万能提示词公式 — AI 视频导演的六个维度

当提示词没有明确的优先级结构时，AI 模型会将注意力平均分配给每个元素——人物、物体、背景、镜头——并试图同时驱动它们。结果就是幻觉般的动作、漂移的镜头、变形的角色，以及毫无意图感的画面。万能提示词公式通过建立逻辑联系的层次结构来解决这个问题：一个绝对主体、一个核心动作、明确界定的次要元素、精准的镜头跟随逻辑、情绪驱动的光影，以及逐秒的时间规划。你不再是碰运气的指令输入者，而是像电影导演一样调度每个场景节拍的 AI 导演。

这是最重要的一步：确立画面的中心。在编写提示词时，要优先描述主体正在进行的动作或行为，让 AI 自动识别谁是主角，从而将生成重心放在其身上，并有余力去推演背景变化。例如一名女子在街道上的场景，写「一名女子在城市街道上向左行走」——这告诉 AI 女子是优先目标，它会自动以较低的运算权重处理背景行人和建筑。当模型知道谁是主角，它就有剩余的注意力去推断自然的背景行为，而非以同等精度渲染所有东西。

视频的灵魂在于单一核心动作，而非随机动作的堆砌。确立一个核心动作后，所有辅助动作（细节小动作）都必须围绕核心展开，且不能与之冲突。如果核心动作是「向左走」，辅助微动作可以是「轻抚发丝」或「偶尔环顾四周」。避免同时添加不相关的核心动作如「弯腰捡东西」——这会迫使角色同时执行两个竞争性的主要动作，导致肢体变形。原则是每个镜头一个核心动作，搭配 1-3 个不冲突的微动作增添自然感。

画面中的每个次要元素都必须有明确的角色定位：背景客体或互动客体。背景客体需要弱化——「静止的建筑」、「缓慢移动的远处行人」——使其永远不与模型的注意力竞争。互动客体则需配合主体——「卖花小贩在女子经过时抬头看向她，动作幅度微小」。这套主客体逻辑可以防止 AI 把背景行人当作与主角同等重要的元素处理，而这正是群体场景中所有人做出相同动作的根本原因。

模糊的指令如「镜头拉近」或「电影感镜头」会导致虚拟摄影机漫无目的地漂移。必须建立镜头与主体之间的跟随逻辑，并使用精准的术语。跟拍镜头：「镜头与主体同速向左移动，焦距固定，始终将主体置于画面中心」。推镜头：「镜头从全身构图推至脸部特写，同时主体保持行走动作」。这些指令锁定了视觉焦点，让模型确切知道镜头该对准哪里以及移动速度。镜头存在的意义是服务主体——永远不要让它独立漫游。

光影色彩应该烘托场景的情绪逻辑并突出主体，而不仅仅是让画面看起来「漂亮」。所有视觉设定都要以主体为视觉中心。深夜孤独女子的场景：「暖黄色的路灯光从主体的侧后方打过来，在地面形成细长的影子；画面整体呈现低饱和度的冷蓝色调」。这在视觉上将主体从背景中隔离出来。当光影在主体与环境之间创造出明确的对比时，模型会将渲染品质集中在被照亮的主体上，而将较暗的背景作为次要处理。

AI 视频的不稳定往往源于缺乏时间指令。将视频划分为清晰的时间阶段，进行逐秒规划。以 10 秒视频为例：1-3 秒——主体从右侧入镜，向左行走，手臂自然摆动；4-6 秒——主体走到画面中心，轻抚发丝，头部微侧；7-10 秒——主体继续向左行走至画面边缘，镜头以相同速度跟随直到结束。这种秒级别的状态规划告诉模型每个时刻该渲染什么，防止它自行发明随机动作或在最初两秒内就把整段剧情冲完。

将六个维度整合为一段完整提示词：绝对主体与核心动作——一名女子在城市街道上向左行走，步伐匀速。辅助动作——女子一边行走，一边用手轻抚发丝，头部偶尔轻微侧转观察周围环境，脚步保持匀速。画面边界——背景中的街道建筑保持静止，远处有几名行人缓慢移动且不抢镜头；路边的一名卖花小贩在女子经过时抬头看向她，动作幅度微小。镜头调度——采用跟拍镜头（Follow Shot），镜头与女子同速向左移动，焦距固定，始终将女子置于画面中心。光影色彩——暖黄色的路灯光从女子的侧后方打过来，在地面形成细长的影子；画面整体呈现低饱和度的冷蓝色调，营造出安静落寞的氛围。时间节奏——1-3 秒：女子从画面右侧入镜，开始向左匀速走入，手部自然摆动；4-6 秒：女子走到画面中心，做出轻抚发丝的动作，头部微侧；7-10 秒：女子继续向左行走，逐渐走至画面左侧缘，镜头同步跟随直到画面结束。

四个机制使这段提示词有效。第一，避免干扰：通过明确主体是女子，AI 不会把注意力平分给背景行人，避免画面混乱。第二，防止变形：将「向左走」定为核心，其他如「抚头发」则是辅助，让 AI 知道动作的优先顺序，防止主体在做动作时产生肢体扭曲。第三，镜头稳定：精准的镜头指令（同速平移、保持中心）取代了模糊的「画面拉近」，能有效避免镜头乱飘。第四，消除随机性：通过秒级别的时间规划，你实际上是在担任「AI 导演」，告诉模型每个阶段该做什么，而不是让 AI 随机发挥。

在群体场景中，AI 会将注意力平均分配给每个可见的人，导致所有人做出同样诡异的动作。解决方案是「强主体、弱背景、定层次」。首先，从群体中重新定义绝对主体：「一名穿红衣的女子（主体）走过拥挤的街头」。其次，使用平行主体动作区分群体：主体向左走，其他行人在路边花店挑选花朵。第三，将背景客体设为「缓慢移动、不抢主体镜头」，互动客体设为小幅度的服务主体动作如「小贩抬头看向主体」。第四，用跟拍镜头锁定主体，使其无论群众如何流动都保持居中。第五，使用秒级时间规划让不同角色在不同时刻行动——1-3 秒主体入场群体流动，4-6 秒主体做微动作同时互动角色回应，7-10 秒主体离场背景保持稳定演变。

镜头漂移源于模型收到模糊的运动描述。两种精准指令模式可以解决。跟拍镜头：明确镜头与主体同速移动、焦距固定、主体始终居中——锁定镜头与主体之间的空间关系。推镜头：明确起始构图（全身）和终点构图（脸部特写），同时要求主体维持正在进行的动作——为模型提供从 A 到 B 的清晰轨迹。两种模式之所以有效，是因为它们定义了镜头与主体的关系，而非孤立地描述镜头。没有主体参照的镜头指令是漫无目的漂移的最主要原因。

要让角色在特定时间戳进行互动，需结合秒级状态规划与互动客体逻辑。在特定的时间窗口中定义互动发生的时机：1-3 秒主体走向路边的卖花小贩；4-6 秒（互动点）主体走到小贩面前并停下，此时互动客体（小贩）抬头看向主体，并做出轻抬鲜花的动作；7-10 秒主体接过花后继续前行，小贩低头回到原位。在互动窗口内，同时描述主体的动作和互动客体的回应作为协调配对。将背景客体设为互动窗口期间静止或缓慢移动，使模型的全部注意力集中在互动交流上。

公式可通过从宏观场景调度缩小到微观细节雕刻来适配特写镜头。绝对主体变为身体局部：「女子面部的近景」。核心动作变为微表情：「缓慢眨眼，嘴角微微上扬」取代全身位移。画面边界需要极度弱化——「背景模糊（Bokeh）、单色调、完全静止」——将所有渲染资源强制投入主体面部细节。镜头使用固定特写（固定焦距对准面部）或极缓慢的推镜头从中景推至极近景。光影描述光线如何打在面部特定位置：「柔和的侧光照亮半边脸，另一半隐藏在阴影中，营造神秘感」。时间节奏控制表情弧线：1-3 秒保持平静表情、眼神低垂；4-6 秒缓慢抬头、眼神与镜头交会；7-10 秒嘴角露出一丝极微小的微笑，镜头微幅前推。