六段式提示词：
把“感觉”翻译成
模型听得懂的参数

大多数人写视频提示词，写的是一段描述：
“一个女孩在雨里回头，电影感，史诗，8K。”
出来的东西通常不难看，但不可控。换一个 seed 就换一个世界。问题不在词不够多，而在这段话没有告诉模型：什么不能变。

01六段结构

我们跑通的写法把一段话拆成六块。格式本身不重要，重要的是每一块只回答一个问题。

subject_definitions:
  把主体写死：外貌、服装、可辨识特征

summary:
  一句话说清任务：时长、景别、事件

retention_analysis:
  哪些特征必须保持不变（肯定句，不是“不要变”）

detailed_description:
  逐拍写动作与镜头动机，每拍只做一件事

overall_soundscape:
  环境声：雨、风、脚步、远处车流

non_diegetic_music:
  配乐：有没有、什么情绪、什么时候进

这六块里，真正决定稳定性的不是第一块，是第三块。

02为什么 retention_analysis 最重要

写“不要改变她的脸”是没用的。模型不知道该守住哪些像素。要写成能核对的东西：

retention_analysis:
  <Subject 1> fully_preserved —
  短发、深蓝色外套、左眉骨上方的浅疤、
  耳后别着的一支铅笔；雨从右向左斜落。

“不能变”的清单越具体，模型发挥的空间越小，画面越稳。反过来，如果你只写“保持人物一致”，模型会自己决定哪里一致——通常不会是你想要的那个地方。

03逐拍不是写作文

detailed_description 是时间码，不是文学描写。每一拍只做一件事：

[0.0–0.6s] 她停下脚步，肩膀先转，头最后转。
[0.6–1.5s] 镜头不动，雨从右往左。
[1.5–2.2s] 她抬眼，视线越过镜头。
[2.2–3.0s] 她开口，没有说话。

一拍里塞两个动作，模型就会在中间自己补一个。补出来的那一下，通常就是“AI 味”的来源。

04我们踩过的坑

• 弱化副词会被直接忽略。“缓缓推近”几乎必败，“急速推近”偶尔成功。要么写清时间和幅度——“1.2 秒内从全景推到中景”——要么干脆不要运镜。
• 首帧锁死画风。图生视频的第一帧是什么画风，后面就出不来别的。想要实拍质感，用文生视频，不要拿动漫图去图生视频。
• 人形是重灾区。手、多人同框、快速转身，三样占了两样就容易崩。静物、产品、食物的容错率高得多。
• 负面词要配正面限定。只写“不要文字”不够，要写“画面里只有人物和雨，墙面干净”。告诉模型该看什么，比告诉它别看什么有用。
• 动作要单一明确。掀牌、倒水、翻页这种单关节动作最稳。别写“她转身抽出刀顺势劈下”。
• “不生动”先查动作和运镜。我们实测过 30fps、150 帧、0% 重复帧，仍然被判“卡”——问题在动作设计，不在帧率。

05发布前检查表

六段式不是格式崇拜。它逼你把“我觉得好看”拆成“模型能执行的条件”。能拆开，才能复现；能复现，才谈得上交付。