复杂场景的三段式提示词：总体设定、镜头序列、约束包

猫斯卡编辑部 ｜ 最后更新日期 2026 年 7 月 25 日

复杂场景别用一段长提示词硬塞。把它拆成总体设定、镜头序列、约束包三段，先定环境基调，再按镜头序号写动作与运镜，最后兜底画质与一致性，模型更稳，返工更少。

为什么一段式提示词在复杂场景里容易崩

简单场景——一个人站在窗前说话、一个背影走在走廊里——一段提示词够用。但一旦场景里出现多人、多动作、多机位切换、光影变化、道具交互，一段式写法就会出问题：模型不知道哪句是环境、哪句是动作、哪句是兜底要求，经常把运镜叠在一起、把动作顺序打乱、把约束当成画面内容画出来。

三段式提示词是把片场的分镜表逻辑搬进提示词：先告诉模型「这是哪里、什么时间、什么气氛」，再按镜头序号一条一条写「谁在做什么、镜头怎么动」，最后用一个独立段落把画质、稳定性、禁忌项打包兜底。三段各司其职，互不打架。

三段式的结构

三段之间用空行隔开，不要用花哨的分隔符。模型对空行分段的识别最稳定。

第一段：总体设定

总体设定只回答一个问题：观众推开这扇门，第一眼看到的是什么样的空间？

要写的内容：

• 空间：内景还是外景、具体地点（如「老旧派出所审讯室」「山顶悬崖边的青石平台」）。
• 时间与光线：日夜、光源方向、色温倾向（如「深夜，头顶一盏日光灯，冷白光，墙面发绿」）。
• 色调与气氛：整体色调倾向、空气感（如「潮湿、压抑，阴影浓重」）。
• 人物站位：谁在场、大致位置关系（如「男主坐在铁椅上，背对门口；女警站在桌后，手里夹着文件」）。
• 视觉风格锚点：画风路径已经在系统侧注入，这里只补本场特有的风格偏移（如「轻微手持纪实感」）。

这一段不要出现「镜头推近」「她转身」这类动作或运镜指令。动作归第二段管。

一个反例：「深夜审讯室，冷白灯光，男主坐在椅子上，镜头慢慢推近他的脸，他突然抬头……」——这里把环境、动作、运镜搅在一起，模型会分不清优先级。

第二段：镜头序列

镜头序列是三段里最核心的一段。它的写法直接决定成片的可控程度。

用镜头序号，不用绝对秒数

写「镜头1」「镜头2」「镜头3」，不要写「0–3秒」「3–6秒」。原因有两个：一是不同模型对时长的理解差异很大，秒数约束经常失效；二是镜头序号天然对应剪辑台上的clip顺序，后期调整时改序号比改秒数清晰得多。

一镜一运镜

每个镜头只给一个运镜指令。「推」「拉」「摇」「移」「跟」「固定」，选一个。禁止写「镜头先推近再横摇到门口」——单镜内叠加运镜是AI视频崩坏的高频原因，模型会在两种运动之间拉扯，画面容易抖、糊、变形。

如果确实需要从A运动到B，拆成两个镜头。

动作要细化、要量化

「他很生气」是小说语言，不是分镜语言。要写成肢体细节加程度：

• ❌「他很生气，拍了桌子」
• ✅「他右手猛地拍在桌面上，指节发白，上身前倾，眉头紧锁，牙关咬紧」

程度量化是给模型一个动作幅度的锚点：「微微点头」和「狠狠点头」是两种完全不同的画面，「缓缓站起」和「猛地站起」也是。优先写低缓连续动作，减少高爆发动态——后者在当前视频模型里更容易出现肢体崩坏。

台词、音效、BGM 的符号规范

• 台词用花括号：{你到底是谁派来的}
• 音效用尖括号：<铁门哐当关上>
• BGM 用圆括号：（低频弦乐持续铺底）

这些符号不是装饰，是给下游渲染链路的标记，让它知道哪段要对口型、哪段要配音效、哪段是音乐层。

一个镜头序列的示例骨架

`` 镜头1：中景，固定机位。男主坐在铁椅上，双手交叉放在桌面，指尖微微收紧，目光低垂。{我没什么好说的。} 镜头2：近景，缓慢推近。女警站在桌后，把文件轻轻摊开，抬眼直视男主，嘴角没有表情。<纸张摩擦桌面> 镜头3：特写，固定。男主的瞳孔轻微收缩，喉结上下动了一下，右手食指在桌面上极轻地敲了两下。（心跳声渐起） ``

注意三个镜头的运镜：固定、推近、固定，没有叠加。动作都是可执行的肢体细节，没有形容词堆砌。

第三段：约束包

约束包是兜底段，每场都要有，而且写法相对固定。它不创造新内容，只负责防止常见崩坏。

标准约束包包含：

• 画质兜底：高清、细节清晰、无模糊、无噪点异常。
• 面部稳定：人物面部五官稳定，不畸变，不漂移。
• 无水印无Logo：画面中不出现任何文字水印、平台标识、乱码字符。
• 多人场景防分身：当场景里有两个及以上人物时，明确写「多人区分明显，不出现双胞胎脸、不出现多余肢体、不出现重复人物」。
• 风格锚定：非写实画风要在这里重申风格锚点，防止模型在复杂动作下漂移回写实。
• 参考图约束：有参考图的人物，文字不再描写服装与外貌，只写动作、表情、伤情。

约束包要放在最后。放在前面或中间，模型可能把约束词当成画面内容的一部分去生成（比如真的在画面里画出「无水印」三个字）。

什么时候用三段式，什么时候用一段式

不是所有场景都需要三段式。判断标准很简单：

硬规则是：只要你发现自己在一段提示词里写了超过两个运镜、或者超过三个动作节拍，就该拆三段。

几个常见的返工原因

1. 总体设定里塞了动作：模型会把动作当成环境的一部分反复执行，导致人物在镜头1就开始做镜头3的事。
2. 镜头序列里用了绝对秒数：不同模型对时长的换算不一致，经常出现镜头2的内容跑到镜头1的时间里。
3. 一镜多运镜：推+摇、跟+升这类组合是画面抖动和变形的高发区。
4. 约束包写在中间：模型把「无水印」「面部稳定」当成画面元素处理。
5. 动作写得太抽象：「他很激动」「气氛紧张」这类词模型无法执行，必须翻译成肢体和光影。

这套写法的边界

三段式是工程化的提示词结构，它解决的是「模型能不能按你想的顺序和方式执行」的问题，不解决「你想的东西本身好不好看」的问题。审美判断——这个镜头该不该推、这句台词该不该给特写、这场戏的节奏对不对——仍然在导演和编剧手里。

另外，约10秒的场块是工程启发式，不是时间码精剪。超长场会被再拆，但仍可能出现偏长的块；精剪与串场成片需要后续剪辑环节完成。当前的产品单元是「单场多模态参考 → 单段成片」，不做跨场自动续写或延长视频的产品化工作流。

系统在教模型用分镜表语言说话，而不是写小说。把重复的、易漂移的、易失控的部分变成可约束的流水线，审美判断仍然坐在人这边。

关于猫斯卡 ｜ 猫斯卡 · 专业AI视频自动生产系统。把创意评估、剧本写作、人物场景道具定妆、镜头提示词与出片串成一条可审、可改、可回退的生产链。官网：www.maosika.com