (beat, shot) in enumerate(stage_plan[:num_shots]): action = action_names[i % len(action_names)] storyboard.append({ 'shot_id': i + 1, 'beat': beat, 'camera': self.shots[shot], 'action': self.actions[action], 'composition': self._build_composition(beat, shot), }) return { 'scene': scene, 'storyboard': storyboard, } def _build_composition(self, beat, shot): """为每个镜头补充构图提示""" comp_map = { 'establishing': '角色分列画面两侧，雨幕清晰可见，整体处于暗调', 'approach': '一人在前，一人紧随其后，背景路灯形成剪影', 'first_hit': '拳锋占据画面近三分之一，背景虚化', 'counter': '前景为防守方的肩膀轮廓，突出被击中者的表情', 'exchange': '镜头横向跟拍，两人交替出拳', 'pause': '两角色短暂对视，雨水顺着发梢滴落', 'climax': '决定性一击瞬间，画面出现轻微动态模糊', 'ending': '低角度仰拍站立的一方，另一方倒在积水中', } return comp_map.get(beat, '') def save(self, data, output_path): with open(output_path, 'w', encoding='utf-8') as f: json.dump(data, f, ensure_ascii=False, indent=2) print(f'storyboard saved to {output_path}')

这个模块的核心优势在于，它把“设计分镜”从一次性创作变成了“模板+参数”的组合过程。每一次调用，都会按照预设的节奏结构来安排镜头，不会出现AI随机发挥导致的节奏失衡。

4.3 编写图像提示词模块

拿到分镜脚本后，下一步是把它翻译成图像生成模型能理解的提示词。这里需要把镜头信息、动作描述、角色设定、画风和负向提示词全部拼装到一起。

编写prompts/image_prompt.txt模板：

scene environment: {environment} time: {time} style: {style} camera: {camera} composition: {composition} action: {action} characters: {fighter_description} negative prompt: {negative_prompt}

然后编写一个提示词构建脚本：

# 文件路径：battle-skill/skills/battle-optimizer/scripts/prompt_builder.py from pathlib import Path import json class PromptBuilder: def __init__(self, template_path, config): self.template = Path(template_path).read_text(encoding='utf-8') self.config = config def build(self, storyboard_data, character_sheet=None): scene = storyboard_data['scene'] prompts = [] characters = self._load_characters(character_sheet) for shot in storyboard_data['storyboard']: prompt = self.template.format( environment=scene['environment'], time=scene['time'], style=self.config.get('style', 'realistic'), camera=shot['camera'], composition=shot['composition'], action=shot['action'], fighter_description=characters, negative_prompt=self.config.get('negative_prompt', ''), ) prompts.append({ 'shot_id': shot['shot_id'], 'prompt': prompt, 'negative_prompt': self.config.get('negative_prompt', ''), }) return prompts def _load_characters(self, character_sheet): if not character_sheet: return 'protagonist: tall male, black tactical coat, short hair; antagonist: muscular male, dark hoodie, scar on right cheek' sheet = Path(character_sheet).read_text(encoding='utf-8') return sheet.strip() def save(self, prompts, output_path): with open(output_path, 'w', encoding='utf-8') as f: json.dump(prompts, f, ensure_ascii=False, indent=2) print(f'{len(prompts)} prompts saved to {output_path}')

如果你同时使用视频生成模型，可以在每个分镜的prompt基础上追加运动描述，例如“camera tracking right, character performs right hook, water splashes”。这部分需要根据具体视频模型的提示词规则做微调。

4.4 编写质量评估与修正模块

质量评估模块是“专业级”和“业余级”的重要分界线。没有评估机制的Skill，只能算“提示词模板”。

在真实的工程链路中，质量评估需要结合图像评分模型、人脸一致性模型和人工反馈来完成。这里我先做一个基于规则的版本，方便你理解逻辑：

# 文件路径：battle-skill/skills/battle-optimizer/scripts/quality_checker.py import re class QualityChecker: def __init__(self, config): self.negative_terms = config['negative_prompt'].lower().replace(',', ' ') self.required_keywords = ['camera', 'action', 'composition'] def check_prompt(self, prompt, storyboard_shot): score = 100 reasons = [] # 检查必备元素是否齐全 prompt_lower = prompt.lower() for kw in self.required_keywords: if kw not in prompt_lower: score -= 20 reasons.append(f'missing required keyword: {kw}') # 检查是否包含动作语义 if storyboard_shot['action'] not in prompt_lower: score -= 15 reasons.append('action description mismatch') # 检查负向词是否被误用到正向提示中 for term in self.negative_terms.split(): term = term.strip() if term and term in prompt_lower: score -= 10 reasons.append(f'negative term in positive prompt: {term}') # 检查画面比例 if '16:9' not in prompt_lower and 'aspect ratio' not in prompt_lower: score -= 5 reasons.append('aspect ratio not set') return max(score, 0), reasons def generate_correction(self, reasons): corrections = { 'missing required keyword: camera': 'add camera type at the beginning of composition block', 'missing required keyword: action': 'add action description after composition', 'missing required keyword: composition': 'add spatial relationship between characters', } return [corrections.get(r, 'regenerate with more detailed action description') for r in reasons]

当评分过低时，Skill会将修正建议追加到提示词中，重新生成。例如，如果缺少镜头类型，修正阶段会自动在提示词开头加上“camera: close-up”，而不是让用户手动修改。

4.5 在Agent工作流中调用Skill

有了以上模块之后，还需要一个入口脚本，把整个流程串起来。这个入口脚本既可以独立运行，也可以被Dify、Coze或自研Agent框架作为外部工具调用。

编写scripts/main.py：

# 文件路径：battle-skill/skills/battle-optimizer/scripts/main.py import argparse import json import yaml from pathlib import Path from storyboard_generator import StoryboardGenerator from prompt_builder import PromptBuilder from quality_checker import QualityChecker BASE_DIR = Path(__file__).resolve().parents[1] CONFIG_PATH = BASE_DIR / 'configs' / 'default.yaml' PROMPT_TEMPLATE = BASE_DIR / 'prompts' / 'image_prompt.txt' OUTPUT_DIR = BASE_DIR.parents[1] / 'output' # 指向 battle-skill/output def main(): parser = argparse.ArgumentParser(description='Battle Optimizer Skill Runner') parser.add_argument('--scene', default='雨夜巷战：男主角与反派在狭窄巷道中激烈搏斗') parser.add_argument('--shots', type=int, default=8) parser.add_argument('--character-sheet', default=None) args = parser.parse_args() with open(CONFIG_PATH, 'r', encoding='utf-8') as f: config = yaml.safe_load(f) storyboard_gen = StoryboardGenerator(CONFIG_PATH) storyboard_path = OUTPUT_DIR / 'storyboard' / 'storyboard.json' storyboard = storyboard_gen.build_storyboard(scene_desc=args.scene, num_shots=args.shots) storyboard_gen.save(storyboard, storyboard_path) prompt_builder = PromptBuilder(PROMPT_TEMPLATE, config) prompts = prompt_builder.build(storyboard, character_sheet=args.character_sheet) prompt_path = OUTPUT_DIR / 'prompts' / 'image_prompts.json' prompt_builder.save(prompts, prompt_path) quality_checker = QualityChecker(config) for p in prompts: shot = next(s for s in storyboard['storyboard'] if s['shot_id'] == p['shot_id']) score, reasons = quality_checker.check_prompt(p['prompt'], shot) print(f"Shot {p['shot_id']}: score={score}") if reasons: print(' reasons:', reasons) corrections = quality_checker.generate_correction(reasons) print(' corrections:', corrections) print('done. see output files for details.') if __name__ == '__main__': main()

如果你使用的是支持Skill机制的Agent工具，可以在Agent的配置中设置一个“执行命令”节点，让它调用：

python battle-skill/skills/battle-optimizer/scripts/main.py --scene "雨夜巷战" --shots 8

Agent会自动捕获脚本输出，并把分镜JSON和提示词JSON返回给用户。

4.6 运行结果与输出说明

在项目根目录执行：

cd battle-skill mkdir -p output/storyboard output/prompts python skills/battle-optimizer/scripts/main.py --scene "雨夜巷战：男主角与反派在狭窄巷道中激烈搏斗" --shots 8

如果一切正常，你会看到类似输出：

Shot 1: score=100 Shot 2: score=100 Shot 3: score=95 reasons: ['action description mismatch'] corrections: ['regenerate with more detailed action description'] ... done. see output files for details.

同时，output/storyboard/storyboard.json会保存完整分镜数据，output/prompts/image_prompts.json会保存可直接复制到图像生成工具的提示词。

你可以从image_prompts.json中复制任意一条prompt，粘贴到Stable Diffusion或Midjourney中测试。以第1镜为例，生成的提示词大概是这样的结构：

scene environment: rainy alley time: night style: realistic camera: 环境全景 composition: 角色分列画面两侧，雨幕清晰可见，整体处于暗调 action: 右勾拳连击 characters: protagonist: tall male, black tactical coat, short hair; antagonist: muscular male, dark hoodie, scar on right cheek negative prompt: deformed hands, extra arms, extra legs, distorted face, bad anatomy, blurry action, frozen pose, duplicate character, mirror symmetry, static camera, flat lighting, text watermark

这是一个标准的“正向提示词+负向提示词”结构，可以直接用于大多数文生图工具。

5. 常见问题与排查清单

5.1 高频报错与解决对照表

5.2 输出质量不稳定怎么办

如果你发现同一个分镜脚本，在不同时间生成的画面质量波动很大，可能是“随机种子”问题。

在使用Stable Diffusion类工具时，固定seed值可以在一定程度上保持风格一致。建议在提示词JSON中为每个分镜记录一个seed字段，并在批量测试时固定下来。

另外，如果你的视频生成工具允许设置运动强度，建议将打斗场面的运动强度控制在适中水平。过高会导致画面形变严重，过低则会让打斗显得像幻灯片。这个参数需要在不同模型上反复测试，没有统一最优值。

5.3 多集连续性问题

做漫剧最怕的就是第一集打得很好看，第二集换了个打法和画风。为了保持连续性，建议在Skill中设置一个global_settings配置，存放整个剧集的统一设定，包括画风关键词、色调倾向、角色外貌特征、常用镜头习惯等。

把这些内容放在assets/character_sheet.md和configs/default.yaml中，每次生成时都强制引用。这样即使换了一个生成批次，也能保持基本一致的视觉基调。

6. 最佳实践与工程建议

6.1 素材版权与合规风险

AI漫剧的打斗场面经常涉及真人演员的形象参考、影视剧动作设计的模仿、以及受版权保护的场景设定。在制作过程中，务必注意以下几点：

一是角色外貌不要直接复刻真实演员。即使AI生成了非常接近某位演员的面孔，商用发布也可能带来肖像权纠纷。

二是动作设计不要完全照搬某部影视作品的连续镜头。可以借鉴节奏和机位，但不建议整段复刻。

三是素材管理要留痕。每个分镜由哪条提示词生成、用了哪个模型版本、是否经过人工修改，都建议记录在元数据中。这不仅是创作效率问题，也是版权举证需要。

6.2 模型选型与素材管理

图像生成模型的选择，直接影响打斗画面的上限。建议在项目早期就做好模型对比测试，用同一组打斗提示词分别在不同模型上生成，然后统一评估。评估维度包括：人体结构准确度、动作自然度、风格一致性、二次修改空间。

素材管理方面，建立一套清晰的文件命名规范会很有帮助，建议格式为：

剧集序号_分镜序号_版本号_状态 示例：S01E03_shot04_v2_final.json

这样在多个版本之间切换时，不会找不到文件，也不会误用旧版本。

6.3 如何持续迭代Skill

Skill并不是写完就固定的。随着项目推进，你会不断发现新的失败模式，比如“这个模型不擅长表现速度感”“这个镜头机位不适合竖屏漫剧”等等。这些经验都应该回流到Skill配置里。

推荐的迭代流程是：记录失败案例 → 分析失败原因 → 修改配置或提示词模板 → 用旧的失败案例重新测试 → 通过后发布Skill新版本。版本号可以按语义化版本管理，比如1.1.0表示新增了动作库，1.0.1表示修复了某个提示词拼接问题。

6.4 人工审核依然是底线

即使Skill再专业，也不建议把AI生成内容直接发布。每个分镜在进入合成阶段前，都应该经过“人工三查”：

一查动作是否符合物理逻辑。AI生成的画面经常会出现“拳头还没到，人已经飞出去”的穿帮问题。

二查角色是否保持一致性。连续多镜之间，角色的服饰、发型、面部特征是否统一。

三查出血和暴力程度是否符合平台规范。不同平台的审核标准不同，AI生成的打斗画面可能无意间超出某个平台的尺度限制，发布前必须做合规筛查。

7. 总结与下一步学习路线

这篇文章从一个真实痛点出发：AI漫剧打斗场面难做，难在动作逻辑、镜头语言和角色一致性。然后，我们把“战斗优化Skill”拆成了几个可落地模块，包括场景解析、分镜生成、提示词构建、质量评估和Agent调用。

通过完整案例，你可以在本地搭建一套属于自己的战斗优化Skill。它不依赖特定平台，只要你使用的AI Agent能执行Python脚本、读取配置文件，就可以复用这套结构。

如果你想继续深入，可以从这几个方向入手：

一是学习更多影视镜头语言知识。分镜设计能力决定了Skill的上限，提示词只是把你的审美翻译给AI。

二是研究图像生成模型的高级控制方法，比如ControlNet的姿态控制、LoRA角色训练等。这些技术能让打斗场面的动作更精准。

三是探索Agent多工具协作。把战斗优化Skill与音频设计Skill、剪辑脚本Skill串联起来，实现从分镜到成片的全流程自动化。

如果你准备开始实践，建议先找一个10秒左右的经典打斗片段，手动分析它的镜头节奏，再用自己的Skill去复现。你会发现，AI工具的进步速度很快，但专业能力的沉淀，依然需要时间。

如果你觉得这篇文章对你有帮助，可以收藏备用。接下来，我还会继续分享AI漫剧制作中关于镜头语言、角色一致性和工作流自动化的更多实战内容。