用 AI 生成一个十几秒的好看画面，现在已经不算特别困难。
真正困难的是：
当一个故事需要几十个镜头、多个场景和多次生成时，怎样让人物、画风、剧情状态和情绪保持连贯；
抽卡失败后，怎样以最小的成本去修改，只解决出问题的部分，而不是把整段视频全部推倒重来。
（文章最后有附录提示词，如果嫌本文太长不想看，可以直接复制附录提示词到GPT即可立刻尝试）
这次，我们以《瑾声》为案例，尝试把一部长篇剧本转化为一支约四分半钟的 AI 叙事短片。
因为原剧本较长，不原创剧本，所以我们没有一开始就追求全篇生成，而是先选择了其中一段相对完整、能够独立呈现的内容。最终，这部分剧情被拆成20个彼此独立的视频段，再通过剪辑组成完整短片。
在这个过程中，我们逐渐整理出一套可以重复使用的制作方法。
如果只是想快速看懂整个方法，记住下面五个阶段就够了；
如果准备真正开始制作，再使用后文的完整工作流、确认节点和启动提示词。
整个流程，可以先理解成五个阶段
图注：先确定做多少，再把剧本变成可生成的导演镜头脚本，随后准备资产、批量生成，最后通过剪辑和局部返修完成成片。
这五个阶段分别是：
- 确定制作范围
- 剧本变成导演镜头脚本
- 制作并绑定视觉资产
- 试拍与 Agent 批量生成
- 剪辑、返修与成片
它们是帮助读者快速理解的“认知框架”。
真正执行时，每个阶段内部还会包含判断、确认、冻结、返修和回退。因此，文章后面还会提供一张更完整的执行工作流。
本项目使用了哪些工具？
这套方法并不依赖某一个固定软件，但需要区分四类工作：
- 剧本分析、导演规划与质量审核
- 人物和场景等视觉资产制作
- 视频生成与批量任务分发
- 剪辑、声音、字幕与最终输出
本项目的主要工具组合如下。
1. 规划端：ChatGPT Work＋GPT-5.6 Sol
ChatGPT Work，也就是工作模式，负责管理较长的工作流程、读取剧本、拆解任务、记录确认结果，并在每个阶段等待人工审核。
官方将 Work 定位为可以结合目标、文件和上下文，完成文档、表格、演示文稿等可持续审阅成果的工作模式。
GPT-5.6 Sol 则用于剧本分析、导演镜头规划、连续性检查、提示词整理和生成结果的质量判断。官方将它定位为适合复杂专业工作的前沿模型。
图注：规划端使用工作模式和 GPT-5.6 Sol，负责拆解、规划、检查和阶段确认。
2. 资产端：ChatGPT 图片生成
人物设定图、服装参考图、场景参考图和关键道具图，可以直接在 ChatGPT 中生成和调整。
我的实际经验是：工作模式适合管理整个项目，但如果某一张人物图或场景图反复生成不理想，可以把已经确认的资产描述和参考图单独带到普通聊天中迭代图片。
这并不是说两种模式一定存在固定的质量差异，而是单张图片在普通聊天中往往更容易集中调整，不会被整个项目的复杂上下文干扰。
3. 生成端：即梦画布 Agent＋Seedance
本项目的视频生成部分使用了即梦画布中的 Agent 模式，并采用 Seedance 2.0 Mini 进行视频生成。
这里需要区分“Agent”和“视频模型”：
- 视频模型负责真正生成某一个视频段。
- Agent 更像一个可以对话的任务助手，负责读取要求、匹配资产、分发任务和组织多段生成。
也就是说，我们可以一次把多段任务交给 Agent，但它并不是直接生成一条超长视频，而是把这些内容分配成多个彼此独立的视频生成任务。
图注：生成端使用即梦画布 Agent 模式，设置16:9画幅，并选择相应的视频生成模型。
需要说明的是，本文记录的是本项目制作时的工具状态。模型版本、单段时长、批量数量、积分价格和界面功能都可能继续变化。
因此，真正开始一个新项目之前，必须重新确认当前工具的能力边界，不能把本文中的具体数字当成永久规则。
第一阶段：先确定制作范围
很多项目并不是败在生成质量上，而是败在一开始没有决定“究竟要做多少”。
制作范围一旦没有确定，后面的镜头脚本、资产数量、生成成本和制作周期都会处于不断变化的状态。
图注：先确认项目目标、原作核心、工具能力和生成成本，再决定全篇完成、分期完成，还是选择一个相对完整的片段。
一部长篇剧本通常可以采用三种制作方式。
方式一：全篇一次完成
适合以下情况：
- 剧本本身不长
- 故事已经比较完善
- 总时长和预算可控
- 希望最终得到一部完整作品
这里的“一次完成”，指的是在同一个制作周期内完成整个剧本，并不是让视频模型一次生成一条超长视频。
如果是自己创作、已经打磨成熟的剧本，只要工具、时间和预算允许，通常可以优先考虑全篇制作。
方式二：全篇分期完成
适合以下情况：
- 故事值得完整制作
- 但一次完成的成本、时长或管理难度过高
- 可以按照章节、场景或剧情单元分期推进
这种方式并不是放弃完整作品，而是先把完整目标拆成多个制作周期。
方式三：选择一个相对完整的片段
适合以下情况：
- 原剧本非常长
- 当前项目主要用于测试方法
- 预算有限
- 原作不是自己的作品
- 只需要呈现其中一个完整的戏剧单元
《瑾声》采用的就是这种方式：从长篇剧本中选择一段相对完整的内容，最终制作成约四分半钟的叙事短片。
关键是：这个决定必须在拆镜头之前完成。
如果做到一半才发现预算不够、模型时长不够，前面已经写好的镜头、资产和提示词都会受到影响。
同时确认工具边界
确定内容范围时，还要一起确认：
- 当前模型单次最多能生成多长
- 支持哪些画幅和分辨率
- 支持首尾帧、图片参考还是全能参考
- 每次任务可以引用多少资产
- Agent 一次可以分发多少任务
- Agent 是否会自动改写提示词
- 每段生成消耗多少积分
- 需要预留多少试拍和返修成本
本项目采用的是5—15秒左右的独立视频段，但这只是当时的项目方案，不是所有模型都必须采用这个长度。
先估算成本，再决定范围
在本项目制作时，Seedance 2.0 Mini 在不打折的情况下，生成一个15秒视频段消耗130积分。
这只是本项目当时的历史成本记录，不代表现在或其他模型仍然采用同样的价格。
可以先用下面的方式做粗略预算：
- 基础生成成本＝预计视频段数量×单段积分
项目预算＝基础生成成本＋试拍成本＋返修预留
如果预计生成20段，就不能只准备20段的积分，还要为高风险片段试拍、失败重生和局部补拍留出空间。
第一阶段最终需要确认的，不是一句模糊的“我要做一支视频”，而是一张明确的范围说明：
- 做全篇、分期还是节选
- 目标成片时长
- 目标平台和画幅
- 视觉风格
- 声音和台词方案
- 使用的模型与工具
- 大致视频段数量
- 成本与返修余量
第二阶段：把剧本变成导演镜头脚本
原始剧本不能直接等同于视频生成提示词。
剧本主要描述人物、事件、台词和情绪；视频模型需要知道的则是：
- 当前画面里有什么
- 人物从什么状态开始
- 人物做了什么动作
- 摄影机怎样观察
- 镜头什么时候切换
- 这一段最终停在什么状态
因此，我们需要先把剧本转化成导演镜头脚本。
图注：先把故事拆成独立视频段，再继续拆成具体镜头；为每个镜头分配时长，并检查动作、台词、情绪和剪辑连续性。
先区分“视频段”和“镜头”
这两个概念不能混在一起。
视频段
一个视频段，对应一次独立的视频生成任务。
例如第1段、第2段、第3段，分别由视频模型单独生成。
镜头
镜头是一个视频段内部的画面单位。
例如一个15秒视频段内部，可以包含：
- 镜头一：人物走进房间
- 镜头二：切到另一个人物的反应
- 镜头三：两人对话
- 镜头四：特写某个关键道具
因此，一次视频生成不一定只有一个镜头。
为什么每个视频段内部还要继续拆镜头？
主要有三个原因。
第一，控制节奏
如果只告诉模型“生成一段15秒的两人对话”，模型很可能自行决定景别、节奏和动作，结果未必符合叙事需要。
拆成镜头一、镜头二、镜头三以后，画面重点和时间分配会更加明确。
第二，让不同视频段通过剪辑自然连接
传统的连续生成方式，经常会把上一段结尾作为下一段首帧，以此约束人物位置和画面连续性。
这种方法适合：
- 一镜到底
- 连续运动
- 精确的镜头延续
- 必须保持同一动作轨迹的场面
但长篇叙事通常包含大量镜头切换，并不需要每一段都严格首尾相接。
本项目采用的是另一种思路：
- 每个视频段独立生成，不使用上一段结尾作为下一段首帧；视频段之间依靠正常的镜头切换和状态连续性完成衔接。
我们放弃的是严格的“帧级连续”，但仍然保留：
- 人物身份连续
- 服装连续
- 场景和时间连续
- 道具状态连续
- 动作结果连续
- 情绪连续
- 视线和轴线连续
- 光线与整体风格连续
这样既减少了首尾帧接力带来的僵硬，也更接近传统影视剪辑的工作方式。
第三，为后期返修留下最小修改单位
如果一个15秒视频段里有四个镜头，其中只有第三个镜头出现问题，我们可以：
- 删除第三个镜头
- 缩短第三个镜头
- 用其他素材替换
- 只补拍一个新镜头
不一定要把整段15秒视频全部重新生成。
这也是为什么镜头拆分不仅服务于生成，还直接决定后期返工成本。
按什么规则拆分视频段？
可以综合考虑以下因素：
- 场景是否发生变化
- 时间是否发生变化
- 人物动作是否形成一个完整单位
- 情绪是否完成一次转折
- 台词是否能在限定时长内自然说完
- 当前模型允许的单次生成时长
- 这一段是否拥有明确的开始状态和结束状态
- 生成后是否容易与前后素材进行剪辑
每一个视频段都应该能回答两个问题：
- 这一段从什么状态开始？
- 这一段结束以后，下一段继承什么状态？
导演镜头脚本可以使用下面的格式
第X段｜预计时长：15秒
剧情目标：
这一段需要完成什么叙事任务？
开始状态：
人物、场景、道具、情绪和动作分别处于什么状态？
镜头一｜预计X秒：
景别、机位、人物动作、表情、台词、环境变化。
镜头二｜预计X秒：
景别、机位、人物动作、表情、台词、环境变化。
镜头三｜预计X秒：
景别、机位、人物动作、表情、台词、环境变化。
结束状态：
这一段最终停在哪里？下一段需要继承什么？
资产绑定：
使用哪些人物图、服装图、场景图和道具图？
禁止项：
不能出现哪些人物、动作、物品、字幕或画面变化？
每个镜头都需要分配建议时长，而且各镜头时长相加不能超过视频段总时长。
写完以后，还要逐段检查：
- 动作和台词是否真的装得下
- 人物左右方向是否前后矛盾
- 道具是否突然出现或消失
- 动作是否违反空间关系和基本物理逻辑
- 情绪转折是否过快
- 镜头切换是否具有剪辑依据
- 结束状态能否自然连接下一段
导演镜头脚本确认后，应当先冻结版本，再开始制作资产。
第三阶段：制作并绑定视觉资产
不要一拿到剧本就开始大量生成人物图和场景图。
更稳妥的顺序是：
- 先完成导演镜头脚本，再从镜头脚本反推最少必要资产。
因为只有镜头确定以后，我们才真正知道哪些内容会进入画面。
图注：从已经冻结的导演镜头脚本反推最少必要资产，再统一编号、绑定段落并冻结版本。
资产主要包括四类
人物资产
包括：
- 脸部与发型
- 年龄和气质
- 身材比例
- 正面、侧面和背面
- 主要表情
- 明确的识别特征
服装资产
同一人物如果在不同时间或场景中更换服装，需要单独编号，不能只写“穿黑色衣服”。
场景资产
包括：
- 空间整体结构
- 入口和出口
- 主要家具位置
- 光源方向
- 时间与天气
- 可供镜头使用的不同视角
关键道具资产
只有真正影响剧情或需要特写的道具，才值得单独制作。
普通杯子、桌椅等通用物品没有必要全部生成资产，否则资产数量越多，管理成本反而越高。
资产可以来自三个方向
- 已经存在的参考图片
- 从成功视频中截取的稳定关键帧
- 重新生成的最少必要资产
确认以后，需要为每一张资产建立明确名称和版本，例如：
P01_周瑾_黑色便装_V3
P02_江寒声_灰褐针织衫_V2
S01_控制中心_夜景_V2
S02_公寓卧室_夜景_V4
D01_离婚协议_V1
随后，把资产编号绑定到具体的视频段和镜头。
不要只写“参考男主角图片”，而应该写成：
- 第6段使用 P01_V3、P02_V2 和 S02_V4。
这样即使以后更换某一张图，也能立即知道哪些视频段会受到影响。
图注：《瑾声》项目最终锁定的人物资产和场景资产。资产确认以后统一编号，并绑定到对应的视频段。
资产一旦确认，就应当锁定版本。
除非后续发现人物身份、服装逻辑或场景结构存在根本问题，否则不要在批量生成过程中频繁更换参考图。
第四阶段：先试拍，再让 Agent 批量生成
镜头脚本和资产准备完成后，不要立刻生成全部视频。
先选择一个高风险片段进行试拍。
图注：先用高风险片段验证镜头脚本、资产、提示词和模型能力；试拍通过后，再让 Agent 分发多个独立生成任务。
什么是高风险片段？
例如：
- 两个人物同框并互动
- 有明确台词和口型
- 动作接触复杂
- 需要躺下、搀扶、拥抱等身体关系
- 存在镜面、屏幕或特殊道具
- 情绪变化明显
- 场景空间关系复杂
- 同时包含多个镜头切换
如果模型连最困难的片段都能基本完成，那么批量生成的风险会小很多。
如果试拍失败，也能提前发现问题究竟来自：
- 镜头脚本过于拥挤
- 动作难度过高
- 资产不稳定
- 场景结构不清
- 提示词存在歧义
- 当前模型能力不足
图注用一个15秒高风险片段验证人物、场景、动作和镜头执行效果，再决定是否批量生成。
Agent 不是视频模型，而是任务助手
使用即梦画布 Agent 时，可以把它理解成一个能够对话的制作助理。
它可以帮助我们：
- 读取多段提示词
- 为每一段匹配人物和场景资产
- 添加统一画幅和风格要求
- 建立多个独立的视频生成任务
- 协助管理生成结果
但正因为它能够理解和处理文本，它也可能“自作聪明”地改写提示词。
例如：
- 压缩内容
- 改变镜头顺序
- 合并动作
- 改写台词
- 删除它认为重复的信息
- 重新组织已经确认的镜头
所以，交给 Agent 的指令必须明确说明：
- Agent 只负责分发和补充，不得修改已经确认的主体提示词。
可直接使用的 Agent 批量生成指令
请一次并行生成10个彼此独立的16:9真人写实视频段落，对应第1段至第10段。
不使用上一段结尾作为下一段首帧。每个段落必须根据自己的开始状态，独立建立人物、场景和道具。
在为每一段分配任务时，请把我提供的该段主体提示词原原本本放入对应的视频生成任务中。
不得删减、概括、润色、改写、合并或重新安排其中的镜头、动作、台词和执行顺序。
你需要完成的工作只有：
1. 把该段需要使用的人物、服装、场景和道具资产放在提示词开头；
2. 补充统一的画幅、风格、画质、声音和全局规则；
3. 检查段落编号、资产编号与提示词是否正确对应；
4. 为每一段建立一个彼此独立的视频生成任务。
如果资产要求、全局规则和主体提示词之间出现冲突，不要自行修改主体提示词。请先指出冲突并等待我确认。
需要特别注意的是：
- 一次提交10段任务，不等于模型直接生成一条包含10段内容的长视频。
实际发生的是：
- 用户提交一组任务 → Agent 为每段建立独立任务 → 视频模型分别生成每一个视频段。
图注：一次向 Agent 提交任务，由 Agent 分配并生成10个彼此独立的视频段，而不是生成一条超长视频。
在正式提交前，建议再做一次预演检查：
- 每段编号是否正确
- 每段主体提示词是否完整
- 人物和场景资产是否匹配
- 开始状态是否明确
- 结束状态是否为后续剪辑留下空间
- 台词和动作是否能在限定时长内完成
- 是否错误继承了上一段的结尾画面
- Agent 是否被禁止改写主体提示词
本项目先完成了高风险片段试拍，随后分批生成其余视频段，并在同一个画布中保留资产、试拍、批量结果和补拍素材。
图注：《瑾声》项目完整画布：左侧整理人物与场景资产，中间完成高风险片段试拍并分批生成其余视频段，右侧保留生成结果，最终形成20段可供剪辑的素材。
这种画布式管理的价值，不只是“一次生成很多段”，而是让资产、任务、结果和返修记录处在同一个项目空间里，便于追踪每一段使用了什么参考、为什么失败，以及后来怎样修改。
第五阶段：剪辑、返修与成片
AI 视频生成完成，并不代表作品已经完成。
生成结果只是素材。真正的成片仍然需要剪辑判断。
图注：逐段看片，把问题定位到具体镜头，再根据问题层级进行删除、替换、补拍或重新生成。
先按照实际素材粗剪
不要机械地按照镜头脚本里的预计时长剪辑。
预计时长只是生成前的规划，最终应当根据实际素材判断：
- 哪个动作真正完成了
- 哪一秒的人物状态最自然
- 哪个镜头值得保留
- 哪些停顿可以缩短
- 哪些素材虽然生成成功，但对剧情没有帮助
先使用可用素材完成粗剪，再观察整体节奏。
按问题所在的层级返修
如果问题只出现在一个镜头，可以：
- 直接删除
- 缩短镜头
- 用其他素材替换
- 从成功视频中截取可用部分
- 单独补拍一个替代镜头
如果问题影响整个视频段，例如：
- 开始状态完全错误
- 人物身份明显漂移
- 场景不一致
- 核心动作没有完成
- 台词顺序错误
- 整段空间关系混乱
这时才需要重新生成整个视频段。
这也是前面坚持“视频段内部继续拆镜头”的原因：我们希望把返工单位从整段视频缩小到单个镜头。
多余镜头可以直接删除
不是每一个生成出来的镜头都必须使用。
如果某个镜头对剧情没有帮助，即使画面本身没有明显错误，也可以删掉。
剪辑不是对生成结果的被动拼接，而是最后一次叙事创作。
最后再处理字幕和声音
画面结构基本锁定后，再进行：
- 台词和画面对时
- 字幕制作
- 环境声补充
- 音效调整
- 音乐和情绪关系检查
- 音量平衡
- 最终导出
最后进行一次整体质量检查：
- 人物是否前后一致
- 服装、场景和道具是否连续
- 情绪是否连贯
- 轴线和视线是否造成误解
- 台词是否完整
- 字幕是否正确
- 是否出现多余人物、文字、水印或异常肢体
- 画幅、分辨率和声音规格是否符合发布平台要求
五个阶段和完整工作流是什么关系？
五个阶段是帮助人快速理解的方法框架：
- 确定做多少 → 写成可生成的镜头脚本 → 准备视觉参考 → 试拍并批量生成 → 剪辑成为完整成片
但真正执行时，还需要处理大量确认节点：
- 改编方案是否通过
- 视频段是否装得下动作和台词
- 导演镜头脚本是否冻结
- 资产版本是否确认
- 高风险试拍是否通过
- Agent 是否完整保留提示词
- 问题属于镜头、资产还是节奏
- 修改是否会影响之前已经确认的内容
因此：
- 五个阶段是让读者容易理解的认知模型；完整工作流是给真正准备动手制作的人使用的执行手册。
只想理解方法，记住五个阶段即可。
准备正式开始项目，再使用下面这张完整工作流图。
图注：建议下载点击放大查看，下文有这张总流程图的代码，若此图看不清，可直接复制代码到GPT中
这套方法真正解决了什么？
回头看，这套流程最重要的并不是增加了多少步骤，而是解决了几个实际问题。
1. 先确认做多少，避免做到一半才发现项目失控
全篇、分期和节选不是生成后的决定，而是项目开始前的制作决策。
2. 把文学剧本变成模型能够执行的导演镜头脚本
模型不只需要知道“发生了什么”，还需要知道画面从哪里开始、怎样变化、最后停在哪里。
3. 不强求所有视频段首尾帧相接
长篇叙事可以利用正常的镜头切换完成连接。独立生成每段，同时保持人物、状态、情绪和空间连续，往往更加灵活。
4. 把返工单位缩小到镜头
镜头拆得清楚，后期才能删除、替换或补拍局部，而不必反复重做整段视频。
5. 把 Agent 当作助手，而不是让它替导演做决定
Agent 可以分发任务和补充资产，但主体提示词、镜头顺序、动作和台词必须由已经确认的导演镜头脚本控制。
6. 每个关键阶段都需要确认和冻结
没有确认就继续向下推进，后面的资产、提示词和视频都会建立在不稳定的基础上。
真正减少返工的，不是让 AI 一次把所有事情都做完，而是让它在正确的节点停下来，等待人做决定。
附：开启新项目时，可直接发送给 ChatGPT Work 的提示词
下面这段提示词，可以在开始一个新剧本时直接使用。
建议新建一个 ChatGPT Work 项目，选择 GPT-5.6 Sol，并把这段提示词和“完整执行工作流图”一起发送。
- 你将担任本项目的：
1. AI叙事短片导演；
2. 导演镜头脚本策划师；
3. 视觉资产规划与版本管理助手；
4. 视频生成提示词整理员；
5. 生成质量检查员；
6. 剪辑与局部返修顾问。你的任务，是协助我把一份原始剧本逐步转化为可执行、可审核、可批量生成、可局部返修的AI叙事短片制作方案。
我会在下一条消息中提供剧本、参考资料和当前准备使用的工具。
请严格遵守以下工作方式。
【一、总体原则】
1. 不要在未经确认的情况下改写原作的重要情节、人物关系、核心台词、气质和留白。
2. 如果需要删减、重排、合并或进行视觉化改编，必须先说明理由和影响，等待我确认。
3. 整个项目只使用以下五个阶段，不要另外创造重复的步骤体系：第一阶段：确定制作范围；
第二阶段：剧本变成导演镜头脚本；
第三阶段：制作并绑定视觉资产；
第四阶段：试拍与Agent批量生成；
第五阶段：剪辑、返修与成片。4. 一次只推进一个阶段。当前阶段没有获得我的确认，不得自动进入下一阶段。
5. 每个阶段确认后，记录当前版本并视为冻结。
6. 如果后续修改会影响已经冻结的内容，必须先列出受影响的阶段、视频段、镜头或资产，等待我确认是否解锁。
7. 你负责提出专业建议、发现风险和检查错误，但最终决定由我确认。【二、第一阶段：确定制作范围】
收到剧本后，先完成以下工作：
1. 提取必须保留的情节、人物、台词、气质和留白；
2. 估算原剧本适合生成的总时长；
3. 判断更适合：
– 全篇一次完成；
– 全篇分期完成；
– 选择一个相对完整的片段；
4. 如果不能全篇生成，提出建议的内容边界，并说明为什么从这里开始、到这里结束；
5. 确认目标平台、画幅、视觉风格、声音方案和改编尺度；
6. 确认视频工具的能力边界，包括：
– 单段最长生成时长；
– 可用的图片或视频参考方式；
– Agent批量任务能力；
– Agent是否可能改写提示词；
– 单段成本及返修预算；
7. 给出预计成片时长、视频段数量和制作范围建议。完成后停止，等待我确认。
【三、第二阶段：剧本变成导演镜头脚本】
第一阶段确认后：
1. 把确认范围内的剧本拆成多个独立视频段；
2. 一个视频段对应一次独立的视频生成任务；
3. 每个视频段继续拆成镜头一、镜头二、镜头三；
4. 为每个镜头分配建议持续时长，并检查相加后是否超过视频段总时长；
5. 每个视频段必须写清：
– 剧情目标；
– 开始状态；
– 各镜头的景别、机位、动作、表情、台词和声音；
– 结束状态；
– 与前后段的剪辑关系；
– 资产需求；
– 禁止项；
6. 默认采用“独立视频段＋镜头剪辑连续”的方法，不强制使用上一段结尾作为下一段首帧；
7. 仍需检查人物身份、服装、场景、道具、动作结果、情绪、视线、轴线和光线的连续性；
8. 逐段检查动作、台词和情绪是否能在限定时长内完成；
9. 如果装不下，优先压缩动作、调整镜头时长或拆分视频段，不要让模型强行完成过多内容。完成后停止，等待我确认并冻结导演镜头脚本。
【四、第三阶段：制作并绑定视觉资产】
导演镜头脚本确认后：
1. 从已经冻结的镜头脚本反推最少必要资产；
2. 分别整理：
– 人物；
– 服装；
– 场景；
– 关键道具；
3. 不要生成镜头中不会实际出现的冗余资产；
4. 对已有图片、成功视频关键帧和仍需生成的资产进行分类；
5. 为每项资产建立明确编号、名称和版本；
6. 把资产绑定到对应的视频段和镜头；
7. 如果单张人物图或场景图在工作模式中反复生成不理想，可以建议我把已经确认的描述和参考图带到普通聊天中单独生成，但不得擅自改变资产设定；
8. 资产确认后冻结版本，不得在批量生成过程中随意更换。完成后停止，等待我确认。
【五、第四阶段：试拍与Agent批量生成】
资产确认后：
1. 选择一个动作、同框、台词、空间关系或情绪难度较高的视频段进行试拍；
2. 检查人物一致性、场景、动作、台词、镜头执行和整体风格；
3. 试拍没有通过时，先判断问题来自镜头脚本、资产、提示词还是模型能力；
4. 只有在试拍通过后，才整理批量生成任务；
5. 为每个视频段绑定正确的资产；
6. 编写Agent总指令时，必须明确：
– 每段是彼此独立的视频任务；
– 不使用上一段结尾作为下一段首帧；
– 每段根据自己的开始状态独立建立人物、场景和道具；
– 每段主体提示词原样保留；
– Agent不得删减、概括、润色、改写、合并或重新安排镜头、动作、台词和顺序；
– Agent只负责补充资产、全局风格、画幅、画质和规则，并建立独立任务；
7. 批量提交前，检查段落编号、资产编号、开始状态、结束状态、时长、台词和禁止项；
8. 如果发现冲突，不得自行修改已经冻结的主体提示词，必须先报告。完成后停止，等待我确认是否提交生成。
【六、第五阶段：剪辑、返修与成片】
收到生成素材后：
1. 按照实际可用素材规划粗剪，不机械照搬预计时长；
2. 逐段看片，并把问题定位到具体镜头；
3. 如果只影响一个镜头，优先建议：
– 删除；
– 缩短；
– 替换；
– 截取其他可用素材；
– 单独补拍；
4. 只有当开始状态、人物身份、场景、核心动作、台词顺序或整段逻辑错误时，才建议重新生成整个视频段；
5. 对资产漂移、动作错误、台词问题和节奏问题分别提出解决方案；
6. 画面结构锁定以后，再处理字幕、声音、音乐、终检和导出；
7. 最终检查人物、服装、场景、道具、情绪、轴线、台词、字幕、声音、异常画面和发布规格。【七、每个阶段的输出格式】
每次只输出当前阶段，并按以下结构组织：
1. 当前阶段目标；
2. 分析与判断；
3. 本阶段结果；
4. 风险和待确认问题；
5. 需要我作出的决定。每个阶段结尾必须写：
“以上为当前阶段结果。请审核；如果没有问题，请回复‘确认’，我再进入下一阶段。”
当你第一次收到本提示词和工作流图时，不要提前分析尚未发送的剧本，只回复：
“工作流程已载入。请发送剧本、参考图片、目标成片风格，以及已经确定的视频工具和限制。收到后，我将从第一阶段开始。”
flowchart TD
A[“提供原始剧本与参考资料”] –> B[“明确项目目标<br/>平台、画幅、风格、目标时长、声音、改编尺度”]
B –> C[“提取原作核心<br/>必须保留的情节、人物、台词、气质与留白”]
C –> C1[“估算完整剧本时长与制作成本<br/>核对模型时长、批量能力、参考方式与积分”]
C1 –> C2{“是否全篇生成？”}
C2 — “是” –> D[“可视化适配与节奏规划<br/>叙事节点、注意力曲线、核心段与可选段”]
C2 — “否” –> C3[“选择分期制作<br/>或截取相对完整的剧情片段”]
C3 –> D
D –> E{“改编方案确认？”}
E — “否” –> D
E — “是” –> F[“拆成5—15秒独立视频段<br/>一段对应一次视频生成”]
F –> G[“编写导演镜头脚本<br/>每段继续拆成镜头一、镜头二、镜头三……”]
G –> H[“为每个镜头分配建议持续时长<br/>相加校验段落总时长”]
H –> I{“动作、台词与情绪装得下吗？”}
I — “否” –> J[“压缩动作、调整时长或拆分段落”]
J –> G
I — “是” –> K[“逐段逐镜头技术排错<br/>方向、动作、空间、物理、道具、切镜、台词”]
K –> L{“导演镜头脚本确认并冻结？”}
L — “否” –> M[“只修改问题段落或问题镜头”]
M –> H
L — “是” –> N[“反推并压缩资产清单<br/>角色、服装、场景、关键道具”]
N –> O{“资产来源？”}
O — “已有图片” –> P[“整理现有资产”]
O — “已有成功视频” –> Q[“截取稳定关键帧”]
O — “仍然缺少” –> R[“生成最少必要资产<br/>Work效果不理想时可转聊天模式生成”]
P –> S[“统一资产名称、版本与继承规则”]
Q –> S
R –> S
S –> T{“资产确认并冻结？”}
T — “否” –> N
T — “是” –> U[“将资产绑定到对应段落和镜头”]
U –> U1[“选择连续性或动作风险较高的<br/>一个视频段进行试拍”]
U1 –> U2{“试拍是否通过？”}
U2 — “否” –> U3[“定位并修改受影响的<br/>镜头脚本、资产或提示词”]
U3 –> U1
U2 — “是” –> V[“整合即梦Agent总指令<br/>全局规则＋资产绑定＋各段独立提示词<br/>禁止Agent改写镜头主体提示词”]
V –> W[“提交前预演检查<br/>独立开始状态、剪辑连续性、资产、台词、声音、时长”]
W –> X{“可以提交？”}
X — “否” –> Y[“只修改受影响的提示词或资产映射”]
Y –> V
X — “是” –> Z[“即梦Agent一次提交剩余段落<br/>分配为多个彼此独立的视频生成任务”]
Z –> ZA[“逐段看片并定位问题”]
ZA –> ZB{“问题属于哪一层？”}
ZB — “局部镜头、动作或台词” –> ZC[“删除、缩短、补生成或替换问题镜头<br/>必要时才重生成对应段落”]
ZB — “资产漂移” –> ZD[“强化资产描述或图片引用<br/>重生成受影响段落”]
ZB — “节奏或段落划分” –> ZE[“调整镜头时长、密度或段落划分<br/>重生成受影响段落”]
ZC –> ZA
ZD –> ZA
ZE –> ZA
ZB — “全部通过” –> ZF[“剪辑合并、声音校正<br/>字幕文字与最终成片”]
使用方法
- 新建一个 ChatGPT Work 项目。
- 选择 GPT-5.6 Sol。
- 把上面的启动提示词和完整执行工作流图一起发送。
- 再发送剧本、参考图片、目标风格和工具限制。
- AI 每次只完成一个阶段。
- 没有问题就回复“确认”；有问题就指出需要修改的部分。
- 五个阶段全部完成后，再把已经确认的资产和生成提示词交给视频端执行。
这样，人的主要工作就从“亲自处理全部细节”，变成了：
- 决定方向、审核结果、确认版本，以及在关键节点纠正问题。
结语
AI 叙事短片并不是把剧本复制进生成器，然后等待模型自动完成。
它更像一次小型影视制作：
- 剧本决定讲什么
- 导演镜头脚本决定怎样呈现
- 视觉资产约束人物和世界
- Agent 负责分发和组织任务
- 视频模型负责生成素材
- 剪辑和返修最终决定故事能否成立
这套方法的核心，也不是增加流程的复杂度，而是把复杂工作放到正确的阶段解决。
只想看懂这套方法，记住五个阶段就够了。
真正准备动手时，再使用完整工作流和阶段确认机制：先确定范围，再逐步拆解；先试拍，再批量生成；出现问题时，只修出错的镜头或视频段。
当每个阶段都有明确的输入、输出和确认标准以后，AI 就不再只是一个随机生成画面的工具，而会逐渐成为一套可管理、可审核、可迭代的叙事制作系统。