200万粉的治愈萌宠号,我用免费 AI 跑了一遍:核心其实就这5步

我是梦想躺平的大橙，一个不想写代码的程序员

以前干过 5 年化工，后来转行写代码。现在看身边同行都在死磕 FDE、疯狂内卷，我反而更想折腾点轻量又好玩的 AI 小项目，带大家摸索点早日躺平的新路子

这期我就拿全网爆火的治愈系 AI 萌宠开刀，用豆包和元宝做了一只在厨房泡牛奶的小蜜蜂

先看成片效果：

整套流程我自己从头踩坑跑了一遍，拆开看其实就五步：定 IP ➔ 写分镜 ➔ 生成图 ➔ 生视频 ➔ 拼剪辑。

今天不讲虚的，把提示词和避坑经验放在每一步里，新手跟着做就行

为了不把“真实输入”和“事后整理”混在一起，下面统一标了来源。「实操原文」来自本期记录；「整理复现版」表示当时没有留下逐字输入，是我根据最终画面和遇到的问题整理的可复用版本

STEP 01第一步：先定 IP，别一上来就写剧本

很多人一上手就急着去编故事。做这类围绕固定角色更新的账号，我建议先把角色定下来

我做下来最直观的感受是，故事可以很简单，但角色不能没记忆点。我先把头身比锁在接近 1:1，让大头小身子的轮廓先软萌起来，再用细绒毛和柔和光线补出毛茸茸的触感

记忆点也不用堆太多。我只保留小蜜蜂原本的触角和翅膀，没有硬塞衣服、帽子和背包。东西一多，后面每个镜头都得跟着对，反而更容易乱

打开豆包，把这套逻辑丢进去出角色图

我实际用的不是一段直接生图的描述，而是先让豆包扮演「生图提示词专家」。我只给它一个很简单的输入，黄色的小蜜蜂，再让它扩写出完整的中英文提示词

这套写法的逻辑不复杂：先用 Role 告诉豆包，它现在负责把简单想法扩成生图提示词；再用 Constraints 禁止衣服、配饰、人类四肢和其他容易跑偏的东西；最后用 Output Format 锁住头身比、材质、五官与正反向提示词的结构

想换成小猫或小狗，只要把 Input 里的「黄色的小蜜蜂」换掉，再调整自然器官和主色调

实操原文：

PROMPT · 可复制

Role你是一名 “3D 治愈系 IP 生图提示词专家”。核心任务是将用户输入的简单概念，精准转化为拥有皮克斯级 3D 光影、软萌极简的盲盒风格生图提示词。Constraints绝对禁止添加任何人类衣物与人工配饰（如帽子、缝线等）。所有附加特征（如叶片、尾巴）必须设定为 “与皮肉相连的自然器官”。不解释思考过程，直接输出最终的中英文提示词。Input设定需求：黄色的小蜜蜂Output Format正向提示词 (Positive Prompt)：(3D 渲染治愈系极简软萌 [主体] 小精灵 IP:1.2), 8K 超高清，纯色干净背景。头身比严格 1:1, 大大的圆头部，圆滚滚的水滴形身体。底盘圆润，(身体两侧仅有极短的水滴状凸起作为肢体代替：1.2), (绝对无手指，绝对无脚趾，无关节：1.3)。(自然生长出 [结合特征描述]，与皮肉完美相连，非穿戴物：1.2)。极简治愈五官：双眼为闭合弯弧眯眯眼 (无眼珠), 极浅倒 U 型微笑线。脸颊有大面积柔和的 [结合主色调加深] 圆形腮红。[主色调] 植绒磨砂质感，极短细腻绒毛。(皮克斯级别 3D 柔和光影：1.3), 边缘微弱逆光高光。反向提示词 (Negative Prompt)：(复杂五官，睁眼，眼珠，人类四肢，手指，脚趾，关节，变形，多余肢体，文字水印，杂乱背景：1.4), ([结合当前主体的材质和形态，自动生成 3-5 个最容易混淆的负面冲突词汇，例如：衣物，缝线，塑料反光，真实毛发等]:1.3)

这里还有一个很真实的偏差。原提示词写的是「闭合弯弧眯眯眼」，反向词里甚至排除了「睁眼」，但最后采用的角色图却是黑色圆眼睛

AI 没有完全照做，我也没有为了让记录看起来完美，事后把原提示词改成睁眼。最终角色一旦选定，后面就以选中的图片为准

这里有个关键操作：角色出来满意了，别收手，继续让它生成一张「正、侧、背面三视图」

有了三视图，等于给角色办了张「身份证」。这一步如果偷懒，后面一换角度，小蜜蜂很容易直接「一秒变异」，触角、翅膀和身体比例各长各的，救起来比重做还麻烦

把刚才满意的角色图上传，再给它这段指令

这一步的原始记录只保存了三视图结果，没有保存逐字输入。下面这段不是实操原文，而是根据最终三视图整理出来的复现版

这一步要把已经满意的角色图设为唯一外观参考，写死侧面、正面、背面的排列顺序，同时禁止模型临场加衣服、换比例或重新设计角色

换成其他动物时，只要替换角色特征和需要重点检查的器官

整理复现版：

PROMPT · 可复制

以我上传的小蜜蜂角色图为唯一外观参考，生成同一角色的三视图。从左到右依次展示侧面、正面、背面，完整展示身体，不裁切触角和翅膀。三种视角保持相同的头身比例、黄棕条纹、绒毛、触角和翅膀形态。正面和侧面保持参考图的黑色圆眼睛、橙色鼻子、腮红与微笑。纯净浅色背景，光线统一，角色尺度一致。

三张图一定要放一起看，尤其检查触角、翅膀和身体比例。三视图自己都对不上，后面的分镜只会越做越乱

我这次做出来的角色图已经包含三个角度，左边是侧面，中间是正面，右边是背面。后面每次生图，我都拿它当小蜜蜂的外观底稿

STEP 02第二步：写分镜，新手先从小场景切入

角色定死后，让豆包跟着我们的输入生成分镜脚本

新手刚开始做，听我的，先别整拯救世界的大剧情，从日常、简单的动作开始。

比如我就设定：这只小蜜蜂在厨房，给自己做一杯蜂蜜牛奶。把这个想法丢给豆包，让它拆解成具体的连贯动作：倒牛奶、加蜂蜜、搅拌、倒出饮品，最后向镜头递杯子

把角色图一起上传，配上下面这段

这里实际用的是一个完整的「短视频分镜编剧」模板，不是我后来整理的五句动作清单

这个模板重点管住三件事：角色、道具和场景必须前后连续；单张画面只描述静止状态，不能把整个动作过程塞进首帧或尾帧；输出只保留分镜、首帧和尾帧，不让模型顺手写一堆无关内容

复制时，把 Inputs 里的故事、视觉设定和分镜规划换成自己的。本期对应的故事，就是小蜜蜂依次倒牛奶、加蜂蜜、搅拌、倒进杯子、展示成品

实操原文：

PROMPT · 可复制

# Role你是一名专业的“短视频分镜编剧”与“AI 视觉提示词专家”。你的核心任务是根据用户提供的一句话故事和视觉设定，将其转化为结构化、高连续性、可直接用于后续图片与视频生成的分镜脚本。# Constraints- **绝对忠于原意**：保留故事核心，动作简单自然，绝不擅自添加额外情节或配角。- **物理与视觉连贯**：首尾帧之间的动作必须是自然、可连贯完成的。保持相邻片段的角色、道具、场景高度一致。当构图与状态不变时，上一段的“尾帧”应当自然作为下一段的“首帧”起点。- **画面描述规则**：必须写清楚主体、位置、姿态、道具状态和构图，绝不能把整个动作过程塞进单张静态画面的描述中。- **镜头语言**：默认每段使用一个固定机位，特写镜头必须单独成段。- **语言与输出规范**：使用完整、直白的中文句子。不要为了显得专业而无意义地堆砌形容词。只输出脚本和首尾帧画面，**绝不输出**生图提示词、负向提示词、工具操作说明或解释性废话。# Inputs请根据以下设定的条件，为我生成分镜脚本：- 【一句话故事】：（在此处替换你的故事，如：小蜜蜂在温暖的迷你厨房里，为自己准备蜂蜜松饼早餐。第一段用铲子放松饼，第二段特写淋蜂蜜，第三段向镜头展示。）- 【视觉与角色设定】：（在此处替换画面风格，如：竖屏构图，清晨阳光、木质桌面，氛围温暖可爱。以附图小蜜蜂头像为角色依据，保持原有外观，不加服装。无旁白字幕。）- 【分镜规划】：（在此处替换时长，如：总时长约 15 秒，分为 3 段，每段约 5 秒。）# Output Format请严格按照以下格式输出：**故事概要**[用两三句话说明故事和最吸引人的地方]**分镜脚本****第 1 段 ｜ [段落名称] ｜ 预计 [X] 秒**- 画面与动作：[简述本段的主要动作，确保动作简单可完成]- 首帧：[静态画面描述：主体+位置+姿态+道具状态+构图]- 尾帧：[静态画面描述：主体+位置+姿态+道具状态+构图，必须与首帧合理衔接]**第 2 段 ｜ [段落名称] ｜ 预计 [X] 秒**- 画面与动作：[简述本段的主要动作]- 首帧：[静态画面描述，若机位和场景未切，须与上一段尾帧高度一致]- 尾帧：[静态画面描述]（以此类推，完成所有分镜段落的输出）

里面的「首帧、尾帧」，就是动作开始和结束时的画面。比如容器还没倾斜，到牛奶倒完、容器扶正，中间才是视频要表现的动作

拿到脚本，重点看相邻镜头能不能接上。前面倒进去的牛奶，后面不能凭空消失；刚用过的容器，也别突然换一个款式

等你把这一套单场景小动作跑顺了，后面再去慢慢把大场景、多镜头一点点往上加。分镜先定下来，后面生图才不会抓瞎

STEP 03第三步：生分镜图，用「母图」减少盲目抽卡

到了生分镜图这一步，我先把几个镜头放到一张多宫格里，看小蜜蜂的样子、厨房的色调和道具能不能对上，再逐张调整

这张总览图，就是后面生成单图时用的「母图」。

这次用到的厨房背景图，是我自己找出来的场景参考。它不是固定素材，你完全可以换成自己想要的场景，比如咖啡店、卧室、森林木屋，甚至太空舱

真正需要注意的是，一旦选定场景，后面的图片尽量继续使用同一张场景参考，别每个镜头换一次装修

具体操作时，先用上一步的分镜脚本生成多宫格提示词，再把角色三视图和选定的场景图作为参考，生成一张「多宫格」分镜总览

这一步原本也不是直接让豆包「画六宫格」。我的真实流程多了一层，先把已经写好的分镜脚本交给模型，让它转换成结构化的英文多宫格生图提示词，然后再拿生成的英文提示词去生图

转换时，模型会先把时间顺序换成每一格的空间位置，再把重复的场景和角色特征抽成 Global Style 与 Character Design，最后把连续动作压成一个能在静态图片里成立的瞬间

使用时，把 Inputs 里的分镜脚本换成上一步的输出；本期排版需求可以填「6 宫格，3 行 2 列」

实操原文：

PROMPT · 可复制

# Role你是一名顶级的“分镜到多宫格生图提示词转换专家”。你的核心任务是接收用户的分镜脚本，将其转化为结构化、高稳定性的英文多宫格生图提示词（适用于 Midjourney 等模型）。# Constraints- **转换逻辑**：绝不直接翻译原脚本，必须将“时间线”转化为明确的“物理空间排版”（如：[Panel 1: Top Left]）。- **去重提取**：必须从原脚本中提取重复的环境描述，统一作为 [Global Style]（全局画风）。- **一致性约束**：必须强化主角的连贯性，单独设立 [Character Design]（角色设定）约束。- **动作定格**：剔除无法在单张静态画里表现的复杂连续动作，只用英文描述该段落的高光瞬间。# Inputs请根据我提供的分镜脚本，生成生图提示词：- 【分镜脚本】：（💡在此处粘贴你的分镜脚本，例如：小蜜蜂制作蜂蜜牛奶的6个段落）- 【排版需求】：（💡在此处填写排版要求，例如：6宫格，2行3列）# Output Format请严格按照以下格式输出英文提示词，不要输出任何多余的解释废话：**正向提示词 (Positive Prompt)：**A [几宫格]-panel comic layout, storyboard grid, [行数] rows and [列数] columns, segmented panels, thick white borders between panels. **[Global Style]** [提取全局画风、光影、镜头]. **[Character Design]** The exact same [高度概括主角特征] in all panels. **[Panel 1: 空间位置]** [画面1精简动作]. **[Panel 2: 空间位置]** [画面2精简动作]... (以此类推). Highly detailed, 8k, best quality.**反向提示词 (Negative Prompt)：**(text, speech bubbles, watermark:1.4), (mutated, deformed, different character designs, inconsistent character:1.4), chaotic layout, missing borders, extra limbs, human hands, messy background.

下面这张就是本期此前实际生成的母图。它的局部动作和顺序，与现在归纳出来的五步不完全一致，但正好保留了当时真实的生成结果，也能看到人手入镜的问题

这么做最大的好处，就是能一眼看出所有镜头的色调、画风和角色一不一致，减少后面盲目抽卡的次数

然后，翻车现场来了

倒牛奶那一格，画面右上角莫名其妙伸进来一只人手。实际修图时，我没有重新写一大段生图提示词，而是直接用了豆包的「标记改图」

操作很简单，打开图片，选择「标记改图」，把错误的人手区域框出来，然后输入一句很具体的修改要求：

实操原文：

PROMPT · 可复制

删除人类手部，让小蜜蜂用自己的短小肢体扶住白色牛奶盒。

这里的关键不是把提示词写得多长，而是让模型知道「哪里错了」和「正确画面应该是什么」。只写删除人手，它可能把那块直接抹掉；补上让小蜜蜂自己扶住牛奶盒，修改目标就清楚多了

如果标记修改一两次还是不对，我的建议是直接新开一个对话，或者切换别的模型再试。别在同一个对话里不停加限制、反复死磕，旧上下文有时会一直把错误带回来

单图修完以后再放大检查一遍，重点看人手有没有删干净、角色肢体是否正常、道具有没有穿模。图片本身没问题，再进入视频生成

STEP 04第四步：上传全部图片，一次生成完整视频

这一步和常见的「一张图生成一个片段」不一样

我这次的实际做法，是把角色图和所有分镜图一起上传，让模型直接生成一段完整、连续的 15 秒视频。也就是说，倒牛奶、搅拌、加蜂蜜、倒进杯子和递给观众，全都放在同一次生成里完成

我只抽了一次卡，出来的质量就已经还可以

因为要让模型在 15 秒里完成多个动作，这段提示词会比较长。它主要锁四件事，角色不能变，六个画面要连起来，场景和光线要统一，声音只保留动作音效

下面就是这次实际使用的完整提示词

实操原文：

PROMPT · 可复制

生成视频：请参考我上传的全部图片，生成一段完整连续的 15 秒 9:16 竖屏治愈系短视频。图 1 作为小蜜蜂角色参考，整个视频中保持同一个角色形象，不改变五官、身体比例、黄色毛绒质感、棕色条纹、透明翅膀、触角和整体可爱风格。整个视频讲述：小蜜蜂在清晨温暖的迷你厨房里，制作一杯蜂蜜热牛奶，最后亲手把热牛奶递给镜头前的观众。画面 1：小蜜蜂站在温暖的迷你厨房里，双手抱着牛奶盒，把白色牛奶缓缓倒进小奶锅中。牛奶自然流入锅里，小蜜蜂身体微微前倾，认真看着奶锅。画面 2：小奶锅里的牛奶正在加热。小蜜蜂拿着小木勺，在锅里轻轻搅拌热牛奶。牛奶表面出现轻微涟漪，有少量柔和热气缓缓升起。画面 3：小蜜蜂拿起蜂蜜，将金黄色蜂蜜缓缓倒进热牛奶里。蜂蜜形成细细的金黄色流线，自然落入白色牛奶中，小蜜蜂动作缓慢、认真。画面 4：加入蜂蜜后，小蜜蜂继续用小木勺轻轻搅拌，让蜂蜜和热牛奶慢慢融合。锅中液体出现柔和旋涡，少量热气持续上升。画面 5：小蜜蜂双手拿起小奶锅，把做好的蜂蜜热牛奶缓缓倒进桌面上的白色杯子中。牛奶自然流入杯中，杯口冒出少量柔和热气。画面 6：小蜜蜂放下奶锅，双手捧起装满蜂蜜热牛奶的白色杯子，正对镜头，慢慢把杯子向镜头前递过来。杯子明显靠近镜头前景，小蜜蜂身体位于杯子后方，形成自然的前后透视关系。小蜜蜂看向镜头，露出开心、温柔的微笑，动作表现为“把这杯热牛奶亲手递给观众”，而不是单纯抱着杯子展示。画面整体要求：保持同一个温暖迷你厨房场景、木质桌面、柔和清晨阳光和统一暖色调。保持角色大小、外观、材质和画风一致。整体为高质量 3D 毛绒玩偶风格，柔软细腻的绒毛质感，浅景深，柔和自然光，温暖、安静、可爱、治愈。镜头运动保持轻微自然，以轻微推进和平移为主，不要剧烈运镜。角色动作柔和慢速，牛奶和蜂蜜的液体流动自然，不要夸张。声音要求：不要添加任何背景音乐、BGM、配乐或旋律。不要添加对白、旁白、歌声或其他人声。仅保留与动作对应的轻微自然音效，例如倒牛奶声、木勺搅拌声、蜂蜜流动声、牛奶倒入杯中的液体声，以及安静的室内环境声。不要添加文字、字幕、Logo、水印。不要增加多余角色。不要出现多余肢体、手指、翅膀或触角。不要改变小蜜蜂角色外观。不要出现脸部变形、身体变形、道具穿模。不要突然改变场景、色温或画风。9:16，15s

生成完成后，先别急着看某一个动作够不够完美。先从头到尾看一遍，检查故事是不是完整，角色有没有突然变脸，场景有没有跳掉，肢体和道具有没有明显穿模

这种一次生成完整视频的方式省事很多，但提示词里的角色、画面顺序、声音和负面要求都要写清楚。生成阶段出现的角色变形和穿模，后期剪辑很难真正救回来

STEP 05第五步：剪辑只做最后收尾

因为这次生成出来的就是一段完整连续的 15 秒视频，所以不用再把五六个片段拖进剪映重新排序

我只抽了一次卡，成片质量已经可以用。剪辑阶段主要做最后检查和收尾：裁掉不需要的开头、结尾，确认画面比例是 9:16，再听一下生成的自然音效是否正常

提示词里已经要求不要背景音乐、不要旁白，只保留倒牛奶、搅拌和液体流动这些轻微声音。如果生成结果已经符合要求，就不用为了显得做了很多工作，硬加转场、BGM 和一堆特效

这次跑下来，我自己的感受是，重点其实在前面的参考图和视频生成。生成质量够好，剪辑真的可以很轻

RECAP跑通之后的总结

其实大家看完这种视频，真不用觉得门槛有多高。把整个流程拆开，一步一步照着做，并没有想象中那么难

很多人迟迟不敢动手，卡住的地方往往不是某个工具不会用，而是根本不知道角色、分镜、生图、修图和视频生成这几步到底该怎么串起来

说句实在话，现在网上不少教程一上来就让你装一堆高大上的 Skill、插件，再搭一个看起来很复杂的工作流。看着挺唬人，但对刚开始做第一条视频的人来说，很容易还没动手，就先被工具劝退了

不如先把提示词怎么写、参考图怎么用、每一步怎么接起来摸透。基础调教到位以后，豆包和腾讯元宝这些现成的免费工具，一样能做出质量不错的片子

这次实际用到的提示词，我都整理在上面了。你可以直接拿去改，换成自己的角色和场景

以后只要网上又冒出什么看起来神乎其神的爆款玩法，我都会亲自下场跑一遍。能跑通，就把靠谱的真实工作流拆给大家；跑不通，也把翻车原因摆出来

如果这篇对你有用，顺手点个转发和关注

下一期你最想看我复刻什么好玩的 AI 玩法？评论区聊聊，我去替你们趟雷