企业官网建设流程全解析

这次我们来看一套围绕 MiniMax H3 的提示词优化方法论：把“一句话生成专业 AI 短片”这件事，拆成可复用的 LLM 导演 Skill。

标题里提到的“提示词管家”“智能分镜”“脑洞模式”“强遵循度”，听起来像功能点，拆开看本质是一套提示词工程流程。它解决的是视频生成模型最常见的问题：提示词写得太散、镜头感弱、模型不听话、前后画面不一致。很多人用 MiniMax H3 生成短片时不是模型不行，而是输入方式太随意，导致输出质量不稳定。

这篇文章会说明这套导演 Skill 能做什么、适合什么人、怎么部署、怎么调用、怎么批量跑，然后从模块设计、强遵循度实现、智能分镜和脑洞模式四个方向拆解工作流，最后补上接口调用示例、性能观察、常见问题排查和合规使用边界。想用 MiniMax H3 做 AI 短片，或者想给自己的视频工作流加一套可控提示词管理方式，这篇文章可以直接收藏。

1. 核心能力速览

MiniMax H3 的本地部署参数、蒸馏模型版本、推荐配置和整合包方案，社区里有不少讨论，但不同版本差异较大。正文中只给通用验证流程，具体显存数字、端口路径和脚本名称以官方文档和本机测试为准，不替任何整合包背书。

2. 适用场景与使用边界

2.1 适合谁

• 用 MiniMax H3 做短视频、广告短片、概念片的人，希望从“反复改提示词碰运气”变成“结构化生成分镜”。
• 需要批量产出分镜脚本的团队，比如一个项目要出几十条创意方向，每一条都要有镜头级提示词。
• 想研究提示词工程方法的人，包括 LLM Skill、提示词模板、结构化输出、约束生成等方向。
• 已经把 MiniMax H3 接入 ComfyUI 工作流的用户，需要一套把 LLM 和视频模型配合起来的中间层。

2.2 能解决什么问题

一句话输入太笼统时，模型容易自由发挥，画面和文案对不上。导演 Skill 把输入拆成“故事梗概 + 风格 + 时长 + 镜头数量 + 约束条件”，生成结果会更接近用户预期。

分镜手写效率低，镜头之间缺乏延续性。Skill 通过结构化分镜模板强制生成镜头编号、景别、运镜、转场、时长、画面描述，让多镜头内容在语义上保持连贯。

提示词风格不统一，换一个人操作结果差异很大。Skill 把提示词范式固化，减少个人表达差异对生成结果的影响。

2.3 不适合什么场景

想完全不看生成结果、自动输出完整成品电影，这超出了提示词工程的能力范围。视频生成仍然需要人工筛选关键镜头，提示词只能提高命中率，不能保证每帧完美。

对画面有精确帧级控制需求，例如必须指定某一秒的准确动作轨迹，需要配合 ControlNet、运动笔刷等帧级控制方案，单纯提示词不够用。

涉及真实人物肖像、受版权保护的音乐和画面素材时，不能因为“提示词看起来正常”就直接商用。必须先确认授权。

3. MiniMax H3 提示词优化核心思路：为什么需要导演 Skill

直接给视频生成模型写长提示词，通常有三个问题。

第一，模型对长文本的关注会衰减。很多视频生成模型不是把提示词逐字执行，而是提取关键语义。一段 200 字的提示词里，真正被模型执行的可能是前 80 字。如果核心动作和主体放在后半段，结果就会偏离。

第二，镜头语言缺失。普通用户写提示词会写“一个女孩在街道上走”，但导演会写“中景，跟拍运镜，女孩从画面左侧走入，环境光为黄昏侧光，背景街道有轻微景深，镜头缓慢推进”。后者包含景别、运镜、光线、构图、运动方向，模型能理解的细节完全不同。

第三，参数和提示词没有联动。同样的提示词，在分辨率、步数、帧率、首尾帧不同时，效果差异巨大。导演 Skill 会把参数建议和提示词一起输出，减少人工试错。

所以“导演 Skill”的本质是：在用户和视频生成模型之间加一层结构化的提示词转换器。它先理解用户的一句话需求，再按导演视角拆成镜头级描述，最后输出模型更容易执行的提示词和参数建议。

核心思路可以归纳为一条链路：

一句话需求 -> 意图解析 -> 创意发散（脑洞模式） -> 分镜结构化 -> 镜头级提示词 + 参数约束 -> 视频模型生成 -> 效果反馈 -> 提示词修正

这条链路里，最值得花时间的是“分镜结构化”和“参数约束”两段。分镜决定画面叙事是否完整，参数约束决定模型是否听话。

4. 提示词优化 Skill 设计：模块拆解与强遵循度实现

4.1 五个核心模块

一套完整的导演 Skill，可以拆成五个模块：

1. 意图解析器：把用户的一句话拆成故事主体、动作、环境、时间、风格、情绪六个维度。
2. 创意发散器：在脑洞模式下，基于同一意图生成多个不同叙事方向，供用户选择。
3. 分镜生成器：把选定方向拆成镜头列表，每个镜头包含镜头号、景别、运镜、画面描述、台词、时长、转场方式。
4. 提示词编译器：把每个镜头编译为目标视频模型适用的提示词，同时输出负面提示词建议。
5. 参数建议器：根据镜头类型和生成需求，输出分辨率、帧率、步数、首尾帧等参数建议。

这五个模块不一定都要做成独立脚本，也可以在一个提示词模板里完成。关键是输出结构要稳定，方便程序解析。

4.2 强遵循度的实现方法

“强遵循度”不是模型自带的能力，而是通过提示词结构和验证流程设计出来的。

第一种方法是结构化输出约束。要求 LLM 只输出 JSON，并且字段名固定，这样后续脚本可以直接解析，也减少了模型自由发挥的空间。示例：

{ "shot_id": 1, "scene": "城市天台", "subject": "穿白色风衣的女生", "action": "回头看向镜头，微笑", "camera": "中景，缓慢推进", "lighting": "黄昏金色侧光", "duration_seconds": 4, "transition": "叠化", "prompt": "medium shot, slow push in, a woman in white trench coat turns back and smiles at camera, golden hour side lighting, city rooftop background, shallow depth of field", "negative_prompt": "blurry face, extra fingers, distorted limbs, oversaturated, low quality" }

第二种方法是步骤化约束。把提示词生成分成三步：先写画面主体，再写运镜与构图，最后写氛围与风格。每一步单独校验，防止模型把信息混在一起。

第三步是负面清单。在提示词模板中明确写出不要出现的内容，例如画面模糊、肢体扭曲、多余人脸、字幕乱码、水印等。负面清单写得越贴近模型常见缺陷，效果越好。

第四步是反馈修正循环。每次生成后把结果截图或描述回填给 LLM，让 LLM 判断是否符合导演意图，并输出修正后的提示词。这个循环能显著提高复杂分镜的稳定性。

4.3 一套可复用的 Skill 提示词模板

下面是一份适合加载到 LLM 客户端或 Skill 体系里的中文模板，可按实际项目调整：

你是一名专业影视导演，擅长把短视频创意拆解为可执行的分镜提示词。 用户会输入一段故事需求。请执行以下步骤： 步骤一：提取核心要素 - 主体是谁 - 在什么场景 - 做什么动作 - 什么时间与光线 - 什么视觉风格 - 什么情绪基调 步骤二：生成脑洞方案 给出 3 个不同方向的创意变体，每个方向 50 字以内。方向之间必须在叙事角度上有明显差异，例如一个走写实、一个走抽象、一个走强冲突。 步骤三：输出分镜 根据用户选择的方向，生成 5 到 10 个镜头。每个镜头必须包含： - shot_id：镜头编号 - scene：场景 - subject：主体 - action：动作 - camera：景别和运镜 - lighting：光线 - duration_seconds：时长 - transition：转场方式 - prompt：英文镜头提示词，50 词以内，按主体、动作、镜头、光线、风格顺序排列 - negative_prompt：负面提示词 要求： 1. 所有输出使用 JSON，不要额外解释。 2. prompt 必须使用英文，便于视频模型理解。 3. 主体信息在多个镜头间保持一致，不得中途改名。 4. 如果用户注明“强遵循度模式”，不要使用脑洞方案，直接按原文本语义生成分镜。

这份模板可以直接粘到 Claude Code、Codex、LLM Studio 或其他支持 Skill 的工具里使用。实际部署时建议把输出格式改成符合后续脚本解析的字段名。

5. 智能分镜与脑洞模式：一句话成片的工作流

5.1 一句话到分镜的转换流程

以“城市夜景里，一个机器人捡到一朵花”为例。

步骤一，用户输入：

城市夜景，机器人捡到一朵花，氛围温柔一点

步骤二，脑洞模式输出三个方向：

方向A：写实科幻。机器人是旧城区清洁工，雨夜在垃圾堆里发现一朵发光的花，动作迟疑，最后把它放进胸口收纳仓。 方向B：抽象诗意。霓虹灯构成花的轮廓，机器人由像素粒子组成，触摸花瓣时整个城市灯光跟随波动。 方向C：强冲突。机器人被追捕，捡花动作发生在逃跑停顿的两秒内，背后追光逼近，花朵是唯一暖色。

步骤三，用户选择方向 A，Skill 生成 6 个镜头的分镜 JSON。其中第一个镜头示例：

{ "shot_id": 1, "scene": "旧城区街道", "subject": "老旧的清洁机器人", "action": "在雨中停止移动，低头看向地面", "camera": "远景转中景，缓慢下摇", "lighting": "路灯冷白光线，地面反光", "duration_seconds": 4, "transition": "硬切", "prompt": "wide shot, rain-soaked old city street, an old cleaning robot stops and looks down, camera slowly tilts down, cold streetlamp lighting, wet reflective ground", "negative_prompt": "extra limbs, distorted robot, text watermark, oversaturation" }

步骤四，把每个镜头的 prompt 按顺序交给 MiniMax H3 生成，并分段检查画面是否匹配。

5.2 智能分镜检查清单

分镜生成后，不要直接拿去生成视频。先检查以下内容：

• 主体一致性：同一主体在不同镜头中的称谓、穿扮、环境特征是否一致。
• 连续性：镜头之间的动作衔接是否合理，是否缺少过渡镜头。
• 时长合理性：单个镜头时长是否在模型支持范围内。
• 运镜可行性：是否有模型难以实现的大幅运镜，例如快速摇移、穿墙运镜。
• 负面清单覆盖：是否补充了当前模型容易出现的人脸、手指、文字崩坏问题。

检查可以在脚本里自动完成一部分。例如用字符串匹配检查主题词是否在所有镜头中出现，用长度限制检查 prompt 是否超长。另一部分需要人工判断，尤其是镜头衔接和情绪连续性。

5.3 脑洞模式实现方式

脑洞模式的核心是降低约束，让 LLM 在发散阶段不急着贴合原文本，而是给出多个叙事变体。实现方式是在调用 LLM 时提高 temperature，并调整提示词中的约束语气：

你是创意导演。请基于用户的故事关键词，给出 5 个方向完全不同的叙事创意。 暂时不要考虑可行性和成本，只追求画面、情绪和叙事结构的差异。 每个创意 80 字以内，用编号列出。

脑洞模式和强遵循度并不冲突。脑洞模式用于创意发散阶段，强遵循度用于分镜编译阶段。两者分离后，创意阶段可以放开约束，执行阶段再收回来，既不会失去想象力，也不会让模型跑偏。

6. 环境准备与部署方式

6.1 两种运行路径

MiniMax H3 提示词优化 Skill 的运行环境，取决于你使用视频模型的方式。

路径一：线上 API 方式。LLM 负责提示词优化，视频生成走 MiniMax H3 或类似视频模型的 API。这种方式不需要本地 GPU，只需要安装 Python 环境和对应 SDK。适合大部分内容创作者。

路径二：本地部署方式。MiniMax H3 本地整合包、蒸馏模型或 ComfyUI 工作流，需要一定的显卡显存和磁盘空间。社区讨论里常提到推荐配置、整合包、ComfyUI 与 LLM 是否同机等话题，但不同版本差异很大，建议以你实际下载的整合包说明为准。

6.2 通用环境检查清单

无论走哪条路径，建议先按下面的清单检查环境：

6.3 启动步骤

如果使用整合包，一般流程是解压、双击启动脚本、等待服务地址出现。这里给出一个通用启动示例，实际脚本名需要按项目替换：

# 1. 创建虚拟环境 python -m venv venv # 2. 激活虚拟环境（Windows） venv\Scripts\activate # 3. 安装依赖（按实际 requirements 文件） pip install -r requirements.txt # 4. 启动服务，host 和 port 按实际脚本调整 python app.py --host 127.0.0.1 --port 7860

启动后打开浏览器访问本机端口，能看到 WebUI 或 API 文档页面，说明服务已正常启动。

如果遇到端口被占用，可以换一个端口：

python app.py --host 127.0.0.1 --port 7861

如果本地显存不足，优先降低生成分辨率、减少批量数、关闭不必要的后台程序，或者改用线上 API。

7. 接口 API 与批量任务：把 Skill 变成服务

提示词 Skill 不只是聊天模板。把它封装成 HTTP 服务后，可以接入批量分镜脚本、自动化视频流程和团队协同工具。

7.1 LLM 提示词优化 API 调用示例

下面是调用本地或线上 LLM 生成分镜的 Python 示例，假设 LLM 服务地址为http://127.0.0.1:8000/v1/chat/completions，该地址需按实际项目替换：

import requests import json url = "http://127.0.0.1:8000/v1/chat/completions" template = """ 你是一名专业影视导演。根据用户需求输出分镜 JSON。 要求：只输出 JSON，不要多余解释。包含 shot_id, scene, subject, action, camera, lighting, duration_seconds, transition, prompt, negative_prompt 字段。 用户需求：{user_input} 强遵循度模式：{strict_mode} """ payload = { "model": "your-llm-model-name", "messages": [ {"role": "system", "content": "你是一个结构化提示词生成工具。"}, {"role": "user", "content": template.format( user_input="城市夜景，一个机器人捡到一朵花，氛围温柔一点", strict_mode="是" )} ], "temperature": 0.3, "max_tokens": 2000 } response = requests.post(url, json=payload, timeout=120) data = response.json() # 提取模型输出，按实际返回结构解析 content = data["choices"][0]["message"]["content"] shots = json.loads(content) print(json.dumps(shots, ensure_ascii=False, indent=2))

需要注意：不同 LLM 服务的返回结构不同，有的返回data，有的返回choices，有的输出内容会附带 markdown 代码块，需要先清洗再解析 JSON。

7.2 视频模型生成 API 调用示例

如果 MiniMax H3 提供生成接口，调用模式通常类似：

import requests url = "https://api.example.com/v1/video/generate" payload = { "prompt": shots[0]["prompt"], "negative_prompt": shots[0]["negative_prompt"], "resolution": "1280x720", "duration_seconds": shots[0]["duration_seconds"], "callback_url": "http://your-server/callback" } headers = { "Authorization": "Bearer YOUR_API_KEY" } response = requests.post(url, json=payload, headers=headers, timeout=60) print(response.json())

以上地址、参数名、鉴权方式都是通用示例，实际必须按 MiniMax H3 对应 API 文档替换。接口文档通常可以在模型官网或对应 SDK 仓库找到。

7.3 批量任务设计

批量场景下，建议把任务拆成三个目录层级：

project/ ├── inputs/ # 原始需求，一行一个任务 ├── shots/ # LLM 生成的中间分镜 JSON └── outputs/ # 视频生成结果

批量处理脚本需要具备三个能力：进度记录、失败重试、断点续跑。每个任务处理完后写入状态文件，崩溃后重新运行时跳过已完成任务。示例：

import json import time import requests task_file = "./inputs/tasks.jsonl" state_file = "./tasks_state.json" # 读取已完成任务状态 done = set() try: with open(state_file, "r", encoding="utf-8") as f: done = set(json.load(f)) except FileNotFoundError: pass with open(task_file, "r", encoding="utf-8") as f: for line in f: task = json.loads(line.strip()) task_id = task["id"] if task_id in done: continue # 执行 LLM 分镜生成 try: # 调用 LLM ... time.sleep(1) done.add(task_id) # 每处理一个任务就保存状态 with open(state_file, "w", encoding="utf-8") as fw: json.dump(list(done), fw) except Exception as e: print(f"task {task_id} failed: {e}")

批量任务建议加限速，避免短时间请求过多触发服务限流。遇到 429 或 503 错误时，做指数退避重试。

8. 资源占用与性能观察

8.1 如何观察显存和内存占用

本地部署场景下，在生成视频的过程中，另开一个终端执行：

nvidia-smi -l 2

这个命令每 2 秒刷新一次显卡状态。重点看两列：Memory-Usage和GPU-Util。显存占用是判断当前参数能否稳定运行的关键指标。

Llama 这类 LLM 也可以用nvidia-smi观察，但显存占用需要以实际模型版本和推理参数为准，不要只看网上说的数字。分辨率越大、批量数越高、上下文越长，显存占用越高。

8.2 影响性能的主要因素

视频生成场景下，影响性能的因素比纯文本生成更多：

• 分辨率：1280x720 通常比 1920x1080 快很多，显存压力也小很多。
• 帧数/时长：生成时长越长，推理开销越大。
• 批量数：同一批生成多个镜头会显著增加显存峰值。
• 提示词长度：过长的 prompt 可能影响首帧延迟。
• 本地 LLM 和视频模型同机：如果 LLM 和视频模型同时跑在同一张显卡上，显存竞争会导致生成变慢甚至报错。优先把 LLM 放到 CPU 或单独的 API 服务上。

8.3 如何降低资源占用

先降低分辨率和时长，验证分镜提示词是否匹配，再逐步提高参数。这比直接跑高参数更省时间。

本地显存不足时，可以优先处理流程：先让 LLM 在 CPU 上跑分镜生成，再把分镜提示词交给视频模型 GPU 推理。分镜阶段对硬件要求低，视频生成阶段才需要大显存。

9. 常见问题与排查方法

10. 最佳实践与合规提醒

10.1 工程化实践

第一次跑通流程时，不要直接上高分辨率。先用 480p 和 3 秒镜头验证分镜提示词，确认画面主体、运镜和氛围符合预期，再提高到 720p 或更长时间。

保留一套最小可运行配置，包括 LLM 模板、分镜 JSON 格式、视频模型参数。后续测试新创意时，只改输入需求，不要动核心模板，保证结果可对比。

模型文件、输入素材、中间分镜、最终视频分目录管理。尤其是批量任务，每个任务的状态文件和工作目录要严格对应，方便断点续跑和结果回溯。

接口服务只监听本机地址，不要暴露到公网。如果是团队使用，在前面加一层鉴权服务或使用内网部署。

10.2 内容合规

视频生成能力涉及真实人物肖像、音乐版权、品牌素材和文字内容，使用前必须确认授权。涉及真实人物时，建议使用非真实身份或取得明确的肖像授权。

不要在提示词中生成违反平台规范、侵犯他人权益、暴露他人隐私的内容。脑洞模式会发散出不可预期的方向，生成前必须人工筛选创意方案。

发布或商用前做效果复核，尤其是字幕、商标、人物形象和敏感场景。提示词工程不改变合规责任，生成结果的责任始终在发布方。

11. 总结与后续扩展

这套导演 Skill 最值得尝试的点，是把 MiniMax H3 的提示词输入从“一句话碰运气”升级为“结构化分镜输出”。最先应该验证的是分镜 JSON 的稳定性和镜头间主体一致性。最容易踩的坑是 LLM 输出格式不稳定，以及提示词太长导致视频模型执行偏离。

后续可以扩展的方向包括：接入首尾帧控制，让镜头间衔接更自然；把用户的反馈自动回填到提示词模板，形成个人风格库；把分镜结果接入剪辑软件的时间线，减少手工搬运动作。

建议收藏备用。先用一句话测试跑通流程，再逐步增加镜头数量和风格约束，最终形成适合自己项目的提示词工作流。