企业官网建设流程全解析

诗词类短视频一直是个很微妙的内容赛道。做得好，评论区全是"求教程""太有感觉了"；做得不好，就是几张图配个朗读，播放量卡在几百上不去。我前前后后试过纯手工剪辑、模板套用、脚本批量生成几条路子，最后发现真正能把效率和质量同时拉起来的方案，是用扣子（Coze）搭一个AI Agent，把"写诗—配图—配音—合成"这条链路串成自动化工作流，最后交给剪映做收尾。整套流程跑通之后，一条诗词视频从构思到成片大概十几分钟，而且风格稳定、可批量复制。

这篇内容适合三类人看：一是想做诗词、国学、文化类账号但不懂剪辑的创作者；二是已经会用扣子搭简单Bot，想进一步把工作流和剪映打通的进阶玩家；三是纯粹对AI Agent工作流感兴趣，想找一个完整小项目练手的技术爱好者。我会把整个搭建过程拆开讲，包括为什么这么设计、每个节点怎么配、踩过哪些坑，以及最后怎么和剪映衔接。不堆概念，直接上可复现的操作。

1. 先想清楚：诗词视频的自动化到底难在哪

1.1 诗词视频的四个核心环节

一条完整的诗词视频，拆开来看其实是四件事：文案（诗词本身）、画面（配图或视频素材）、声音（朗读或配乐）、剪辑（节奏和字幕）。手工做的话，这四步每一环都要单独花时间，尤其是画面和剪辑，最耗精力。

很多人一开始的想法是"我让大模型直接生成一条视频不就行了"。实测下来这条路走不通，原因很简单：大模型擅长的是文本生成，它不直接产出视频文件。你要的是"文本→图像→音频→视频"的跨模态串联，这中间必须有一个调度层，把不同能力串起来。扣子的工作流本质上就是这个调度层。

1.2 为什么选扣子而不是纯手工或纯脚本

纯手工的问题不用多说，效率低、不可复制。纯脚本（比如自己写Python调API）的问题是门槛高，而且一旦某个环节的接口变了，维护成本很高。

扣子的优势在于它是可视化编排：每个节点干什么一目了然，改起来也快。更重要的是它内置了大量插件（图像生成、语音合成、搜索等），不用自己一个个去对接。对于诗词视频这种"多模态拼接"的场景，可视化工作流的调试效率比写代码高得多。

这里要澄清一个常见混淆：Agent和LLM不是一回事。LLM（大语言模型，比如DeepSeek、通义千问这些）是"大脑"，负责理解和生成文本；Agent是"大脑+手脚"，它除了会思考，还能调用工具、执行多步任务。扣子里你搭的这个诗词视频机器人，就是一个典型的Agent——它用LLM写诗，用插件画图，用工作流把结果串起来。

1.3 整体链路的拆解思路

我最终定下来的链路是这样的：

1. 输入主题：用户给一个关键词，比如"秋思""边塞""江南春雨"。
2. 生成诗词：LLM根据主题写一首符合格律或至少押韵的诗。
3. 生成画面描述：把诗拆成几个画面，每个画面生成一段图像提示词。
4. 批量出图：调用图像生成插件，按提示词出图。
5. 生成配音：调用语音合成，把诗读出来。
6. 组装：把图、音、字幕按顺序整理好，导出到剪映做最终合成。

这个链路里，扣子负责1到5，剪映负责6。为什么最后一步不放在扣子里做？因为剪映的转场、字幕动画、卡点这些精细化操作，目前还是人工在剪映里调最顺手，而且剪映有大量现成的诗词模板可以直接套。

2. 扣子工作流的节点编排：从主题到成品的每一步

2.1 开始节点与主题输入的设计

工作流的起点是一个"开始"节点，用来接收用户输入的主题。这里有个细节很多人会忽略：输入字段的类型和描述要写清楚。我一般会设两个变量，一个是theme（主题词，字符串），一个是style（风格，比如"豪放""婉约""田园"），风格可以给默认值。

为什么要单独设风格变量？因为同一个主题，豪放和婉约写出来的诗完全不同。如果你只给主题，模型每次生成的风格是随机的，做出来的视频调性不统一。给账号做内容，调性统一比单条爆款更重要。

在开始节点的描述里，我会写一句提示，比如"请输入一个诗词主题，如：秋思、边塞、江南"。这个描述会显示给用户看，降低使用门槛。

2.2 用大模型节点写诗：提示词才是关键

写诗这一步用大模型节点。选模型的时候，中文古诗词这块，国产模型普遍比国外模型更懂格律和意象，我一般用通义千问或者豆包系列，效果稳定。

提示词（Prompt）是这一步的核心。我踩过的坑是：一开始提示词写得太简单，就一句"写一首关于XX的诗"，结果模型要么写成现代诗，要么格律乱七八糟。后来我把提示词结构化，效果立刻不一样。我的提示词模板大概是这样：

你是一位精通古典诗词的创作者。请根据以下要求创作一首诗： 主题：{{theme}} 风格：{{style}} 要求： 1. 如果是绝句，四句；如果是律诗，八句。 2. 严格押韵，韵脚统一。 3. 意象要具体，避免空泛的抒情。 4. 每句字数一致（五言或七言）。 5. 只输出诗的内容，不要标题，不要解释。 输出格式： 第一句 第二句 第三句 第四句

这里的关键是输出格式约束。如果你不规定"只输出诗的内容"，模型很可能给你加上"这首诗表达了……"之类的解释，后面处理起来就麻烦。另外，把诗按句分行输出，是为了后面拆分画面时好处理。

2.3 把诗拆成画面：分镜提示词的生成逻辑

诗写好了，接下来要把它变成画面。一首四句的诗，我一般拆成4个画面，每句对应一个。这一步再用一个大模型节点，输入是刚才生成的诗，输出是4段图像提示词。

提示词大概是这样：

你是一位分镜师。请把下面这首诗的每一句，转换成一段用于AI绘画的画面描述。 诗： {{poem}} 要求： 1. 每句诗对应一段画面描述。 2. 描述要包含：主体、环境、光线、色调、构图。 3. 风格统一为中国风、水墨或工笔，具体根据诗的意境选择。 4. 每段描述控制在50字以内。 5. 按句输出，每段一行。 输出格式： 画面1：xxx 画面2：xxx 画面3：xxx 画面4：xxx

这一步的难点在于风格统一。如果每句都让模型自由发挥，可能出现第一张是水墨、第二张是油画的情况，拼在一起很违和。所以我在提示词里强制要求"风格统一"，并且指定具体风格。

2.4 批量出图：图像生成节点的参数调优

拿到4段画面描述后，用图像生成节点批量出图。扣子里可以循环调用，也可以一次生成多张。我一般用循环节点，把4段描述依次传进去。

图像生成的参数有几个要注意：

• 尺寸：诗词视频一般是竖屏，所以用9:16的比例，比如768×1344。
• 风格模型：选中国风、水墨类的风格模型，比通用模型出图更贴合。
• 负面提示词：加上"文字、水印、模糊、畸形"这些，避免出图带乱七八糟的东西。

实测下来，出图质量不稳定是常态，同一个提示词多跑几次结果差别很大。我的做法是每个画面生成2到3张备选，后面人工挑一张最好的。虽然多花点时间，但成片质量提升明显。

2.5 配音与字幕：语音合成节点的选择

配音这一步用语音合成节点。诗词朗读对音色的要求比较高，我一般选偏沉稳、有古韵的男声或女声，语速调慢一点，大概0.8到0.9倍速，这样才有吟诵的感觉。

这里有个技巧：不要一句一句单独合成，而是把整首诗作为一个整体传进去。因为单独合成的话，每句之间的停顿会不自然，拼起来很生硬。整首合成，模型会自动处理句间的节奏。

字幕的话，可以在扣子里生成，也可以留到剪映里加。我倾向于在剪映里加，因为剪映的字幕样式多，还能做逐句出现的效果，比在扣子里生成硬字幕灵活。

3. 提示词工程：让AI写出"像样"的古诗词

3.1 为什么大模型写诗容易"翻车"

大模型写古诗词，常见的问题有三个：格律不对、意象堆砌、情感空洞。

格律不对是因为模型对平仄、押韵的掌握并不精确，尤其是律诗，要求更严。意象堆砌是因为模型倾向于把"月""风""花""雪"这些高频词往里塞，读起来华丽但没有逻辑。情感空洞是因为模型没有真实体验，写出来的东西容易"假大空"。

要解决这些问题，靠的不是换更强的模型，而是把约束写进提示词。模型再强，你不告诉它规则，它也不会主动遵守。

3.2 结构化提示词的四个要素

我总结的诗词提示词，包含四个要素：角色、任务、约束、格式。

• 角色：告诉模型它是谁，比如"你是一位精通古典诗词的创作者"。角色设定会影响模型的输出风格。
• 任务：明确要做什么，比如"根据主题创作一首七言绝句"。
• 约束：这是最重要的部分，包括格律、押韵、意象、字数等具体要求。
• 格式：规定输出格式，方便后续处理。

把这四个要素写全，出诗质量会稳定很多。下面是我常用的一个完整模板：

你是一位精通古典诗词的创作者，擅长七言绝句和五言律诗。 请根据以下主题创作一首诗： 主题：{{theme}} 风格：{{style}} 约束条件： 1. 体裁：七言绝句（四句，每句七字）。 2. 押韵：第二句和第四句必须押韵，韵脚统一。 3. 意象：每句至少包含一个具体意象，避免抽象抒情。 4. 情感：情感要贯穿全诗，前后呼应。 5. 语言：用词典雅，但不要生僻字。 输出格式： 只输出四句诗，每句一行，不要标题，不要标点以外的任何符号。

3.3 押韵和格律的"软约束"技巧

严格来说，让模型完全遵守平仄格律是很难的，因为平仄涉及中古音，模型训练数据里这方面的标注很少。我的做法是抓大放小：押韵必须保证，平仄尽量但不强求。

押韵怎么保证？在提示词里明确"第二句和第四句押韵"，并且可以给一个韵脚示例，比如"如果主题是秋思，可以用'秋、愁、楼、舟'这类韵脚"。给示例比单纯说"要押韵"有效得多。

另外一个小技巧：让模型先想韵脚，再写诗。可以在提示词里加一句"先确定韵脚，再围绕韵脚展开"。这样模型会先锁定韵脚，写的时候不容易跑偏。

3.4 用少样本示例提升稳定性

如果发现模型输出还是不稳定，可以用**少样本（Few-shot）**的方法，在提示词里给一两个示例。比如：

示例： 主题：秋思 风格：婉约 输出： 月落乌啼霜满天 江枫渔火对愁眠 姑苏城外寒山寺 夜半钟声到客船

给一个示例，模型就知道你要的是什么格式和风格，输出会稳定很多。注意示例要选质量高的，因为模型会模仿示例的水平。

4. 和剪映的衔接：从素材到成片的最后一公里

4.1 为什么最后一步要交给剪映

前面说过，扣子负责生成素材，剪映负责合成。这么分工的原因是：剪映在视频合成上的精细度和效率，目前还是比纯代码方案强。

具体来说，剪映有几个扣子替代不了的能力：一是转场和动画，诗词视频常用的淡入淡出、水墨扩散这些效果，剪映里有现成的；二是字幕样式，逐句出现、竖排、书法字体这些，剪映操作起来很快；三是卡点，配合背景音乐的节奏切换画面，剪映的音频波形可视化很好用。

所以我的流程是：扣子把图、音、诗都生成好，打包下载，然后导入剪映做最终合成。

4.2 素材的整理与命名规范

这一步看似简单，但命名规范直接决定剪辑效率。如果素材命名乱七八糟，导入剪映后要一张张找，很浪费时间。

我的命名规范是这样的：

项目名_日期_序号_类型.扩展名 例如： 秋思_20240115_01_图.png 秋思_20240115_02_图.png 秋思_20240115_03_图.png 秋思_20240115_04_图.png 秋思_20240115_配音.mp3 秋思_20240115_诗.txt

按序号排列，导入剪映后顺序就是对的，不用手动调整。诗单独存一个txt，方便在剪映里复制粘贴做字幕。

4.3 剪映里的高效合成流程

导入素材后，我的合成流程是这样的：

1. 铺音频：先把配音拖到音频轨，这是时间基准。
2. 对画面：根据配音的节奏，把4张图依次铺到视频轨，每张图的时长和对应的诗句朗读时长对齐。
3. 加字幕：用剪映的文本功能，把诗逐句加上，设置成逐句出现。
4. 加转场：图片之间加淡入淡出或水墨转场，不要用太花哨的。
5. 配背景音乐：选一首古风纯音乐，音量调到配音的30%左右，不要盖过人声。
6. 调色：如果出图色调不统一，用剪映的调节功能统一一下色温和饱和度。

整套流程熟练之后，一条视频的合成时间大概5到8分钟。

4.4 批量生产的模板化思路

如果要批量做，可以把上面这套流程模板化。剪映支持保存草稿模板，你把字幕样式、转场、背景音乐都设置好，下次直接替换图片和音频就行。

更进一步，可以把常用的背景音乐、字幕样式、转场效果整理成一个"素材库"，每次做新视频直接从库里调。这样单条视频的制作时间能压缩到3到5分钟。

5. 实测中踩过的坑与优化经验

5.1 出图风格不统一的解决办法

前面提过，出图风格不统一是最常见的问题。我试过几种解决办法：

• 在提示词里强制统一风格词：每段画面描述都加上相同的风格前缀，比如"中国水墨画风格，留白，淡雅"。
• 用同一个随机种子：如果图像生成插件支持固定种子，用同一个种子出图，风格会接近很多。
• 后期统一调色：实在不统一，就在剪映里统一调色，能救回来一部分。

实测下来，第一种方法最有效，成本也最低。

5.2 配音语速和停顿的调整

配音最容易出的问题是语速太快、停顿不自然。诗词朗读需要留白，读太快就没有韵味了。

我的调整方法：一是把语速调到0.8倍速；二是在诗里手动加停顿标记，比如在每句末尾加一个逗号或换行，让模型知道这里要停；三是如果插件支持，调整停顿参数。

还有一个细节：配音和画面的对齐。如果配音是整首读的，你要在剪映里根据音频波形，找到每句诗的起止点，再对齐画面。这个需要一点耐心，但做几条之后就熟练了。

5.3 工作流调试的常见报错

扣子工作流调试时，常见的报错有几类：

调试的时候，善用试运行功能，每个节点单独跑一遍，看输出对不对，再往下接。不要一次性跑整个流程，出错了很难定位。

5.4 成本与效率的平衡

最后说下成本。扣子的插件调用是有额度的，图像生成和语音合成都比较耗额度。如果批量生产，成本要考虑进去。

我的优化思路：一是出图不要贪多，每个画面2张备选就够了，多了浪费；二是配音可以复用，如果做系列视频，同一个音色和语速设置可以一直用；三是先小批量测试，跑通流程、确认质量后，再批量生产。

效率上，一条视频从输入主题到成片，熟练之后大概10到15分钟。如果做系列，可以一次生成多条诗的素材，然后集中剪辑，效率更高。

6. 这套方案还能怎么扩展

跑通基础流程之后，我试过几个扩展方向，效果还不错。

第一个是多风格切换。在开始节点加一个风格选择，用户可以选"水墨""工笔""写意"等，工作流根据选择调用不同的图像风格模型。这样同一个主题能出不同视觉风格的视频。

第二个是系列化生产。比如做"唐诗三百首"系列，可以批量输入诗名，工作流自动生成画面和配音，然后集中剪辑。这种系列内容涨粉比较稳，因为用户有追更预期。

第三个是加入背景知识。在诗生成之后，再加一个节点生成一段简短的赏析或背景介绍，作为视频的结尾或开头。这样内容更有深度，也更容易获得平台的推荐。

第四个是和数字人结合。如果想让视频更有辨识度，可以用数字人出镜朗读，配合诗词画面。这个链路稍微复杂一点，但做出来效果很不一样。

这套方案的核心思路其实可以迁移到很多内容类型上：只要是"文本+图像+音频"的组合，都可以用类似的工作流来提效。关键是把链路拆清楚，每个环节用最合适的工具，然后用工作流把它们串起来。工具会变，但这个"拆解—编排—优化"的思路是不变的。