MiniMax H3提示词方法论：从一句话口令到结构化剧本

MiniMax H3 发布后，社区讨论最密集的问题不再是“这个模型强不强”，而是“提示词到底怎么写”。很多人把 H3 当作普通文生视频模型来调用，直接丢一句“一只猫在跑步”，结果发现角色一致性、运镜控制、动作细节全都不受控。换到 H3 的提示词体系里，同样的需求可以拆成主体描述、环境描述、镜头语言、动作节奏、参考模式、负面约束几部分，写出来的视频质量完全不一样。

这篇文章会从 MiniMax H3 的能力边界讲起，结合社区里被反复验证过的 7 类优秀案例，拆解它们的提示词结构，再给出一套能复用的方法论和官方 Skill 模板。无论你是直接调用 API，还是在 ComfyUI 里做本地化工作流，都可以按这套思路把提示词从“一句话口令”升级成“结构化剧本”。文中涉及本地部署、网络超时、显存不足、Ref2VA 参考模式、二次采样等实际使用时的高频问题，也会一并给排查路径。

1. 先理解 MiniMax H3 的能力边界，再谈提示词

写提示词之前，先要知道模型能做什么、不能做什么。MiniMax H3 是 MiniMax 开源的自回归视频生成大模型，支持文生视频、图生视频，以及基于参考图的视频生成。和早期视频生成模型相比，它的一个明显变化是：提示词不再只是“画面描述”，而是更像“导演指令”，需要同时影响画面内容、镜头运动、角色一致性和视频节奏。

社区里常说的 H3 有 33B 版本，也有不同尺寸的部署方案。模型本身支持文本条件控制，也支持通过 Ref2VA（全能参考模式）传入参考图，让生成结果在主体特征、服装、场景风格上与参考图保持一致。这意味着提示词的职责被进一步细化：文本负责定义“发生什么、怎么拍”，参考图负责定义“长什么样、什么氛围”。

这里要纠正一个常见误解：H3 不是越大越长的提示词效果就越好。它更接近“结构化信息解析器”，一段提示词会被拆成语义块，再映射到生成管线里。提示词内部如果信息互相冲突，模型会自己折中，结果就是主体漂移、动作生硬、画面不稳定。反过来，提示词结构清晰、信息层次分明，模型反而能更稳定地还原每个控制点。

1.1 MiniMax H3 提示词控制的核心维度

从社区案例和实际使用反馈看，H3 提示词通常需要覆盖以下维度：

这些维度不一定要全部出现在提示词里，但缺少关键维度时，模型会自行补全，而补全结果往往不是你要的结果。比如只写“雨夜的天台”，模型可能默认使用平视镜头、固定机位、普通晴天夜景，而不是你脑中的俯拍大远景。说明越完整，模型自由发挥的空间越小。

1.2 为什么提示词不能照搬文生图写法

很多用户是从 Stable Diffusion、Midjourney 转到 H3 的，习惯写“high quality, masterpiece, 8k, cinematic lighting”这类堆词式提示词。但在 H3 上，纯质量词堆叠的效果有限，因为视频生成的不确定性主要来自时间维度和运动逻辑，而不是单帧画质。

H3 更需要的写法是：把“画面要素”变成“镜头里的信息”，把“形容词堆叠”变成“动作逻辑和空间关系”。一个典型的对比：

错误示范： 一只漂亮的猫在阳台上，夕阳，电影感，杰作，8k，细节丰富 更推荐： 傍晚时分的公寓阳台，一只橘猫蹲在铁栏杆上。镜头从猫的侧面缓慢推近，它转头看向镜头，耳朵轻轻抖动。暖色夕阳从画面左侧照入，背景城市虚化，猫毛层次清晰。

第二种写法之所以更有效，是因为它给了模型时间维度上的指令：镜头推近、转头、耳朵抖动。这些动作决定了视频的叙事结构，而第一段提示词只在描述一张静态图。

1.3 参考模式对提示词写法的影响

使用 Ref2VA 参考模式时，提示词的侧重点要调整。参考图已经承担了“主体长什么样、服装是什么、场景是什么”的责任，文本提示词就不需要重复描述外观，而应该集中写“要做什么动作、镜头怎么运动、环境里发生了什么变化”。

例如参考图给定了一个穿古装在竹林里的人物，提示词可以写：

人物站在竹林小径中，镜头从背后低角度缓慢向前推进。她缓缓转身，衣摆随风扬起，竹叶从画面右侧飘落。雾气从地面漫开，光线透过竹叶形成细碎光斑。

这里没有重复写“她穿什么颜色的衣服”，因为参考图已经约束了。文本重点放在动作、运镜和环境动态上，这样参考一致性和文本控制力才不会互相打架。

注意：在使用参考模式时，如果提示词中出现了与参考图明显冲突的描述，比如参考图是短发，提示词却写“长发飘逸”，模型会尝试折中，结果往往是头发形态不稳定。宁可少写外貌，也不要写冲突信息。

2. 准备环境：API 调用、ComfyUI 部署与安全边界

提示词写得再好，也需要在正确的执行环境里验证。MiniMax H3 目前主要有两类使用方式：一类是通过官方 API 直接调用，适合快速验证提示词效果；另一类是本地部署或者通过 ComfyUI 集成工作流，适合对视频素材、参考图、二次处理有更多控制需求的场景。

2.1 用 API 快速验证提示词

如果你只是想验证提示词写法是否有效，优先走 API 通道。调用结构通常包含模型标识、提示词文本、视频参数、参考图数据等字段。下面是一个简化的请求结构示例，实际字段名以官方文档为准：

{ "model": "MiniMax-H3", "prompt": "夜晚的街道，一名穿黄色雨衣的行人在路灯下驻足，抬头看向飘落的雪花。镜头从中景缓慢推近到面部特写，雪花在灯光中闪烁，空气中有轻微雾气。", "negative_prompt": "画面抖动，肢体畸变，面部模糊，文字水印", "duration": 6, "resolution": "1280x720", "fps": 24, "reference_image": "base64字符串或图片URL" }

API 验证时注意几点。第一，先关掉所有参考图，用纯文本提示词跑通基础效果，再逐步加入参考图，否则出了问题你无法判断是提示词的问题还是参考图的问题。第二，保持参数固定，只修改提示词，这样对比不同写法时才有可参考性。第三，记录每一次生成的提示词和参数，方便回看哪些写法稳定。

2.2 ComfyUI 里的本地部署工作流

社区里大量讨论集中在 ComfyUI 集成上，比如“comfyui minimax h3整合包”“3060 显卡能不能跑”“comfyui 下载 h3 网络连接超时”等。本地部署的价值在于可以做更精细的参考图控制、批量生成、帧序列二次处理和素材管理，但前提是网络、显存、依赖版本都对得上。

一个常见的工作流节点结构大致如下：

加载参考图 -> H3 模型加载 -> Ref2VA 参考模式节点 -> 文本提示词输入 -> 视频生成节点 -> 视频解码/预览 -> 二次采样节点 -> 导出视频

在 ComfyUI 中填写提示词时，要注意节点输入框的类型。有些节点接受纯文本，有些节点接受结构化 JSON，如果你把 Markdown 表格或 YAML 直接粘贴进去，解析可能失败。先确认节点文档里要求的格式，再决定用哪种模板。

本地部署最容易出现的问题包括：

2.3 合规使用边界必须提前建立

提示词设计和使用场景存在明显的合规边界。社区里流传过“nsfw 提示词”“R18 提示词”等说法，这类内容不属于正常的创作或学习场景，不应在自己的项目中使用，也不应写入工作流模板。MiniMax H3 的合规使用范围是影视创意、广告设计、内容创作、教学演示、科研实验等正常场景。写提示词时，应该主动避免生成涉及敏感人物、违法内容、色情暴力、隐私侵犯、虚假信息等方向。

从工程角度看，合规约束也应该体现在系统设计中，而不是只靠个人自觉。如果团队内部搭建了基于 H3 的生成服务，建议在提示词输入层加入关键词过滤、内容安全审核、输出日志留痕、权限分级等机制。这不只是为了满足平台要求，也是为了保证生成结果可以安全地用于商业项目。

注意：提示词是生成内容的入口，入口一旦失控，后续的审核成本会指数级上升。生产环境里不能只做“生成后人工抽查”，要在请求层就做约束。

3. 官方 Skill 模板怎么用

MiniMax H3 的使用过程中，社区里反复提到 Skill 模板。简单理解，Skill 模板是一套提前设计好的提示词结构，用于把“随机发挥的提示词”变成“按角色、场景、镜头、风格、参数填充的模板”。它适合三种人：刚接触 H3、不知道怎么写提示词的初学者；希望批量生产同一风格内容的运营团队；需要在团队里统一提示词规范的工程小组。

3.1 Skill 模板的基本结构

如果你手头没有官方文档里的完整模板，可以根据社区和官方示例总结出下面这个通用结构。它分为六个区块，每个区块承担一个控制责任：

# Skill: <技能名称，如 电影感动作镜头> ## 角色与主体 <描述主要人物、动物、物体及其外观特征> ## 动作与时间线 <描述动作开始、发展、结束，必要时拆分为镜头1、镜头2、镜头3> ## 环境与氛围 <描述场景、天气、光线、空间关系> ## 镜头与运镜 <描述景别、机位、镜头运动方式、节奏> ## 风格与画质 <描述画风、色彩、材质、渲染质量> ## 禁止项 <列出不希望出现的内容要素>

这个模板最大的价值是把“写提示词”变成“填表”。你不需要反复组织语言，只需要在每个区块里填入对应信息，模型就能获得相对完整的上下文。

3.2 一个可运行的填充示例

假设要生成一段“古风女子在桃林舞剑”的视频提示词，按 Skill 模板填充后可以变成：

角色与主体: 一名白衣古装女子，手握长剑，发髻上有一支桃花簪 动作与时间线: 第1秒-第2秒: 她背对镜头，剑尖低垂，衣袂被微风吹动 第2秒-第4秒: 她突然转身挥剑，剑刃划出一道弧线，桃花被剑气卷起 第4秒-第6秒: 她收剑站立，桃花从空中缓缓飘落 环境与氛围: 春日桃林，地面散落粉色花瓣，阳光透过枝桠洒下，有微风 镜头与运镜: 开场为远景侧拍，转身时切换为中景近拍，最后 2 秒镜头缓慢拉远 风格与画质: 中国风写实，柔和自然光，浅景深，电影感调色 禁止项: 面部变形，肢体僵硬，剑身扭曲，现代物品，文字水印

这套结构有两个显著优点。第一，时间线拆解后，模型对动作的顺序更敏感；第二，每个区块信息单一，不容易产生字段间冲突。实际项目中，你可以根据生成效果调整某个区块的内容，不需要重写整段提示词。

3.3 Skill 模板与参数联动

模板里的文本信息要和技术参数配合，才能达到稳定效果。常见参数包括时长、分辨率、帧率、运动强度、参考图强度等。

模板填写完后，先按默认参数跑一次，再根据视频的动作幅度和稳定性调整参数。不要一上来就追求 8 秒 1080p，视频生成的资源消耗大，参数越高，迭代试错的时间成本越高。

4. 社区优秀案例拆解：7 类提示词写法逐个分析

社区里流传的 MiniMax H3 提示词案例非常多，这里挑选 7 个有代表性的方向，每个案例都拆成“目标效果”“提示词示例”“为什么有效”“可复用要点”四个部分。案例文本用于说明提示词结构，实际使用时要结合自己的具体角色、场景和品牌需求修改。

4.1 超燃战斗打斗类

这类视频在社区里热度很高，核心难点在于动作连续性和镜头冲击力。

角色: 银色机械装甲战士，手持发光能量刃 环境: 废弃都市广场，远处有爆炸火光，烟尘弥漫 动作时间线: 开场: 战士从高处跃下，落地激起碎石 中段: 他向镜头方向快速冲刺，能量刃划过地面带出火星 后段: 他纵身跃起，挥刃斩向镜头上方，画面震动 镜头: 先俯拍全景，落地后改为跟拍近景，最后 1 秒爆裂特写 风格: 高对比度，偏冷色调，爆炸暖光点缀，动态模糊

拆解要点：动作被拆成“落地、冲刺、跃起”三个阶段，每个阶段都有明确的空间转换；镜头也有对应变化，从俯拍全景到近景跟拍再到特写，视觉节奏被文本提前编排。可复用的写法是：用“动作阶段 + 对应镜头”的配对结构，而不是只写“打得很激烈”。

4.2 中国风写实古风类

古风视频的难点在于氛围统一，服装、光线、环境动作要相互协调。

角色: 穿淡蓝长裙的古装女子，手持油纸伞，赤足 环境: 江南古镇雨巷，青石板路湿润，细雨绵绵 动作: 她从巷口慢慢走来，停下脚步，伸手接住屋檐落下的水滴，伞面向镜头微倾 镜头: 开场为巷道纵深感很强的中景，接水滴时切换到手部特写，最后半秒拉回全景 风格: 水墨淡彩与写实结合，柔光，雨丝清晰，浅景深

拆解要点：提示词里没有堆砌“唯美、古典”这类抽象词，而是通过“油纸伞”“青石板”“屋檐落水”等具体元素来营造氛围。可复用的是：用具体物件和组织空间关系替换抽象形容词。

4.3 科幻机械细节类

科幻类视频需要控制机械结构的物理逻辑，避免模型生成违背常理的形变。

角色: 半机械人形，左侧面部和手臂为金属骨骼结构，关节处有蓝色发光能量线 环境: 实验室白色空间，周围悬浮全息投影面板 动作: 机械手缓缓抬起，五指依次展开，指尖投射出蓝色光屏，光屏上浮现数据线条 镜头: 先拍面部特写，再缓慢下移到手部，最后拉远展示整个空间 风格: 冷白灯光，金属质感，轻微眩光，科技感界面

拆解要点：这里的核心不是“酷炫”，而是“机械动作的顺序”。五指依次展开、指尖投射光屏、镜头从面部下移到手部，都是一步步写清的。可复用的要点是：机械题材写清“部件的先后动作顺序”，模型才不会让手指乱动。

4.4 写实美食类

美食视频适合做短视频脚本，核心难点是食材的光泽、动作的逻辑和厨具交互。

主体: 一锅正在炖煮的番茄牛腩，表面浮着红色汤汁和香料 环境: 深色厨房台面，背景有锅具虚化，暖色顶光 动作: 木勺伸入锅中缓缓搅拌，汤汁滚起气泡，一片牛肉被汤汁裹住翻动，热气蒸腾 镜头: 近景俯拍 2 秒，切换到侧面平拍搅拌动作，再切回表面细节 风格: 超写实，汁液光泽，蒸汽在半逆光下清晰可见

拆解要点：美食类提示词要重点写“物理交互”，比如搅拌、翻动、蒸气流动。模型对蒸汽、油光、气泡这类细节很敏感，给足触发词后画面质感会明显提升。可复用的是：写清材质、光线、交互动作三要素。

4.5 产品广告类

产品广告需要让产品在镜头里有明确的“展示路径”，而不是简单旋转。

主体: 一款无线耳机，白色，磨砂外壳，充电盒半开 环境: 深灰色亚克力展示台，背景为渐变蓝紫光墙 动作: 充电盒缓缓打开，耳机浮现并轻微旋转，表面反射出一道高光，随后镜头环绕产品一周 镜头: 开场微距拍充电盒开盖，中段耳机旋转特写，最后环绕一周后定格 风格: 商业广告级，高光控制精准，背景干净，浅景深

拆解要点：产品广告提示词最重要的是“展示动作和镜头路径”。开盖、旋转、高光扫描、环绕一周，这些动作让产品有了叙事感。可复用的是：把产品演示拆成 3 到 4 个动作节点，每个节点配一个镜头变化。

4.6 数学建模信息图表视频类

社区里有“数学建模 ai 提示词”的热度，H3 也可以用于制作教学演示视频，但提示词写法要偏向图层、文字、图表动画。

主体: 深蓝色科技背景，中央悬浮着一个三维函数曲面，坐标轴呈半透明 动作: 曲面从网格状态开始，随着时间线逐渐填充颜色，等高线从底部向上浮现，出现函数方程式的逐字书写动画 镜头: 固定机位为主，画面中央元素缓慢放大，最后半秒切到整体坐标轴视图 风格: 学术演示风格，蓝绿色渐变，文字清晰，无多余装饰

拆解要点：视频生成模型对精确文字支持并不完美，所以这里不适合要求“完整显示数学公式”，而是用“方程式逐字书写”的动态来替代。可复用的是：涉及图表或文字时，优先描述动效和出现顺序，而不是要求模型渲染精确文本。

4.7 古典文献资料审校辅助类

这类场景偏办公审校，社区里也有相关提示词用于生成或校对古典文献材料。需要注意，模型不适合承载逐字精确校勘，但可以用结构化提示词辅助生成阅读笔记、类目提示或对比摘要。

任务: 分析一段古典文献材料，输出篇章结构、关键词、注释建议 输入材料: "……原文略……" 输出要求: 1. 提取核心段落和主题词 2. 标注可能的通假字和异体字 3. 给出与现代汉语对照的翻译草稿 4. 列出需要人工复核的存疑点 约束: 不确定的内容标记为存疑，不臆断版本信息

拆解要点：这类提示词的目标不是生成视频画面，而是让模型按固定格式输出审校辅助结果。可复用的是：把任务拆成“输入、输出要求、约束条件”三部分，模型输出就更容易对齐你的工作流程。

5. 提示词方法论总结：从一句话口令到结构化剧本

看完案例，可以发现它们都有共同的结构逻辑。下面把这套逻辑抽象成方法论，方便你在自己的项目里使用。

5.1 提示词五段论：主体、动作、环境、镜头、风格

把任何一个场景拆成五个字段，基本可以覆盖 80% 的视频生成需求：

主体：谁/什么在画面里，关键外观特征 动作：发生了什么动态，按时间顺序拆成节点 环境：在哪里发生，空间关系如何，光线天气如何 镜头：用什么景别、机位、运镜方式来拍 风格：画风、色调、材质、画质要求

写提示词时，先按这五项列要点，再连成段落。连写时不要使用大量形容词修饰一个人物，而要把修饰词分布到不同维度里。比如“一个穿深蓝牛仔衣、戴银链、背着帆布包的年轻男生”是一整块主体信息，模型解析时容易丢失部分细节。更好的写法是“主体：年轻男生。穿着深蓝牛仔衣。胸前挂银链。背米色帆布包。站在地铁站出口。”这样每个特征都是独立信息点，模型更不容易合并丢失。

5.2 中文还是英文更合适

这取决于模型版本和调用方式。MiniMax H3 本身对中文理解较好，社区里也有大量中文提示词案例。对于中文场景、古风、美食等内容，用中文写反而更直接，因为英文提示词容易丢失中文语境里的文化细节。

如果使用英文提示词，核心原则是名词具体、动词明确、修饰词适度。不要写 “a beautiful girl in a beautiful city”，而要写 “a young woman with shoulder-length black hair, standing on a neon-lit street corner at night”。

5.3 用 JSON 或 YAML 做结构化提示词

进阶做法是使用结构化格式代替纯段落。H3 的提示词解析器对结构文本的接受度越来越高，社区里的官方 Skill 模板也倾向于使用结构化格式。

以 YAML 为例：

video_type: 文生视频 subject: name: 宇航员 appearance: 白色宇航服，头盔面罩反射地球光影 motion: - 动作1: 站在陨石坑边缘，缓缓转身 - 动作2: 抬手指向远处的地球 - 动作3: 镜头跟随手部轨迹上移 environment: location: 月球表面 lighting: 左侧阳光，地面阴影锐利 atmosphere: 背景星空清晰，地球悬在地平线上 camera: shot: 中景转全景 movement: 镜头从人物背后缓慢升起，最后对准地球 style: realism: 超写实 color: 银白与深蓝 effect: 轻微光晕，胶片颗粒 negative: 画面抖动，手臂折弯，头盔变形，文字叠加

这种写法的优势在于可维护性。你可以在团队里做一份 YAML 模板，成员只需要修改 scene 和 subject 字段，就能批量产出风格一致的草稿。

5.4 负面提示词怎么填

负面提示词不是“情绪反义词”，而是要明确写出现实中常见的生成缺陷。视频生成最容易出现的问题是：肢体扭曲、面部变形、画面闪烁、运动不连贯、物体穿插、文字乱码、水印残留。

建议每个项目维护一份基础负面词表，再根据具体场景追加。示例：

负面提示词：画面抖动，闪烁，模糊，肢体扭曲，手指变形，面部崩坏，多余肢体，物体穿模，背景扭曲，文字乱码，水印，低分辨率，过度锐化，色调断层

不要写“糟糕、很差、丑”这类主观词，这类词对模型没有帮助，反而可能改变整体风格倾向。负面提示词应该尽量客观描述画面缺陷。

5.5 一次生成的不可靠，迭代优化才是常态

视频生成不是一次就能达到理想效果。完整的迭代优化流程可以按这套步骤走：

1. 先用最短的提示词验证基本场景是否正确。
2. 记录生成结果，列出“哪些是对的、哪些是错的”。
3. 只修改一个变量，比如只改镜头描述，其他字段保持不动。
4. 对比两次结果，确认修改是否生效。
5. 确认主体和场景稳定后，再逐步加长持续时间和动作细节。
6. 最后再优化负面提示词，解决残留瑕疵。

不要每次都在完整提示词上乱改。没有控制变量的迭代，既浪费资源，也无法沉淀出有效经验。

6. 常见问题与排查路径

使用 MiniMax H3 生成视频时，提示词层面的问题往往和模型执行、参数配置、环境部署混合在一起。排查时要按“提示词 -> 参数 -> 环境 -> 模型版本”的顺序逐层定位。

6.1 提示词问题表现与处理

6.2 本地部署常见问题

本地部署时，环境问题非常影响提示词调试效率。常见问题在 2.2 节已经列了一部分，这里补充更完整的排查链路。

排查时优先看日志关键字，不要凭感觉改参数。如果日志里出现CUDA out of memory，说明显存不足；如果出现RuntimeError: shape mismatch，说明模型版本和节点版本不匹配；如果出现网络错误，优先检查下载源和代理设置。注意不要使用任何不安全或绕行工具来处理网络问题，使用项目推荐的下载源和镜像即可。

6.3 生成结果细节错误

• 手指、五官等细节畸变：降低运动强度，增加负面提示词，避免提示词里要求“极近距离大动作特写”。
• 文字内容乱码：减少对画面中精确文字的依赖，用“符号、光效、数据流”代替具体文本。
• 背景闪烁：避免连续多个快速切换镜头，镜头切换太频繁时模型容易产生不稳定帧。
• 二次采样后画风变化：二次采样会重新影响视频画质和风格，如果变化不可控，检查采样节点参数与原节点是否一致。

7. 最佳实践：建模一套可复用的提示词工作流

7.1 建立团队级提示词模板库

个人写提示词可以靠手感，团队协作必须靠模板库。建议在项目目录里维护一套统一的提示词文件，结构类似于：

prompts/ templates/ action_scene.yaml food_closeup.yaml product_ad.yaml guofeng_style.yaml cases/ alpha_test_01.yaml alpha_test_02.yaml negative/ base_negative.txt

每次验证有效的提示词案例都记录到 cases 目录，格式统一为“目标场景、提示词全文、参数设置、生成效果、留下问题”。这样积累几个月后，团队的提示词能力会沉淀为可复用资产，而不是只保存在个别人的聊天记录里。

7.2 发布与生产前检查清单

在生产环境使用 H3 生成内容时，建议按以下清单逐项检查：

• 提示词是否包含明确的负面约束
• 提示词是否与参考图存在冲突信息
• 是否设置固定随机种子或可复现参数
• 是否配置内容安全审核与敏感词过滤
• 是否有超时、重试、失败告警等异常处理
• 是否记录提示词和生成结果日志
• 是否存在版权、肖像、商标等合规风险
• 是否验证了视频在不同分辨率下的清晰度
• 是否预留了人工审核和回滚机制

7.3 学习路径与扩展方向

如果你想系统掌握 MiniMax H3 的提示词技术，建议按以下路径学习：

1. 熟悉模型能力边界，理解文生视频和参考模式的区别。
2. 掌握五段论基础写法，完成 30 个不同场景的最小生成实验。
3. 学习官方 Skill 模板和社区优秀案例，拆解至少 3 个你感兴趣的场景。
4. 掌握 ComfyUI 工作流，把提示词和节点、参数打通。
5. 逐步加入参考图、负面词、镜头脚本、导演台词等高级控制。
6. 建立自己的提示词模板库和案例库。

更进一步，可以研究多镜头脚本控制：把完整视频拆成多个片段，每个片段使用独立提示词，再通过后期剪辑拼接。这是社区里“导演台词”“分身表演”等高级玩法的底层逻辑。

MiniMax H3 的提示词并不是玄学。它更接近一套“结构化指令语言”，谁先把主体、动作、环境、镜头、风格拆得越清楚，谁就越能稳定地产出高质量视频。建议把官方 Skill 模板当作起点，把社区案例当作参考，把迭代记录当作经验，最终形成自己的提示词体系。下一步值得投入的方向，是把提示词模板、参考图、参数组合封装成标准工作流，让团队里不具备提示词经验的人也能按模板产出稳定结果。