为什么有时候，提示词写得很详细，AI 生成的画面还是不符合预期？
明明要求蜘蛛停留在人物眼前，结果却跑进了眼睛里；明明要求炮弹击中船尾，每次生成的爆炸位置却不一样；人物明明可以逃跑，却突然做出一个毫无理由的动作。
遇到这些情况，很多人的第一反应是继续修改提示词，不断添加新的形容词和动作描述。
但问题可能根本不在于描述不够详细，而在于我们没有找准生成偏差的原因。
不同的问题，需要采用不同的修正方式。有些问题需要重新明确镜头，有些需要通过参考图锁定位置，还有些则需要补充人物动作的前后关系。
本节就从这三个方向入手，学习如何定位问题、修改提示词，让每一次调整都更加有针对性。
一、先判断问题，再修改提示词
在修改之前，先不要急着重新生成。
我们需要明确：当前画面究竟是哪里出了问题？
可以先将常见的生成偏差分成三类。
第一类：画面表达不准确。
你想要的是一个特定镜头，但 AI 理解成了另一种画面。例如，你希望观众通过人物的视线看到眼前的蜘蛛，结果蜘蛛却出现在人物眼睛上。
这类问题需要优先检查镜头视角和动作描述。
第二类：空间位置不准确。
画面中的物体、人物或特效出现了，但没有出现在指定位置。例如，爆炸发生在船身中部，而不是你要求的船尾。
这类问题需要明确物体之间的位置关系，必要时使用参考图标注。
第三类：人物动作不合理。
人物完成了动作，但这个动作与当前情境不匹配。例如，危险已经出现，人物却没有躲避，反而做出一个缺乏理由的动作。
这类问题需要检查人物的行为动机，以及动作发生前后的关系。
这三类问题不能全部用同一种方法处理。
如果是镜头视角的问题，一味增加情绪词没有用；如果是空间定位的问题，不断强调画面要准确，也未必能解决；如果是行为逻辑的问题，单纯要求人物更加自然，同样很难得到稳定的结果。
先确定问题类型，再选择对应的修改方法，才是修正提示词的第一步。
二、方法一：镜头不符合预期，就把动作拆开
AI 视频生成中，一个很常见的问题是：提示词里的每个要求单独看都没有问题，但组合在一起之后，画面却发生了偏差。
这通常与镜头表达和动作安排有关。
1. 不要让一个镜头承担太多任务
假设我们想生成一个人物发现蜘蛛的画面。
原本的想法可能是：
人物睁开眼睛，以第一视角看见一只蜘蛛靠近，随后挥手赶走蜘蛛，再迅速拔出武器。
从剧情上看，这是一段完整的动作。但从画面生成的角度看，它包含了多个不同的任务。
首先，人物睁眼可以通过面部特写来表现。
其次，第一人称视角需要呈现人物眼前的环境。
然后，蜘蛛靠近、人物挥手以及拔出武器，又分别涉及不同的动作状态。
当这些内容全部挤在同一个镜头里时，AI 可能无法准确判断应该优先表现哪一个动作，也可能混淆人物眼睛与主观视野之间的关系。
因此，动作越多，不代表画面越完整；只有明确每个镜头的主要任务，画面才更容易按照预期生成。
2. 先确定镜头视角
修改这类提示词时，第一步不是增加更多动作，而是先确定镜头究竟从哪里拍摄。
如果希望观众看见人物睁眼，就采用外部面部特写。
如果希望观众看见人物眼前的蜘蛛，就采用第一人称主观视角。
两种画面可以在同一段视频中先后出现，但不应该在同一个镜头里混淆表达。
例如，可以把原本的动作拆成两个镜头。
镜头一：人物睁眼。
提示词：
分时段多镜头拍摄，仅在指定节点切换镜头，摄影机不自行裁切画面。 0.0秒至4.0秒 — 镜头1，CU 29°，倒置构图：人物 挂在蛛丝上位于前景，对焦清晰，缓慢旋转，前腿朝着男孩的鼻子方向弯曲。在它后方是 @char_jungle4 倒置的脸，双眼已经睁开，一动不动地盯着蜘蛛。 2.5秒时，焦点从蜘蛛快速移至男孩的面部——焦点落在他身上的瞬间，他猛地张嘴尖叫，双眼圆睁，脸颊颤抖。片段中间无焦点偏移。
镜头二：看见蜘蛛。
提示词：
首帧 / 站位调度 第一帧为纯黑——眼睛完全闭合。整个镜头全程画面铺满21:9画幅的每一处边缘。睁眼的视觉效果完全呈现为形似眼缝弧度的柔和黑色遮光片：两块光滑无细节的暗块从画面中央向两侧分开——一个干净的眼形渐晕效果展开，无任何解剖学细节，仅传递出眼睛睁开的观感。 百叶窗刚一打开时，一道狭长的深绿色阴影在画面中部划过，一团模糊的深色蛛形物体停在它那张同样模糊的蛛网上，位置在画面左三分之一处，保持着固定距离，昏暗的倒置丛林在它后方晕成一片柔和的模糊色块。
这两个提示词的区别在于：第一个镜头展示人物，第二个镜头展示人物所看到的内容。
镜头任务明确以后，AI 就不需要同时处理相互冲突的视觉要求。
3. 再决定动作应该如何衔接
镜头确定之后，才是动作安排。
如果人物看见蜘蛛后还需要挥手驱赶，可以将这个动作放在后续镜头中。
例如：
镜头2，WS 63° 全景展开：他倒挂着——粗壮的绿色藤蔓只缠绕在他脚踝处的靴子上，藤圈只箍在靴筒上，除此之外没有任何接触；脚踝以上的小腿、膝盖、大腿和躯干完全没有被藤蔓碰到，完全悬空；一根带着粗糙绿色植物表皮的藤蔓，从被缠住的靴子一直向上延伸到2米高处的固定点。 他倒悬的头部离丛林地面很近，因恐惧而尖叫、颤抖，身体不受控制地小幅乱颤、摇晃，原本悬垂的手臂胡乱挥动。蜘蛛强制位置：同一只@char_spider 挂在自身蛛丝上，与他的脸和头部齐平，位于他脸前方10-15厘米处——位置不得偏高或偏低。 6.5秒时，他用左手手腕背面出击——在面部高度猛地反手一弹，以指节和手腕外侧领先——将蜘蛛从蛛线上弹飞：这只重50-70克的蜘蛛呈下落轨迹飞出，呈弧线坠向地面，落在落叶层上，随后朝着画面左侧边缘的灌木丛快速爬动，钻进叶片缝隙消失不见；在这只小巧的浅色蜘蛛从下方穿过的全程，灌木丛纹丝不动，每一片叶子、每一根枝条都没有被碰动分毫。 男孩不停发抖，呼吸粗重，目光追着蜘蛛消失的方向，绿色的藤曼在他的体重下持续发出吱呀声、微微弯折，一直持续到镜头结束。镜头中段无偏移。
注意，这里不需要再加入拔刀、翻身、逃跑等后续动作。
如果这些动作确实属于剧情的一部分，可以继续拆分为独立镜头。
4. 如何判断动作是否需要拆分？
可以用一个简单的方法：读完提示词后，问自己三个问题。
这个镜头最重要的画面是什么？
观众应该从哪个角度看到它？
这个镜头是否同时要求人物完成多个不同的动作？
如果一个镜头同时承担了人物反应、物体运动、镜头切换和后续攻击等多项任务，就应该考虑拆分。
但拆分并不意味着所有动作都必须单独生成。
如果多个动作连续、简单，而且不会造成视角混乱，可以保留在同一个镜头中。只有当动作之间存在明显的镜头差异、空间冲突或表达歧义时，才需要进一步拆分。
核心原则：先把当前镜头讲清楚，再安排下一个镜头。
三、方法二：空间位置总出错，就用参考图标注
第二种常见的问题是，画面整体看起来没有明显错误，但关键物体的位置始终不准确。
例如，我们需要生成一段海战画面：一艘帆船正在海面航行，炮弹飞向船只，并准确击中船尾。
结果生成多次后，爆炸的位置可能出现在船身中部，也可能出现在船只旁边的海面上。
这时候，继续重复“炮弹必须击中船尾”，往往不是最有效的办法。
1. 为什么文字描述不一定够用？
因为空间位置不仅是一个名称，还包含具体的视觉关系。
“船尾”说明了大致区域，但没有直接展示目标位置在画面中的具体坐标。
尤其当船只存在透视变化、镜头角度变化，或者船体本身具有复杂结构时，AI 对目标区域的理解可能与我们不同。
如果提示词同时包含人物、船只、炮弹、爆炸和镜头运动，位置要求就更容易被其他信息干扰。
因此，我们可以直接利用参考图，将目标位置标记出来。
2. 第一步：准备一张清晰的参考图
选择一张船体结构清楚、能够看清船头和船尾的参考图。
尽量选择与最终画面机位接近的图片。
如果最终想生成船只的后方视角，就优先使用能够清楚展示船尾的参考图；如果需要从侧面拍摄，就选择侧面结构明确的图片。
参考图的作用不是单纯提供船只外观，而是为后续的空间定位提供依据。
3. 第二步：在图上直接标记
使用任意图片编辑工具，都可以完成这一步。
用红色圆圈标出炮弹应该命中的位置。
标记不需要复杂，能够让人一眼看懂就可以。
例如，红圈表示爆炸目标，蓝点表示人物站位，箭头表示炮弹飞行方向。
不要在图片上写入大量解释性文字，也不要使用太多含义相近的标记。标记越清楚，越容易与文字提示词建立对应关系。
4. 第三步：让 AI 根据标记重新组织提示词
标记完成后，将图片交给具备图像理解能力的 AI 工具，并说明每个标记代表什么。
可以使用下面这段提示词：
请分析我提供的船只参考图及图中的标记。红色圆圈代表炮弹需要命中的位置，蓝色标记代表人物所在位置，箭头代表炮弹的运动方向。请根据图中的实际空间关系，重新组织视频生成提示词。明确写出炮弹的运动方向、爆炸位置、人物与爆炸点之间的距离，以及船体各部分的相对位置。
保留参考图中的船只结构与空间关系，不要将爆炸位置改到船身中部或船只周围的海面上。不要擅自增加其他爆炸点。
输出一段可以直接用于 AI 视频生成的中文提示词。
这一步的重点，是让 AI 将图像中的视觉信息转化成更加明确的文字表达。
需要注意，标注图并不意味着 AI 一定会百分之百遵循位置。它的作用是减少空间理解上的歧义，最终仍需要结合生成结果检查。
5. 第四步：把位置关系写进最终提示词
得到修改后的提示词后，还需要明确保留最重要的空间约束。
例如：
弹体追踪视角，63°，实时：开场画面为的敌方甲板——架在木质炮架上的黑铁火炮已经推出炮位，炮口对准画面左侧，远处那艘挂着浅白船帆的大帆船正停泊在那里。 最近的那门炮瞬间开火——炮口迸出白炽的火光，炮架猛地向后撞在绳索滑车组上——镜头随即猛地转向 并随之移动：镜头固定在圆形炮身旁的追焦支架上，位置紧贴水面，下方的海面因剧烈运动拖出长长的模糊拖影。 炮弹 在整个飞行过程中都停留在画面左边缘的远方天际，在雾霭中呈现出朦胧的青绿色。正前方的目标越来越清晰：那是爱德华多座舰的后墙——一道高耸的木雕崖壁，从水线处一直延伸至顶部带栏杆的甲板——它从模糊的轮廓逐渐扩大为占满整个画面的巨墙，飞行器正朝着它的上半部分飞去。
剪辑3——硬切至慢动作，MS，47°，回到舞台，构图与剪辑1完全一致：镜头位于船尾楼朝后并略微向上拍摄——舵手在画面右侧紧握舵轮，爱德华多在舵轮左侧一步远的位置，肩上站着一只金刚鹦鹉，两人浑身湿透、不断滴水，画面下方横贯栏杆，两侧是海面。 炮弹击中了船尾凸起甲板的下方靠后位置，处于视野之外——紧接着，爆炸从船员们身后、他们所在甲板的远端边缘后方猛地炸开：木板、长长的碎木片和烟雾在他们背后冲天而起。 第二发、第三发接连重击同一面船尾舱壁，每一次爆炸都在它们身后掀起新的水柱。距离最近的爆炸直接将爱德华多掀得双脚离地——直直朝着镜头的方向飞了过来。 飞行方向清晰明确：准确命中参考图红圈标记的船尾外侧区域。爆炸集中发生在指定命中点，火光与烟雾沿船体外侧扩散，因此他的身体被冲击波朝着镜头方向抛去——每一格画面里，爱德华多的身形都在变大，他越过栏杆扶手朝镜头飞来，双臂直直向前伸展，而车轮、桅杆与碎片喷流则在他身后不断退远。 他的脸像个滑稽的震惊面具：嘴巴张得溜圆，眼睛瞪得滚圆，脸颊在冲击波里不住颤动；金刚鹦鹉被从他肩膀上掀飞，炸开一片红羽毛，在他身旁扑腾翅膀。舵手弓着背伏在舵轮上，纹丝不动。这段剪辑在半空戛然而止——爱德华多正腾空而起，占满整个画面朝镜头扑来。
这段提示词将目标位置、运动方向、人物位置以及需要避免的错误分别写清楚。
相比单纯重复“船尾爆炸”，它提供了更多能够被画面验证的条件。
如果生成结果仍然偏离目标，可以继续调整标记位置、参考图角度或运动方向，而不是每次都从头重写整段提示词。
四、方法三：人物动作不合理，就补全前后因果
第三种问题更加隐蔽。
画面里的角色可能外形正确，场景也没有问题，动作本身甚至生成得很流畅，但整个行为看起来就是不合理。
例如，一个男人遇到一群快速冲过来的猴子。他明明可以跑开，却突然趴在地上，双手抱住头部，一动不动。
如果只要求 AI 让他表现得更害怕，生成结果未必会改善。
因为问题不在于人物的情绪不够强烈，而在于 AI 没有获得足够明确的行为依据。
1. 情绪描述不等于动作逻辑
“害怕”“紧张”“惊慌”这些词可以帮助 AI 理解人物的情绪，但它们无法单独决定人物应该采取什么动作。
面对危险，有人会转身逃跑，有人会躲到障碍物后面，也有人会蹲下保护自己。
这些行为都可能符合害怕的情绪，但具体采用哪一种，需要结合场景判断。
如果提示词只写：
男人非常害怕，双手抱头，趴在地上求饶。猴群出现在附近。
那么，人物为什么趴下、猴群距离他有多近、他为什么没有逃跑，这些问题都没有得到明确说明。
AI 只能自行补充缺失的行为逻辑。
因此，想让人物动作合理，就不能只描述他做了什么，还需要解释是什么促使他这样做。
2. 按照触发、反应和结果组织动作
可以将人物行为拆成三个部分。
第一步：明确触发事件。
什么事情让人物产生反应？
例如，几只猴子突然从树林深处快速冲出，沿着人物所在的方向奔跑。
第二步：明确人物的反应。
人物看见了什么？他为什么采取这个动作？
例如，男人发现猴群正从自己身边高速经过，担心被撞倒，于是立即降低身体重心，双手交叉护住头部。
第三步：明确动作的结果。
人物完成动作后，场景发生了什么变化？
例如，猴群从人物身边跑过，男人仍然保持低伏姿势，直到周围恢复平静，才缓慢抬起头观察。
这样，人物的动作就不再是孤立的。
他不是因为提示词里写了“害怕”才趴下，而是因为危险正在接近，需要保护自己。
3. 将因果关系写进提示词
可以直接使用下面这段提示词：
镜头从高处俯瞰小径：摄像机架设在4米高处，47度视场角，镜头向下倾斜，拍摄的是雾气弥漫的小径。探险者朝着下方的镜头飞奔而来，双臂自然地摆动着。他的靴子绊到了一块碎石板凸起的边缘——他向前倾倒，重重地摔在地上，在石头上滑行。就在他摔倒的瞬间，摄像机迅速下倾，以连续的摇臂式拍摄，从高角度缓缓下降到他蜷缩身体的上方，最终定格在近景。他双手用力拍打后脑勺——右手放在右耳后，左手放在左耳后，手指并拢贴着头发，双手之间留有明显的空隙——双肘紧贴身体，双眼紧闭，整个身体蜷缩成一个保护性的姿势。他刚一撞在石头上，猴群就已经扑了过来：第一批猕猴从他身体两侧呼啸而过，模糊的灰褐色身影掠过画面，其中一只在他苦苦哀求时纵身跃过他的背——猴群如潮水般涌来，而他的脸仍然埋在石头上，他的声音在镜头中回荡，他尖叫着哀求道：“好了好了，我受够了！我愿意！你们赢了！求求你们停下来！”
镜头先展示猴群接近的环境关系，再切换到人物的低伏动作，最后以人物观察周围的近景收尾。人物动作连续自然，前后状态保持一致。
这里需要注意，补充因果关系不等于给剧情增加大量新内容。
我们没有必要为人物设计复杂的背景故事，也不需要额外增加新的角色和事件。只要把当前动作发生的直接原因，以及动作完成后的状态补充清楚，就已经能够帮助 AI 理解人物行为。
4. 不要把所有动作都写成情绪指令
很多人在修改人物动作时，喜欢反复添加类似的词语：
更加害怕、更加慌张、极度紧张、表现得非常不安。
这些描述并非完全没有用，但它们不能替代具体动作。
如果人物应该逃跑，就明确写出逃跑的方向、身体姿态和移动路线；如果人物应该躲避，就说明危险从哪里出现、人物如何躲避，以及躲避后处于什么位置。
情绪负责补充人物状态，动作负责表现行为，因果关系负责解释人物为什么这样做。
当这三个部分形成清晰的联系时，人物的行为才更容易符合场景逻辑。
五、三类问题，分别采用三种修正方法
学完前面三个案例，我们可以将它们整理成一套更容易使用的判断方法。
这三种方法的区别，在于它们解决的是不同层面的信息缺失。
镜头问题需要解决的是“观众应该看到什么”。
空间问题需要解决的是“物体应该出现在哪里”。
行为问题需要解决的是“人物为什么这样行动”。
如果没有区分这些问题，就很容易出现一种情况：明明是空间位置不准确，却不断修改动作；明明是人物缺少行为动机，却一直增加情绪描述。
提示词越写越长，生成结果却没有明显改善。
因此，每次修改之前，都应该先判断当前偏差属于哪一类。
结语
AI 生成的画面不符合预期，并不意味着只能不断增加提示词。
有时，我们需要重新明确镜头视角；
有时，需要通过参考图确定空间位置；
还有时，需要补齐人物动作背后的因果关系。
这三种方法分别解决了画面表达、空间定位和行为逻辑的问题。
当你能够准确判断生成偏差，并选择对应的修正方式，就不必再依赖大量重复的描述。
提示词优化的关键，不是把每句话写得更复杂，而是让 AI 清楚地知道：画面应该是什么样，物体应该在哪里，人物为什么要这样行动。