企业官网建设流程全解析

上个月帮一个做电商短视频的团队改提示词，对方甩过来一个文档，四页纸，密密麻麻全是“电影感、8K、超写实、获奖作品、大师级光影”这类词。我问他这条视频里那个人到底要做什么动作、镜头从哪儿开始到哪儿结束，他愣了几秒说“模型自己会想吧”。这个场景我碰到太多次了。Sora 这类文生视频模型出来之后，很多人第一反应是把以前写图像提示词的那套词库原封不动搬过来，结果十条里有八条出来的画面要么一动不动像张会呼吸的照片，要么主体中途变形、镜头乱飘。问题不在模型，在于写的东西和视频这种媒介的底层逻辑对不上。视频是时间艺术，提示词里必须有人物或物体的状态变化、有镜头的运动轨迹、有光影随时间的推移，而绝大多数人写的还是“一张图的说明书”。这篇内容我想把自己整理了大半年的视频提示词合集思路完整拆开：一套能复用的六段式骨架、一份镜头语言词表、一套提示词库的分类与版本管理方法，还有六类高频翻车案例的改写对照。适合刚上手文生视频、手里已经攒了一堆零散句子但出片率很低的人，也适合想把提示词从“个人手感”变成“团队资产”的小团队参考。

1. 图像提示词直接搬去生成视频，十条有八条会废

1.1 静态描述与时间描述的错位

写图像提示词的时候，我们实际上在做一件事：把画面里所有元素在一个瞬间“冻住”，然后尽可能细致地描述这个冻结状态。构图、光线、材质、色彩、风格，全是静态切片。这套逻辑放到视频上会立刻出现一个空洞——模型知道第一帧长什么样，但不知道第二秒该发生什么。它只能靠自己瞎猜，猜的结果通常有两种：要么几乎不动，人物保持一个姿势微微晃，像被按了暂停键；要么过度发挥，人物突然做了个你没要求的动作，镜头莫名其妙推近或旋转。

我在早期测试里做过一个很直观的对比。同一条主体描述“一位穿深灰风衣的中年男人站在雨后的街道上”，加上“电影感、冷色调、写实”这些修饰，生成的五条结果里有四条几乎是静止画面，只有雨滴在动。而我在后面补上一句“他先是低头看手机，然后缓慢抬头望向街道尽头，风衣下摆被风吹起”，出片立刻有了叙事感，五条里至少三条能直接用。差别就在有没有给出时间轴上的变化。

所以视频提示词的第一性原则是：你写的不是一张图，是一段被描述出来的运动。画面里的任何一个元素，都要问自己一句“它在这一秒和下一秒有什么不同”。人物有动作，环境有变化，光线有推移，镜头有机位移动，这些才是视频模型真正需要的燃料。

1.2 三个必须补上的维度：动作、镜头、时间轴

从图像提示词迁移到视频提示词，我总结下来必须补三个维度，缺一个出片质量就掉一档。

第一个是动作维度。动作不是形容词，是动词加状态。写“优雅地走动”不如写“从画面左侧向右侧缓慢行走，步幅很小，双手插在口袋里”。前者是感受，后者是模型能算出位移和关节角度的描述。动作还要有起止，也就是“从什么状态变成什么状态”，这一点后面会专门讲。

第二个是镜头维度。图像提示词里通常不写镜头，因为静态图的“镜头”就是构图本身。视频里镜头是独立变量，它会动。你写不写，模型都会给你一个默认的、往往是缓慢推近的平庸运镜。与其让它瞎猜，不如明确指定：固定机位、缓慢推镜、横向跟拍、环绕主体、手持轻微晃动。这一个维度的补充，对成片质感的提升往往比堆十个风格词都明显。

第三个是时间轴维度。一条五秒的视频，脚本上大致可以切成“起始状态—过程变化—结束状态”。我习惯在提示词里用短句把这个节奏带出来，比如“开头镜头贴近桌面，随后缓慢拉远露出整个房间，末尾停在中景”。这种写法等于给模型一个隐性的分镜表，它不需要理解艺术，只需要理解顺序。

这三个维度补上之后，提示词长度会明显增加，很多人担心“写太长模型抓不住重点”。实测下来，只要结构清晰、主次分明，中等长度的结构化提示词比一句话的效果好得多。真正抓不住的是那种堆了三十个形容词但没有一个动词的写法。

2. 我搭视频提示词的固定六段式骨架

2.1 主体段：把“一个人”写到模型不用猜

主体段的任务只有一个：让模型对画面核心对象没有第二种理解。写“一个女人”是最差的选择，因为模型会从训练数据里随机抽一个平均值出来，肤色、年龄、发型、体型全凭运气。我通常按五个字段去写：年龄区间、体型与发型、服装（材质加颜色）、随身物件、当前情绪状态。

举个例子，不写“一个年轻女人”，而是写“三十岁上下的女性，短发齐耳，穿米白色粗针织开衫和深色直筒裤，肩上挎一个磨旧的棕色皮质托特包，表情平静略带疲惫”。这样一段话下去，画面的主体就锁死了，后续所有镜头切换都能围绕这套描述保持一致。

这里有个容易忽略的点：服装材质比服装款式更能影响成片质感。写“粗针织”“磨旧的皮”“垂坠感真丝”“硬挺的冲锋衣面料”，模型对光影和褶皱的处理会完全不同。我在做服装类内容时，甚至会专门在主体段里加一句面料的反光特性，比如“面料表面有细微绒感，在侧光下边缘泛白”，效果比后面加十个“高级感”强。

主体数量也要控制。两个以上主体同框时，模型很容易出现肢体粘连、面部特征互相污染的问题。如果内容确实需要多人，我建议把每个人的描述分别写清楚，并用位置关系隔开，比如“画面左侧是一位……，画面右侧是一位……，两人之间隔着一张木质长桌”。位置词是很好的隔离带。

2.2 动作段：用起止状态代替形容词

动作段是我认为整条提示词里性价比最高的部分。写法的核心是“起点—过程—终点”，而不是“他正在做什么”。

对比一下。“他在咖啡店里喝咖啡”是一个状态描述，模型可能给你一个端着杯子不动的画面。“他坐在靠窗的位置，先是用右手把杯子端到嘴边，小口喝了一下，然后放下杯子，转头看向窗外，肩膀随之放松下沉”，这是一条动作链，模型有明确的位移、关节变化和重心转移可以依据。

动作链的长度我一般控制在两到三个动作单元，超过三个之后，模型容易在中途“忘记”前面的动作，出现动作跳变。如果内容确实复杂，宁可拆成两条视频去做，也不要塞进一条里硬撑。五秒的片子能承载的信息量其实很有限，一个完整的动作加一个细微的表情变化，基本就满了。

还有一个细节：动作的速度和幅度要写出来。“缓慢”“快速”“猛地”“轻微”“大幅度”这些副词不是废话，它们直接决定模型生成的运动曲线。我做产品展示的时候，经常用“极缓慢的匀速旋转”这种描述，出来的是很稳的转台效果；写“快速翻转”则常常糊成一团。速度词配合前面的动作链，控制力会强很多。

2.3 场景与光线段：先把物理世界定死

场景段要解决三个问题：在哪儿、什么时间、环境里有什么在动。第三个问题最容易被漏掉，但它恰恰是让画面“活起来”的关键。一个空荡荡的房间和同一个房间里有窗帘飘动、有灰尘在光柱里浮动、有窗外树影晃动，观感完全是两个级别。

我写场景的顺序一般是：空间类型—时间与天气—前中后景的具体物件—环境动态。比如“老式居民楼的阳台，傍晚，天刚擦黑，栏杆上晾着几件衣服，远处是密集的居民楼窗户亮着零散的灯，近处有一盆叶片下垂的绿植，晚风让晾着的衣服轻轻摆动”。这里面“衣服摆动”就是环境动态，它给画面提供了持续的、低幅度的运动，避免背景死板。

光线段我单独拎出来说，因为它对质感的影响大到可以掩盖其他所有细节。写光线至少要说清三件事：光源方向、色温、软硬对比。侧逆光会勾出轮廓边缘，正面平光会显得平淡，低角度侧光会拉长阴影。色温上，暖黄偏黄昏和室内灯光，冷蓝偏清晨和阴天，混色光则适合做情绪。软硬对比指的是阴影边缘是清晰还是过渡柔和，硬光适合表现质感和力量，柔光适合表现温和和高级。

我常用的一个组合是“傍晚侧逆光，色温偏暖，光线柔和但方向明确，人物面部一侧有明亮轮廓，另一侧保留细节不糊成黑块”。这一句基本能保证人物不会出现阴阳脸或者过曝。

2.4 镜头与风格段：把导演的活儿交给文字

镜头段和风格段放在最后写，因为它们是对前面内容的“包装”。镜头段决定观众站在哪儿看、怎么看。风格段决定这个画面像什么介质拍出来的。

风格这个词被滥用了。写“电影感”几乎没有信息量，因为每个人心里的电影感都不一样。有效的风格描述应该落到具体介质和技术特征上：是数字拍摄还是胶片颗粒，是高饱和商业广告质感还是低饱和纪实感，是浅景深人像还是大景深风光，是实拍质感还是三维渲染感。我写风格通常用两到三个词组合，比如“十六毫米胶片颗粒、低饱和、自然光纪实感”，或者“高对比、锐利边缘、商业广告打光”。

风格词之间要避免互相打架。我见过有人同时写“复古胶片颗粒”和“超清8K锐利细节”，这两个诉求在物理上就是矛盾的，模型只能折中，结果两边都不像。风格段的原则是：选定一个方向，然后所有词都往这个方向靠。

镜头段和风格段都写完之后，我习惯再补一句整体的“收束句”，用一句话把氛围定调，比如“整体氛围安静克制，节奏缓慢”。这句话不涉及具体元素，但对模型理解整体调性有帮助，尤其是在做情绪类内容时。

3. 镜头语言词表：写得越像场记单，出片越稳

3.1 景别与机位：先决定观众站在哪儿

很多人写镜头只写“特写”“全景”，这只能算写了一半。景别解决的是“框多大”，机位解决的是“从哪个高度和角度看”。两者组合起来才是完整的镜头指令。

机位我常用这几个：平视（最中性）、略微俯视（显弱势、显空间）、略微仰视（显气势、显高大）、过肩（带入对话感）、越肩俯拍（压迫感）。俯仰角度不宜过大，超过四十五度容易让画面变形失真。

实操里我发现一个规律：新手从中景平视开始写，成功率最高。这个组合信息量适中，模型处理起来最稳。等熟练了再往上加特写和运镜，出问题的概率会低很多。

3.2 运镜动词的颗粒度差异

运镜是视频提示词里最容易写出“假大空”的部分。写“炫酷运镜”等于没写。有效的运镜描述要包含三个要素：运动类型、运动方向、运动速度。

推镜：镜头向主体靠近。写“缓慢推近”比“推镜”好，写“从中景缓慢推至面部特写”最好，因为它给了起止景别。 拉镜：镜头远离主体，常用于揭示环境。写“缓慢拉远，露出整个房间”就很有画面感。 摇镜：机位不动，镜头方向转动。要写清左右还是上下。 移镜：机位平移。横向移镜适合展示长条场景，纵向移镜适合展示高度。 跟拍：镜头跟随主体运动。要写清是侧面跟、背面跟还是正面倒退跟。 环绕：镜头绕主体转。写清方向和角度范围，比如“绕主体顺时针旋转约九十度”。 升降：机位上下移动，常用于大场景揭示。 手持晃动：模拟人手持机的轻微抖动，适合纪实感，但幅度要写“轻微”，否则容易晕。

一条视频里我最多写一种主要运镜，加一种极轻微的辅助运动。写两三种运镜叠加，模型经常处理不过来，出来的运动轨迹会很怪。这一点和实拍是一个道理，一个镜头里塞太多调度，观众也会晕。

3.3 焦段、景深与画幅的联动

焦段这个词在提示词里出现频率不高，但效果很明显。广角焦段（大致相当于二十四毫米上下）会带来透视夸张，近大远小明显，适合表现空间纵深和冲击力；标准焦段（五十毫米上下）接近人眼观感，最自然；长焦（八十五毫米以上）会压缩空间，让背景靠近主体，适合拍人像和情绪特写。

景深和焦段是联动的。写“浅景深、背景虚化”配合长焦，人物会非常突出；写“大景深、前后景都清晰”配合广角，适合环境叙事。我做过一个测试，同一条人物描述，只改景深描述，出来的画面一个像广告片一个像纪录片，差别大到不像同一个模型生成的。

画幅也值得写。竖屏适合人物和商品，横屏适合风景和大场景，方形适合社交平台信息流。写清画幅能避免后期裁切导致的构图损失，尤其是主体靠边的时候，裁切很容易把关键元素切掉。

4. 把零散句子做成“合集”：分类、命名与版本迭代

4.1 按“用途”而不是按“风格”分类

我见过不少人整理提示词的方式是按风格分类：赛博朋克一类、复古胶片一类、极简一类。这个分法看着整齐，用起来很痛苦，因为实际做内容的时候，你的起点永远是“我要做什么”，而不是“我要什么风格”。

我自己的分类逻辑是按用途来：人物介绍类、产品展示类、场景过渡类、情绪空镜类、动作演示类、对话场景类。每一类下面再按风格分子目录。这样找的时候，先定位用途，再挑风格，路径短很多。

每一类里我会保留三到五条“基准提示词”，也就是经过多次测试、出片率稳定的那几条。新项目开始时先拿基准提示词改主体和场景，比从零写要快得多，也更稳。这些基准提示词其实就是模板，但和那种填空式模板不同，它们是完整的、有上下文的，改的时候知道哪些字段能动能改，哪些是结构骨架不能动。

4.2 命名规则与变量占位符

提示词一多，命名混乱是灾难。我吃过这个亏，早期文件夹里全是“最终版”“最终版2”“真的最终版”，三个月后自己都分不清哪条是能用的。

现在的命名规则是：用途_主体类型_镜头类型_版本号。比如“产品展示_化妆品_缓慢推近_v3”。一眼能看出用途和内容，排序也整齐。文件名里不放风格词，因为风格经常要改，改一次文件名就得跟着改，很麻烦。

变量占位符是另一个提效手段。我把提示词里会变的部分用方括号标出来，比如“[主体描述]、[动作链]、[场景]、[光线]、[镜头]、[风格]”。做新内容的时候，复制一份，只替换方括号里的内容，骨架不动。这样既保证了结构一致，又避免了每次重写。

需要提醒的是，占位符不要标得太细。有人把每个形容词都做成变量，结果替换工作量比重写还大。我一般只标六到八个核心变量，其余部分作为固定骨架保留。

4.3 版本记录：记录失败比记录成功更有用

这一条是我觉得整个合集里最有价值、但最少人做的部分。大多数人只存成功的提示词，失败的随手删掉。但我自己的经验是，失败的记录价值更高，因为它告诉你边界在哪儿。

我的记录格式很简单，每条提示词下面跟三行：生成结果简述、主要问题、可能的修正方向。比如“人物手部出现六指，修正方向：减少手部动作描述，改为手插口袋或拿物件遮挡”。这些记录积累下来，会形成一份属于你自己的“避坑清单”，比任何通用教程都贴合你的实际使用场景。

版本号也要克制。我一般只在结构性调整时才升版本号，微调措辞不升版。否则版本号会膨胀得很快，反而不好管理。真正稳定的那几条，我会单独复制到一个“已验证”文件夹，做正式项目时优先从这里取。

5. 六类高频翻车提示词与我的改写对照

5.1 动作堆叠型与物理不可能型

动作堆叠是最常见的错误。一条五秒的视频里写“她走进房间，放下包，脱下外套，坐到沙发上，拿起书翻开”，五个动作塞进五秒，模型只能每个动作给一秒，结果每个都做得含糊不清，人物还会中途形变。

改写思路是砍到一到两个动作单元，其余拆成下一条视频。比如只保留“她推开门走进房间，把包放在门边的矮柜上，然后转身面向镜头”。三个动作其实已经是上限，而且第一个动作是位移，第二个是手部操作，第三个是转身，节奏上有变化，模型处理起来相对稳。

物理不可能型是另一类。写“水流向上流”“玻璃碎片重新聚合”“人物在空中连续翻转三周”，这类描述在物理上违反常识，模型要么直接忽略，要么生成一堆扭曲的画面。如果确实需要超现实效果，我建议加上明确的表现方式，比如“以慢镜头呈现”“画面带有明显的特效质感”，让模型知道这是特效而非实拍，处理方式会不一样。

5.2 抽象形容词型与风格冲突型

抽象形容词是提示词里的重灾区。“唯美”“高级”“有质感”“氛围感拉满”，这些词对模型来说约等于噪声，因为它们没有对应的视觉特征。我做过一个极端测试，只在提示词里写十个抽象褒义词，不加任何具体描述，出来的画面质量和平庸的默认输出没有区别。

改写的办法是把抽象词翻译成视觉特征。“高级感”翻译成“低饱和、大面积留白、单一主光源、材质对比明显”；“氛围感”翻译成“逆光、薄雾、浅景深、暖色温偏黄”。“唯美”这个词我基本不用了，因为它什么都能指。

风格冲突前面提过，这里补一个具体例子。有人写“复古八毫米胶片质感，超高清细节，锐利到能看清毛孔”，这两个诉求打架，模型给的结果是画面既没有胶片味也没有清晰度，糊在一个尴尬的中间态。正确做法是二选一，选胶片就接受颗粒和柔化，选高清就放弃颗粒感。

5.3 文字/手部/镜面等细节陷阱

文字生成至今仍是难点。让画面里出现清晰可读的中文招牌、书页文字、屏幕内容，成功率很低，经常出现形似但无意义的字符。我的处理方式是：需要文字的地方，用后期贴图解决，提示词里只描述“有一块深色招牌”而不描述文字内容。如果非要生成，把文字控制在两三个字符以内，成功率会高一些。

手部问题是老生常谈。手指数量错误、关节反向、手部糊成一团，这些在高动态镜头里尤其明显。规避思路有三个：让手部做简单动作（握、扶、插袋），避免手指张开和快速摆动；用物件遮挡（拿杯子、握笔、扶栏杆）；把景别拉开，用中景代替特写。这三个方法我轮换着用，基本能绕开大半问题。

镜面和反射也是坑。画面里有镜子、水面、玻璃幕墙时，模型经常处理不好反射内容的逻辑一致性，出现人物倒影和本人动作不同步的情况。如果内容必须用镜面，我会在提示词里明确“镜中倒影与人物动作完全同步”，虽然不能百分百解决，但能改善不少。更稳妥的办法是减少镜面在画面中的面积占比，让它成为背景元素而非视觉焦点。

6. 多镜头一致性：从单条提示词到系列提示词组

6.1 角色锚定：把人物特征抽成固定字段

做系列内容时，单条提示词写得再好也没用，因为观众看的是连贯性。同一个人在三镜头里换了三张脸，前面所有努力都白费。

我的做法是把人物特征抽成一个固定的“角色锚定块”，每次生成新镜头时原样复制这一段，一个字都不改。这个块里包含：年龄段、脸型与五官特征、发型发色、体型、固定服装、固定配饰。关键是“固定”，一旦确定就不再调整，哪怕某次生成时觉得换个发型更好看，也要忍住，否则一致性就断了。

实测下来，服装和配饰的锚定效果比面部描述更可靠。原因是模型对面部的处理有随机性，但对“深蓝色高领毛衣加金属细框眼镜”这种组合的还原相对稳定。所以我倾向于用强特征的服装和配饰来帮助观众识别“这是同一个人”，面部描述作为辅助。

6.2 场景延续与转场衔接的写法

场景延续的难点在于光线和空间关系。同一个房间，第一个镜头是白天窗边，第二个镜头如果光线方向变了，观众立刻出戏。解决办法是在场景描述里固定光源位置，比如“主光源始终来自画面左侧的窗户”，每个镜头都带上这一句。

转场衔接我常用两种写法。一种是“动作接动作”：上一个镜头结尾人物伸手开门，下一个镜头开头是门从另一侧被推开。这种衔接在提示词里要写清结尾动作和开头动作的对应关系。另一种是“视线引导”：上一个镜头人物转头看向画面右侧，下一个镜头从右侧方向拍过去。

这些写法没法保证百分百衔接成功，但能大幅提高可用率。实际操作中，我通常会为每个衔接点生成三到五条备选，挑最接近的那条，剩下的靠剪辑时的简短过渡掩盖。

6.3 一条完整的系列提示词组示例

下面这组是我做过的三镜头示例，主题是“清晨准备出门”。三段共享同一套角色锚定和光线设定，只有动作和镜头不同。

【角色锚定·固定】 三十岁上下男性，短寸头，脸型偏方，下颌线清晰，中等偏瘦体型，穿浅灰色棉质圆领T恤外搭深藏青色薄款夹克，左手腕戴一块黑色表带的方形手表。 【场景锚定·固定】 小户型公寓的玄关区域，清晨，主光源来自画面左侧的窗户，色温偏冷，光线柔和，墙面为浅米色，地面为浅色木地板，右侧有一面窄条穿衣镜。 【镜头一】 中景平视，固定机位。人物从画面右侧走入，停在玄关柜前，伸手拿起柜面上的钥匙串，低头看了一眼，然后放进夹克口袋。 【镜头二】 近景，略微仰视，缓慢推近。人物站在镜前，抬手整理夹克领口，视线短暂看向镜中，表情平静。 【镜头三】 中景，机位在人物背后略微偏侧，缓慢拉远。人物弯腰穿鞋，起身，伸手拉开门，门缝透进走廊的冷白光，画面停在半开的门上。

这三段里的“清晨、左侧窗户、冷色温、浅米色墙面”是必须原样保留的，改动其中任何一项，三镜头的空间感就会断。动作和镜头可以按需调整，这也是变量集中在后半段的原因。

我在实际使用中的体会是，提示词这件事没有所谓的“终极模板”，只有不断迭代的个人词库。模型在变，你的审美在变，能用的写法也在变。真正值得沉淀下来的不是某一条神级提示词，而是那套“先想清楚画面里发生了什么变化，再用结构把它写下来”的思考顺序。我现在每次写新提示词之前，会先在纸上用三句话说清这条视频的开头、中间、结尾，然后才动键盘。这三句话往往比后面几百字的修饰更有决定作用。另外一个小技巧是，把每次生成的失败案例截图单独存一个文件夹，隔一周回头看，你会发现自己反复踩的其实是同一两个坑，改掉那一两个习惯，出片率能上一个台阶。