AI漫剧量产全流程指南：从剧本到成片的工程化实践

1. 漫剧量产不是玄学，是一条可复制的生产流水线

过去半年，我密集接触了一批做 AI 漫剧的团队，发现一个规律：能稳定更新的账号，几乎都不是靠“灵感”在创作，而是靠一套已经被反复打磨过的流程在批量产出。AI 漫剧看着是创意生意，实际跑起来才发现，它更像一条生产流水线——剧本、分镜、角色设定、视频生成、配音配乐、剪辑渲染，每个环节都有相对明确的输入输出标准。

这篇文章我不打算讲一堆空泛的概念，而是把从零开始搭一条 AI 漫剧量产链路时，最关键的工程决策、工具组合、提示词模板、踩坑记录都摊开来讲。适合完全没做过漫剧、但想用 AI 做短内容副业或课程项目的人，也适合已经用 AI 画过图、但始终卡在“出单张图容易、做整部剧难”这个瓶颈上的朋友。

先说结论：零基础做 AI 漫剧，最难的不是某个工具不会用，而是六个环节之间怎么衔接。很多新手把大量时间花在“生成一张满意的图”上，结果发现下一张图风格对不上，角色长相也飘了，配音情绪和画面节奏全不匹配，最后只能推倒重来。真正能“量产”的团队，先解决的往往是工程问题，而不是绘画问题。

1.1 从“做视频”到“办工厂”，思维模式要变

做单条视频，核心能力是内容创作；做量产漫剧，核心能力是流程管理。两者最大的区别在于：前者允许每次都不一样，后者必须在每步都追求稳定复现。

我用一个例子解释：如果你只是给朋友做一条 AI 漫剧发朋友圈，你完全可以把所有提示词重新写一遍，每次生成结果不同也没关系。但如果你想做一个每周更新两集的账号，或者接一个几十集的定制项目，就必须让同一批角色在每一集里长得一致、场景风格统一、配音声线稳定，甚至镜头的运镜逻辑都要有迹可循。

所以我在自己的项目里，从一开始就按“工厂”方式设计：每条输入必须有固定格式，每个环节必须留下可追溯的记录，每批产出必须有抽查机制。这套模式未必适合所有人，但凡是想把 AI 漫剧做成长期内容源的人，早晚都要走到这一步。

1.2 传统漫剧制作流程到底卡在哪

传统的漫剧（比如动态漫画、漫动画）制作流程是：编剧写剧本、分镜师画分镜、原画师做人设和背景、动画师补中间帧、配音演员录音、剪辑师合成。这一套下来，一集两三分钟的漫剧，成本经常在几千到几万块，制作周期以周计。

AI 介入之后，流程被压缩成了四个主要节点：剧本生成、分镜画面、视频合成、配音剪辑。听起来简单，但每个节点内部都会冒出传统流程里没有的新问题。

其中最容易劝退新手的是两个“一致性魔咒”：一是角色跨画面的一致性，上一张图还是黑发金瞳，下一张图就变成了棕发蓝眼睛；二是美术风格的一致性，第一集偏向韩漫质感，第二集不知不觉变成了日漫赛璐璐风，第三集又飘到水墨风去了。

我跟很多第一次做漫剧的人交流过，大家的普遍反应是：我可以让 AI 画出任何一张漂亮的图，但我没办法让它连续十张图都处于同一个“平行宇宙”里。这句话基本就是 AI 漫剧量产的核心矛盾——AI 的天性是发散，而量产的天性是收敛。

1.3 哪些环节适合 AI 介入，哪些必须先人工定调

做了几条完整链路之后，我的判断是：剧本大纲、分镜描述、初版人设、字幕整理、配音初稿、剪辑初版，这些环节 AI 可以承担 80% 以上的工作；但项目定调、角色人设终审、剧情节奏把控、敏感内容审核、最终风格确认，必须保留人工决策。

说得更直白一点：AI 可以帮你写出一个逻辑通顺、节奏紧凑的剧本，但它不知道你的目标观众喜欢甜宠还是悬疑，不知道哪些剧情会踩线，也不知道品牌方要求的调性到底是什么。这些是“定调”工作，必须在生成任何内容之前，由人先定下来。

所以我把整个流程设计成“人定标准、AI 执行、人抽检”的三层结构。前期花时间把标准定死，中期让 AI 在标准框架里批量干活，后期靠人工抽检防止跑偏。这套结构是我能同时推进多个漫剧项目而不崩溃的根本原因。

2. 全链路四个关键节点：剧本、分镜、视频、合成

一条 AI 漫剧从零到成片，我会把它拆成四个关键节点：剧本结构化清洗、分镜脚本生成、画面视频化、配音剪辑合成。每个节点都有明确入口和出口，上一节点的输出就是下一节点的输入。谁先想清楚这四个节点，谁就已经赢了一半。

2.1 节点一：剧本结构化清洗，AI 编剧的第一步

很多新手会直接让 AI 写一集完整剧本，我建议千万别这么干。直接生成出来的剧本看着挺像那么回事，但落到分镜阶段全部废掉——因为它没有按镜头语言组织，一个场景里塞了太多信息，画面根本没法生成。

我的做法是先让 AI 生成三种不同粒度的内容：

• 第一层：项目一句话简介和一个完整的故事大纲（600-1000字），用来确认故事内核、主角目标和起承转合。
• 第二层：分场剧本，按“场景—时间—地点—人物—事件”的结构拆成 8-12 场。
• 第三层：分镜脚本，把每一场再按镜头拆成“景别—运镜—画面内容—台词—情绪—字幕”六个字段。

这里有一个很实用的技巧：在做分场时，直接用一段提示词要求 AI 把输出格式钉死为表格或 JSON 结构。比如：

请把以下剧本片段拆成分场格式，每场输出： 场景编号｜场景地点｜内外景｜时间｜出场角色｜该场核心事件｜该场情绪基调 务必保持六字段完整，不许省略。

这样做的意义在于：分场脚本出来后，任何一个人或工具都能直接基于它生成分镜画面提示词，不用担心信息缺失。数据结构化是 AI 量产漫剧的第一纪律。

2.2 节点二：分镜不是画图，是“用文字做镜头调度”

分镜节点是最容易被新手忽略的。大多数人以为分镜就是一句“一个女孩在街道上走”，然后丢给 Midjourney 或者即梦去画。真正做过一条完整漫剧后你会发现，AI 出图质量很大程度上取决于你对画面的描述精度，尤其是“景别”和“镜头运动”这两个信息。

我在实践中固定了一套分镜描述模板：

角色描述：短发女生，白色T恤，黑色双肩包，神情焦虑 场景描述：夜晚的便利店门口，路灯暖黄色，地面有积水反光 景别：中景 镜头运动：从侧面缓缓推近 画面氛围：微风吹起发梢，招牌灯管闪烁 额外关键词：韩漫风格，电影感，细腻光影，高细节

分镜描述最忌讳的是信息模糊。你写“一个女生走在马路上”，AI 不知道是白天还是黑夜、近景还是远景、走路还是奔跑，出来的画面全靠运气。但只要你把角色、场景、景别、运镜、氛围五个要素写清楚，生成结果的可控性会大幅提升。

我习惯先用 AI 批量生成分镜描述——把分场脚本直接丢给大模型，让它按上面模板输出每个镜头的画面描述，然后我再人工快速过一遍，把 AI 描述里不符合人设和剧情的地方修正掉。这个过程大概一分钟能审十个镜头，比传统漫画的分镜快太多了。

2.3 节点三：文生视频与图生视频的选择策略

到了画面视频化这一步，工具选择很大程度上取决于你的画面复杂度。市面上主流的路子有两条：文生视频和图生视频。

文生视频的好处是快，直接输入一句提示词就能出动态片段，但缺点是角色长相控不住，同一个角色很难跨镜头保持一致。图生视频恰好相反——你先生成一张满意的静态图，再让视频模型基于这张图做运动，角色一致性会好很多，但每条视频的时长和运镜幅度限制比较大，一般单段 3-10 秒。

我的建议是：凡是有人物特写、需要角色一致的镜头，优先走图生视频；凡是空镜、远景、场景氛围镜头，可以放心走文生视频。这两种混用，既能把控质量，又能提高整体效率。刚开始做项目的人最容易犯的错误是全部用文生视频，结果一做多集，角色脸全飘了。

2.4 节点四：配音、音效、BGM 与成片剪辑的合成顺序

画面全部出来以后，合成阶段也有一个大多数新手不知道的次序问题。

如果你先剪好画面再加配音，你会发现配音情绪很难跟画面节奏完全对上，返工成本极高。我验证下来最顺的次序是：

1. 先出配音：按角色分配 TTS 音色，先把整段台词合出来。
2. 再铺画面：按配音时长去匹配画面片段，把每个镜头卡在台词对应的位置。
3. 加音效与 BGM：音效卡动作点，BGM 卡情绪段落。
4. 最后做字幕：字幕跟着配音走，而不是跟着画面走。

这样做的原因很简单：人的耳朵对声音节奏比眼睛对画面节奏更敏感。先有配音脚本，再去匹配画面，整体节奏会自然得多。反过来做，经常出现画面等台词、台词赶画面的问题。

3. 工具链选型实录：我踩完坑之后的最终组合

工具这块水很深，我前前后后试了不下二十个组合，这里直接分享目前最稳定的搭配，以及为什么这么选。需要说明的是，我提到的所有工具都是我实际用过的，有些是国产工具，有些是海外工具，大家可以根据自己的网络环境和花钱预算做替换。

3.1 LLM 选型对比：中文语感不是唯一指标

剧本生成阶段，我用过的模型包括但不限于：ChatGPT、Claude、Gemini、通义千问、DeepSeek、豆包等。我最后的组合是：剧情创意和分场拆解用 Claude，提示词润色和关键词扩展用通义千问，批量文本处理和格式化用 DeepSeek。

这个组合背后有三个考量：

• 创意的连贯性：Claude 在对长上下文的把握上明显更强，生成的故事大纲前后逻辑更顺，不容易出现人物动机断裂。
• 中文表达的细腻度：通义千问和豆包在中文语境下的日常表达更自然，尤其在生成台词时，不会出现明显的“翻译腔”。
• 格式稳定性：DeepSeek 在输出结构化文本（JSON、表格）时的稳定性很好，适合批量处理分镜脚本这种重复性工作。

如果你是零基础，不需要一步到位，直接先用一个你顺手的模型即可。但要记住：不要只用一款模型跑完整条链路，每个环节选最擅长的工具，效率会高很多。

3.2 出图工具的取舍：一致性优先于画面精美

出图工具我实测过 Midjourney、Stable Diffusion、即梦、可灵、DALL·E 等。后来组合基本稳定在：人设图和关键帧用即梦或可灵，批量辅助图和风格统一性要求高的场景用 Stable Diffusion + LoRA。

这里有一个很重要的认知：对漫剧来说，画面精美度是及格线，角色一致性才是生命线。一张图再漂亮，如果和前后镜头连不起来，那就是废图。

Midjourney 胜在审美上限高，画面质感确实好，但在做系列化人物控制时，操作成本比较高，需要反复调参考文献图。Stable Diffusion 配合 LoRA 能很好地锁定角色特征，但对零基础来说部署门槛偏高。国产工具像即梦、可灵在角色一致性上做了大量工程优化，对新手非常友好，出图速度也快。

我给新手的建议路径：先用即梦/可灵跑通一条完整链路，确认项目能成立，再回头研究 Stable Diffusion 的精调方案。不要一上来就搞 LoRA 训练，那是后期优化项，不是起步项。

3.3 图生视频工具实测：哪类镜头用哪家

图生视频工具目前选择也很多，我只说我真实测过的：可灵、Runway、Pika、Luma，还有 Vidu 和即梦的视频生成功能。实测下来我的经验是：

• 人物口型特写：优先可灵或即梦，对表情和口型的控制更稳。
• 大幅度运动镜头：优先 Runway / Pika，运动幅度处理得更好。
• 场景氛围动态（雨、风、光影变化）：Luma 和可灵表现都很好。
• 需要多镜头统一风格：建议全程用同一款工具生成，不同工具的美学风格差异会直接导致成片割裂。

这个环节还有一个参数要特别留意：画面运动幅度不要拉太高。幅度越高，人物变形风险越大。我一般把运动幅度控制在 3-6 之间，宁愿画面偏“静态漫剧”一点，也不要出现人的脸突然扭曲的恐怖效果。

顺带提一句，短剧漫剧对“动态感”的要求其实没有那么苛刻，观众更在意的是分镜切换的节奏和故事有没有吸引力。很多爆款 AI 漫剧，画面运动幅度其实很小，靠的是镜头切换和台词情绪。

3.4 语音与音乐：让角色有稳定声线的方案

配音这一段，我试过专门的 TTS 工具，也试过剪映自带的配音功能。结论是：新手直接用剪映的配音功能足够了，它提供了多组不同音色，涵盖旁白、男声、女声、童声等，基本够用。如果想做得更精细，可以上专门的 TTS 产品，连情绪控制都能微调。

这里分享一个提升配音效率的小技巧：把台词按角色分组，一次性生成整段同一角色的配音，而不是按镜头一句一句生成。这样做能保证同一个角色在一条片子里声线完全一致，避免因为配音工具随机波动导致的“同角色不同声”。

背景音乐和音效我目前主要从剪映的曲库和免版权音效库素材里找，选歌原则就一条：BGM 的情绪必须服从配音情绪，不能盖过台词。对白密集的场景把 BGM 音量压到 -12dB 左右，纯氛围镜头可以适当拉高。

3.5 剪辑与渲染导出参数参考

剪辑工具这一块，零基础首选剪映，字幕、特效、配乐、转场一个软件全搞定。如果以后项目规模大了，再考虑 Pr 或者达芬奇。特效转场这块，剪映自带的大量模板几乎能满足漫剧需求，没必要额外装插件。

导出参数我直接给一份参考：分辨率 1080P 或 2K（看发布平台），帧率 25fps 或 30fps，码率建议 8-12Mbps，编码 H.264。不要一上来就追求 4K，漫剧渲染的时间会成倍增加，而多数手机端用户根本看不出差别。

4. 关键的工程化思维：提示词模板与角色一致性管控

标题里提到的“智能量产”，很多人会误认为全靠 AI 自动完成。实际做下来你会发现，真正量产的核心是三个容易被忽视的工程细节：提示词模板复用、角色一致性控制方案、抽帧质检机制。这三个细节做到位，你才算从“手工制作”跨入“流水线生产”。

4.1 为什么半路开始做提示词工程才有效

新手最常见的做法是拿到提示词模板直接抄，结果发现效果不如预期，然后得出“模板没用”的结论。其实问题出在：模板只有在自己的项目语境里才有效。

同一句“夜晚的便利店门口”，在不同项目的提示词体系里，可能对应完全不同的画面质感。日漫风格和韩漫风格的描述词就不一样，甜宠剧和悬疑剧的氛围词也不同。所以我的建议是：不要直接套用别人的提示词，而是先用它跑几十张图，提炼出哪些词对你这个项目有效，哪些经常产生不想要的元素，再沉淀出属于你自己项目的提示词模板。

4.2 场景提示词的中控模板：一部剧只改变量

为了管理多集内容的一致性，我用了一套“中控模板”的思路——提前把一部剧的固定元素全部写进模板里，生成具体镜头时只替换变量部分。

固定元素包括：

• 美术风格：韩漫厚涂风格，光影细腻，饱和度适中
• 人物设定：每角色一段完整描述，反复使用
• 环境设定：主场景的固定描述，比如“旧城区老街，暖黄色路灯，斑驳墙面”
• 镜头语法：本片统一使用的镜头运动风格

变量部分只保留：

• 景别（特写/近景/中景/远景）
• 当前动作
• 当前情绪
• 特殊环境变化

举个例子，一个镜头的完整提示词可以写成：

固定风格 + 主角描述（短发女生白T恤）+ 场景描述（夜雨便利店） 变量：中景，回头看到熟悉的身影，惊讶表情，雨变大了

这样做的最大好处是：几十集做下来，风格不会漂移，因为每张图都从同一个“锚点”出发。这比每集重新写提示词可靠得多。

4.3 角色一致性三种主流方案及其适用场景

现在解决角色一致性，市面上的方案基本分三个层级，我分别说下适用场景：

• 方案一：参考图法。先确定角色初始图，然后在生成后续画面时上传这张图作为参考。这个方案最简单，适合零基础和预算有限的团队，缺点是参考力度有限，角色在多角度多表情下还是会漂。
• 方案二：模型微调法（LoRA）。用角色多角度图片训练一个 LoRA 小模型，后续生成时加载 LoRA，角色一致性大幅提升。这个方案需要一定技术门槛，但有大量教程可查，适合需要长期多集制作的项目。
• 方案三：角色卡+多维控制法。结合角色 ID 系统、多参考图、提示词权重调整等方法综合控制。这是工业级方案，适合全流程量产，但前期投入成本较高。

我自己实际跑项目的感受是：短篇实验用方案一够用；如果确认要做 20 集以上的长篇，必须尽早切换到方案二。等到播了 10 集再回头补 LoRA，就得把前面所有镜头全部重新生成一遍，那才是真正的灾难。

4.4 抽帧质检清单：播出一半发现人脸崩了才是事故

量产必须引入质检环节。这里的质检不需要把每张图放大细看，我采用的方法是“抽帧对比法”，分成三级：

• 第一级：出图阶段抽检。每生成一批镜头图（比如 20 张），随机抽 5 张，检查角色五官和服饰是否与角色卡一致。
• 第二级：视频生成后抽检。每条视频生成后播放一遍，重点看第 3-5 秒的中间帧，这个位置最容易出现人物变形。
• 第三级：成片前终检。合成粗剪后，按分钟抽帧，对照剧情表逐项确认画面信息与剧本是否匹配。

我把质检清单做成了一张打分表，按“角色一致度”和“剧情匹配度”两个大项打分，满分 10 分，低于 7 分的镜头直接回炉。不要心疼重做的成本，一个崩坏的镜头出现在成片里，对观众观感的伤害远比浪费三分钟生成时间大得多。

5. 手工案例跑通：从一段大纲到 60 秒成片

这节我用一个具体案例，把上面讲的全流程完整走一遍。案例设定很简单：一段 300 字的故事大纲，目标是产出一条 60 秒左右的漫剧片段。这个案例我刻意控制在“零基础也能照做”的范围内，所有操作都用最快路径完成。

5.1 案例设定与零基础操作路径

故事大纲如下：

深夜便利店，加完班的女生买关东煮时遇到一个同样疲惫的男生，两人因为最后一串鱼蛋互相谦让，最后一起分着吃了。没有过多对白，只有眼神和微笑。这是一个治愈系都市短片。

这个设定对文生内容很友好：场景少、角色少、情绪缓慢、对白极少，非常适合新手第一次跑通全流程。

零基础路径我按五步走：剧本生成、角色设定图、分镜画面、视频片段、剪辑合成。预计总耗时（不含排队和渲染等待）大约 3-4 小时，如果工具响应快，2 小时也能跑完。

5.2 剧本生成演示：用 3 步得到可拍摄的分场脚本

第一步，我给 LLM 下发大纲和项目定调（治愈系、都市成年人的疲惫与温暖），让它生成三幕结构的故事版本。第二步，输出分场脚本，要求包含场景地点、出场角色和核心事件。第三步，针对每一场输出分镜脚本，包含景别、画面描述和字幕文本。最终出来的分镜脚本大概 12-15 个镜头，对应 60 秒成片正好。

关键提示：分镜脚本一定要让 LLM 按表格结构输出，并且明确要求“画面描述不超过 50 个字”。字数限制很重要，否则 AI 给的描述又长又碎，丢给绘图工具反而不聚焦。

5.3 分镜图生成：一次出 4 张，选择最稳的一套

进入绘图工具后，我先把主角设定图和场景参考图各生成一组。以这个案例来说，角色只有一男一女，场景主要是便利店室内，工作量不大。

生成分镜图时，我按分镜脚本的字段逐条生成。每个镜头我习惯一次性生成 4 张候选图，然后挑一张“最稳”的：画面干净、角色正常、情绪符合剧本。这里的美学取舍是：优先选稳定的，不选惊艳的。一张惊艳但带轻微变形风险的图，视频化之后大概率会出问题。

5.4 视频段生成：每卡时长、运动幅度与生成参数

单个镜头的视频片段，我按剧本节奏控制在 3-6 秒。运动幅度看镜头类型：

这个案例里没有大幅动作场景，所以我全程用低运动幅度，重点保稳定。每条视频生成后，我都会快速预览一次中间帧，发现问题立即重新生成。

5.5 合成输出：剪辑、字幕、音效与成片验证

画面全部成片后，进剪映做合成。我先把配音台词按角色音色生成好（案例里女主角一句、男主角一句、旁白两句），再把视频片段按分镜脚本顺序拉到轨道上，按配音节奏对齐，最后加 BGM 和轻度环境音（便利店开门声、关东煮冒泡声）。字幕我用的剪映自动识别，微调后即可。

成片验证我固定做三件事：完整看一遍成片，检查是否有音画不同步；按分钟抽帧检查角色一致性；核对字幕文本是否有错别字或者断句问题。三步都通过，一条漫剧就完工了。

6. 量产级优化：批量生成、并行渲染与质量回退机制

手工模式能跑通，不代表能量产。从出一条 60 秒短片，到稳定产出几十集内容，中间还需要三个关键升级：批次规划、Agent 化编排、质量回退机制。这一节是“创作营”内容的进阶部分，也是从“手工爱好者”走向“量产团队”的分水岭。

6.1 批次规划：一集/一季的镜头清单管理

量产的第一步，是把“单集制作”升级成“批次制作”。我参考了软件工程里的“迭代开发”思路，把一季漫剧当成一个大项目，每集当成一次迭代。开工前先做一张全季镜头总表，包含每集的场景数、镜头数、角色清单、预计时长。

有了这张总表，我就能估算工作量、分配生成批次。比如 10 集漫剧，共 120 个镜头，按每批 20 张图来推进，一共 6 个批次。每批完成后集中质检，有问题的镜头在该批次内解决，不扩散到下一批。

这一做法可以有效防止“做第五集时发现第一集的角色设定已经微调过”这种版本失控问题。版本管理这件事，在 AI 漫剧里同样重要。

6.2 Agent 化编排的可能性：从人工复制粘贴到半自动流水线

“AI Agent”最近很火，但它落到漫剧生产上到底能干什么？我实际试验下来，适合量产的 Agent 化方向包括：

• 剧本分发 Agent：把分场脚本自动拆解成分镜描述，再按模板生成提示词。
• 批量出图 Agent：调用绘图接口，按提示词批量生成图，自动归档到对应集数目录。
• 视频生成编排 Agent：把静态图和运动参数组合成任务队列，自动排队、自动回传结果。
• 一字幕质检 Agent：检查字幕文本与台词文本是否一致，标记异常项。

如果是个人做项目，不一定要完整搭建这套系统，但哪怕只把其中一两个环节做成半自动脚本，也能节省大量重复劳动。我现在的工作流，至少有 30% 的操作已经被脚本替代：批量生成、自动改名、按分镜脚本归档、字幕初检。剩下 70% 的创作判断，仍然留给人来做。

也有人直接问我：能不能全自动一条龙？我的答案很明确：目前不能，也不建议。AI 漫剧的内容安全、审美质量、剧情逻辑，仍然需要人做最终把关，全自动化在这个阶段风险太大。

6.3 质量回退机制：哪些环节要留人工否决权

量产过程中，一个重要的机制是“质量回退”——某个环节出问题后，能快速定位到上游是哪一步造成的，并回到那个节点重新生成，而不是在错误基础上强行修补。

我给自己定了三条回退规则：

• 画面崩坏回退：如果视频生成阶段发现角色变形，回到绘图阶段重新生成该镜头的静态图，不要试图靠后期修。
• 风格漂移回退：如果某一批图风格明显偏离项目基准，检查提示词里是否漏了固定风格描述词，修正后重新生成这一批。
• 节奏失调回退：如果成片节奏不对，优先怀疑配音时长，回到配音环节调整语速，而不是硬切画面。

这三条规则几乎解决了我生产过程中 90% 的返工问题。回退的关键在于：回到正确的节点，而不是在错误的节点上反复折腾。这个道理在软件工程里叫“fail fast”，在漫剧生产里同样适用。

6.4 成本核算参考：算清每分钟成片的真实成本

最后聊一个很多人忽略但极其现实的问题：成本。量产的前提是经济上算得过来账，不然做久了必崩。

我按自己的实际使用情况，给一份大致的成本参考（单位：10 集 × 3 分钟，共 30 分钟成片）：

综合下来，一条 3 分钟漫剧的直接成本大约在 100-200 元，人工成本另算。这个成本量级，已经比传统漫剧低了一个数量级以上——这也正是 AI 漫剧能“量产”的经济基础。

最后再分享一个我个人的操作习惯：每个项目我都会单独建一个“角色卡文件”和“提示词模板包”，用固定命名归档到项目目录。新项目启动时，直接复制模板包改参数，能节省至少三小时的调试时间。这条习惯很小，但长期坚持下来，收益非常可观。