一条 AI 视频提示词的解剖：381 条真实生产提示词的共同结构

提示词指南给你的，往往是为了那篇文章现写的模板。这一篇拆的是 381 条真正跑过、也真出了片的提示词，取自 52 部完成的作品。 它们是被编译出来的、不是手打的，而这恰恰是有用的地方：同样的结构在全部提示词里 重复出现，清晰到可以直接照搬。

五个部分，按顺序

1. 风格块——镜头、胶片、色板、颗粒。同一部片子的每个镜头里完全一致。
2. 帧绑定——这段片子是从给定图片开始并结束，还是只有开头被钉住。
3. 主体一致性条款——谁必须从头到尾长得一样。
4. 角色档案——每个主体的具体外形描述。
5. 带时间码的动作——时长切成若干段，每段有自己的动作。

一条完整提示词平均大约 850 个字符。这个长度大部分来自第 4 和第 5 部分， 而这两部分存在的理由相同：把模型本来会替你做的决定收回来。

这些提示词从哪来

52 部完成作品里的 381 条分镜提示词，全部在 FlyAIgh 上生成。下面的结构分析和每一个计数 覆盖的都是全集。引用原文的只有我们自己的板子——别人的剧本是别人的事， 它们只进统计，不进引用。

逐段拆解

1. 风格块。用方括号包起来，放在最前面，并在同一部片子的每个镜头里逐字重复：

注意它装了什么：一个画幅格式（large-format anamorphic）、具体的颜色语言 （slate-blue、ember-orange、molten-gold）、一种光的行为（volumetric god-rays）、 材质（hammered steel、rune-etched stone），以及一个胶片特性（35mm halation bloom）。 它一个字都没写动作。

重复本身就是要点。每一次生成都是一次独立调用，对上一次没有记忆——凡是你不重述的， 都会被重新发明。七个镜头看起来像同一部片子，靠的就是这七个完全相同的风格块。

2. 帧绑定。一句话，按这个镜头有没有目标结束画面分成两种写法：

• "Video starts from the first reference image (frame 1: opening pose) and ends at the second reference image (frame N: closing pose)." —— 首尾都钉住。
• "Video starts from the first reference image (opening frame: composition and pose). From there the action plays out naturally per the motion description — the ending is not pinned to a target still." —— 只钉住开头。

第二种写法值得留意。首尾都钉住买到的是精度，代价是自然度，因为模型必须走到一个指定的 地方去。当这个镜头只需要动得可信时，把结尾放开反而能出更好的运动。

3. 主体一致性条款。写得很明确，而且直接点名：

4. 角色档案。每个被点名的主体都有一段压缩过的外形描述，属性用分号隔开：

它跟参考图是并行的，不是替代关系。图承载相貌，文字承载图钉不住的东西——尺度 （"~40m wingspan filling the frame"）、气质（"road-hardened"）， 以及什么是刻意不存在的（本该长鬃毛的位置写着 "none"）。

5. 带时间码的动作。这一部分最能把它们和普通提示词区分开：

先写总时长，然后是带标签的片段，然后一行镜头运动小结，最后是画幅比例。 即使在完全不出声的模型上，声音也照样描述——它不花什么成本，却能约束节奏。 "One continuous take, no cut" 之所以出现，是因为拿到多拍点描述的模型 有时会在一条片子内部自己剪一刀。

一条完整的提示词

五个部分拼在一起，跟当时真跑的一字不差——这是第 2 镜，也就是本页顶上那条龙：

没人写的那一层：切换

上面讲的全部是单个镜头。几乎没有提示词指南覆盖的那一层，是两个镜头之间发生的事——而它只有在你开始把镜头拼成序列、不再一条条单独生成时才会浮现。

这批里有 225 个镜头带着明确的转场决策，每个都写清四件事： 切法、跨过这一刀必须保住的视觉连续性、声音提前还是拖后，以及下一个镜头的开场帧从哪来。

有两件事很显眼。硬切和动接动几乎打平（55 比 51）——真正有人做决定的时候， 保连续性的切法被选中的频率，和干脆断开差不多。另外，每一次叠化都带音频引导， 14 比 14 全中，而硬切带音频引导的只有四分之一。一次叠化如果声音上什么都没做， 读起来就是幻灯片。

写在决策里的三条原话，来自同一个七镜序列：

• clean-cut，J-cut 音频 —— "Hard juxtaposition cut from heroic climb to tyrant's reversal — the discontinuity is the power flip."连续性注记：保住风暴天光，并保持画面方向，让浪读起来是打在要塞上。
• match-action，L-cut 音频 —— "The reforged Crown's light flows into the lifting gesture — continuous radiance carries the cut."
• seamless，来自另一部片子 —— "Continuous action exceeds generation limit; seamless stitch preserves unbroken temporal compression."这一条是技术约束逼出的创作选择：那个运动比单次生成允许的时长还长，于是被拆开再缝上。

下一个镜头的首帧从哪来

每一次转场同时也决定了下一个镜头从哪里开始。还是这 225 个决策：

最上面两行接近对半，这才是有意思的地方。大约十个镜头里有四个参考了上一帧 但没有直接复用——新帧是生成的，只是以上一镜怎么收的场为条件。 这是「完全自由」和「硬连续」之间的中间档，实践中被选中的频率几乎和从零开始一样高。 彻底复用很少（225 里 7 次），因为它把构图完全锁死了。

这些提示词跑出了什么

全文引用的那个七镜序列，按顺序拼起来。35 秒，280 积分，720p。 其中六镜跑在 Seedance 2.0 上，开场那一镜跑在 Kling V3 Omni 上——这是逐镜选的， 不是平台默认。

镜头之间没有做任何修饰。它们之间的一致性来自重复的风格块、角色档案和转场决策—— 也就是本文讲的这三样东西。

这份数据说明不了什么

• 这些提示词是编译出来的，不是打出来的。输入是剧本、锁定的风格和一组 参考素材，输出就是这个结构。这正是它如此一致的原因——也正因如此，把它当成 「人是怎么写提示词的」的证据是错的。
• 结构不等于质量。这里每一条提示词都跑通了，但本文对哪一条出的片子 好不看做任何判断。数据里根本不记录这件事。
• 这批里大部分不是英文。381 条里 311 条是中文。结构在两种语言下都成立， 但这里引用的措辞习惯来自那 70 条英文。
• 转场数据反映的是一套系统的词汇表。那八种切法是我们的导演功能能产出的 那些。换一个工具会得到不同的分布——而一个根本不提供转场层的工具，一条都产不出来。