ARTICLE · 1116672
AI 出图没有故事感?问题出在提示词里没有“导演”
AI 出图没有故事感?问题出在提示词里没有“导演”用即梦、可灵、Midjourney 出图的人，大概都经历过同一个阶段：提示词越写越长，画面却越来越像壁纸。“绝美”“梦幻”“史诗感”堆了一堆，图确实好看，但好看得没话说。 把一批图摆在一起，你会发现构图、情绪、人物状态都差不多，只是换了背景和颜色。问题不在模型，在你写提示词的方式。你一直在描述画面，没有在设计一个瞬间。 为什么堆词没用？因为模型是在猜最可能的答案。“绝美”“梦幻”这类词太安全了，它只能给出一张哪儿都对、哪儿都不记得的图。真正的信息量来自具体的决定：谁，在哪，在干什么，和什么有关系。 这篇文章要讲的这套 Skill，叫“超现实电影底图提示词导演”。它不提供词库，提供一套导演工作流：把主题、情绪、故事，变成有明确人物关系、视觉隐喻和电影感的画面提示词；图生成之后，还能继续产出约 5 秒单镜头的图生视频提示词。下面拆开讲它到底怎么工作。 01 先回答六个问题，再动笔 这套流程的第一条规则：每幅画面必须明确写出六样东西：人物、道具或生物、动作、场景、环境、情绪关系，缺一个都不算完成。同时禁止一堆模糊表达，“某个”“一种”“或者”“类似”“可以根据需要选择”。这些词一出现，等于把决定权扔回模型，模型就会挑一个最平均、最安全的答案。 错误示例是“一个女孩站在某个荒野里，身旁有一种巨大动物”。正确示例是“年轻中国古风女子坐在浅水中央，穿素白色汉服，宽袖垂落水面，一条巨大白蛇从她身后抬起头部，远处是雾气笼罩的青灰色山影”。差别一眼就能看出来：前者是形容词的堆叠，后者是分镜。 缺一个要素，画面就塌一块。人物没有动作，就是摆拍；道具和人物没有关系，就是装饰；场景不具体，情绪就无处安放。六要素不是凑数的清单，是给模型的边界，也是给自己想清楚的分镜。 02 画面必须有人物与世界的关系 只罗列漂亮元素，图还是空的。这套 Skill 要求每张图先建立一段关系：人物依靠巨大生物、人物忽略巨大生物、生物保护人物、人与生物互相凝视、人物害怕但没有逃跑。关系定了，情绪就从画面里长出来，不用写“悲伤”“孤独”这种情绪词。 拿白蛇那张举例（见下文图1）。女子坐在浅水里，没有回头，白蛇从她身后抬起头部，体积是她的好几倍。设定里没写“恐惧”，但压迫感已经在了。这就是把情绪翻译成视觉关系：生物替人物说出说不出口的东西。 03 一次出 6 张，就要按 6 张来设计 单张图好看不难，一批图都好看才难。这套 Skill 有专门的去重规则：同一批画面不能只换动物、服装或背景；不能所有人都站着看镜头；不能全是白裙、黑西装、海边、花田；不能连续用同一种构图和族裔。 可用的差异包括：站立、坐下、躺卧、依靠、触碰、对视、背对、被环绕、共同看向远方、躲在巨大生物投下的阴影里。每张图只保留一个主要动作。下面这 6 张，是我按这套规则出的演示图，六个主题、人物族裔、动作、场景、构图全部错开。 如果暂时没有方向，这套 Skill 还内置了主题库：梦与错误记忆、城市孤独、身体与植物、欲望后的空洞、时间停止、童年遗物、海洋进入现实、爱情残留、末日后的平静。选一个主题，再往里面填六要素，比从零开始想容易得多。 图1，人与巨大生物：古风女子坐在浅水中，白蛇从她身后抬头，女子没有回头。运动线索是水面波纹和蛇的呼吸。 
图1：白蛇与素衣女子，主题“人与巨大生物”（AI 生成示意图） 图2，身体与植物：红发女人站在废弃温室里，藤蔓和白色花朵从她手臂和裙摆边缘生长出来，她低头看着自己的手腕。运动线索是花瓣半开和光斑浮动。 
图2：温室与藤蔓，主题“身体与植物”（AI 生成示意图） 图3，爱情残留：深夜咖啡馆，女人伸手悬在桌面，没有碰对面空椅上那件叠好的外套，咖啡已经冷掉。运动线索是窗外雨水和霓虹晕开。 
图3：咖啡馆的空椅子，主题“爱情残留”（AI 生成示意图） 图4，末日后的平静：黑人青年站在半塌的图书馆里，用手帕仔细擦拭一本旧书，阳光从屋顶裂缝落下。运动线索是灰尘在光柱里浮动。 
图4：废墟图书馆，主题“末日后的平静”（AI 生成示意图） 图5，海洋进入现实：女人仰面躺在床上，潮水漫过地板，小鱼和珊瑚在床周围游动，她看着天花板。运动线索是鱼群游动和水面微光。 
图5：卧室里的潮水，主题“海洋进入现实”（AI 生成示意图） 图6，时间停止：男人站在暴雨中的十字路口伸手去接，所有雨滴悬停在半空，水花凝固成弧线。运动线索是第一滴雨即将落下。 
图6：冻结的雨，主题“时间停止”（AI 生成示意图） 04 把画面停在“下一秒”之前 这套规则里最值钱的一条：画面要停在下一秒即将发生变化的瞬间，而不是已经完成全部剧情的瞬间。原因很实际，这套图要当图生视频的底图用，画面里得留出可动的空间。 具体做法是内置一到两个自然运动元素：风吹头发、衣摆轻动、花草摇晃、烟雾飘散、水面波纹、光斑变化、动物呼吸。但动作必须克制，不要让人物在一张底图里同时奔跑、转身、哭泣、挥手。看“冻结的雨”，雨滴悬在半空，男人伸手想接，画面就停在第一滴雨即将落下的那一刻。这一口气，就是视频的入口。 这条规则同时保护了画面本身：动作越少，模型越不容易画崩。一个克制的瞬间，比十个激烈动作更稳，也更有镜头感。 05 一套设定，两套提示词 每张图会同时输出两套提示词。中文通用版给即梦、可灵、Seedream 这类支持中文输入的模型用，16:9 横版，配固定的中文风格描述：20 世纪 90 年代法国电影美学、复古胶片颗粒、低饱和色彩、16 毫米胶片质感、斑驳阳光、油画般的明暗对比、电影级景深。 Midjourney 版把同样的人物、动作、道具、场景转成精炼英文，结尾锁死一段固定尾缀，不删词、不调序、不加参数。两套提示词的人物、服装、动作、场景必须一一对应，中文写白蛇，英文就不能变成白龙。 锁尾缀这件事反直觉，但有用。风格稳定靠的不是每张图重新描述一遍“电影感”，而是让一段固定风格反复出现。模型会把它当基线，每张图只需要改主体内容，风格自然连贯。 拿“冻结的雨”举例，中文通用提示词大概是这样的：16:9 横版画面，90 年代法国电影美学，复古胶片颗粒，低饱和色彩，16 毫米胶片质感，斑驳阳光，油画般的明暗对比，电影级景深；年轻日本男人站在暴雨中的十字路口，穿深色旧风衣，微微抬起右手想接住什么，所有雨滴悬停在半空，水花凝固成弧线，一张报纸停在半空，画面停在第一滴雨即将落下的瞬间。 06 图生视频：5 秒，一个镜头 图生成后，把图喂给视频模型。第二阶段的标准是：约 5 秒、整段一个连续镜头、不切镜、不转场。运镜只选一个：人物近景就轻微推进，人物和巨物同框就轻微后拉展示比例，前景有遮挡就从前景后方横移。 动态分三层优先级。环境动态（风、水、雾、光斑）优先，其次人物微动作（缓慢眨眼、呼吸带动肩膀、指尖收紧），最后才是生物行为（蛇缓慢抬头、鹿耳朵转动）。动作必须符合真实运动逻辑，不能让巨兽瞬移。 给“冻结的雨”配的视频提示词大概是：极缓慢向前推进，男子抬起的手掌微微张开，悬停的雨滴开始缓慢下落，第一滴水落进他掌心，被风卷起的报纸轻轻晃动，街灯光晕在水汽里散开。（视频仅有音效内容，无音乐） 声音环境也要写进提示词：风声、水流声、雨声、布料摩擦声。视频模型会根据描述配环境音，结尾统一标注“视频仅有音效内容，无音乐”，避免它自作主张加一段配乐。 07 你真正该抄的不是提示词 这套流程走完你会发现，提示词本身反而不是重点。重点是动手之前，你先替画面做了几个决定：谁和谁是什么关系，停在哪个瞬间，留什么给动起来。模型只是执行你的分镜。 下次拿到一个主题，先别急着堆形容词。先写一句关系句，比如“女子把额头贴在巨大白鹿的前腿上，白鹿低头注视她”，再补环境，最后才是风格词。导演想清楚了，演员才知道往哪站。 出图前可以拿四句话自查：人物是谁，和世界是什么关系，动作只有一个吗，画面停在哪个瞬间。四句都答得上来，提示词基本不会跑偏。 08 领取完整 Skill 这套「超现实电影底图提示词导演」Skill 已经打包好放在云盘里，点下面的链接就能直接下载： 点击领取：surreal-cinematic-keyframe-director.zip 下载后把压缩包里的 SKILL.md 放进支持 Skill 的工具（如豆包）的 skills 目录，重启后直接对它说一个主题，就能开始当导演。 