做 AI 视频的人多半经历过这种挫败：提示词写得很详细，生成出来的画面却完全不是那回事——人物脸崩了、动作鬼畜、镜头乱切、氛围和你想的差了十万八千里。
问题往往不在视频模型本身，而在你的分镜提示词写法。我们把工业级分镜表的写法拆成 6 条可复用的规则，这也是 AI 影工场内部生成视频提示词时遵循的规则。
一个镜头只做一件事
反面："一个男人走进酒吧，坐下，点了一杯威士忌，然后开始和酒保聊天。"
正面：拆成 4 个镜头——①男人推门进店 ②坐到吧台前 ③点酒 ④和酒保对视开口。
视频模型一次只能处理一个动作单元。你把 4 个动作塞进一个提示词，它会随机选一个做，其他全部忽略。每个镜头的时长控制在 3-8 秒，超过这个长度信息密度就压不住了。
写动作，不写情绪
反面："他很愤怒地看着她。"
正面："他攥紧拳头，眉头皱起，身体前倾，盯着她。"
"愤怒"是抽象情绪，视频模型画不出来。把抽象情绪翻译成具体的肢体动作：攥拳、皱眉、前倾、后退、别过脸。模型只能渲染看得见的东西。
台词按时长算字数
中文配音正常语速约每秒 4-5 个字。一个 6 秒的镜头，台词就别超过 25 个字。
很多人写分镜时不考虑时长，结果配音时发现台词塞不进去——要么说得像rap，要么镜头被拖长。先定镜头时长，再按字数写台词，而不是反过来。
因果链四步锁：动机→动作→结果→反应
每个镜头都要能回答四个问题：
- 他为什么做？（动机）
- 他做了什么？（动作）
- 导致了什么？（结果）
- 对方/环境怎么反应？（反应）
缺任何一步，这个镜头就是"流水账"——观众不知道他为什么要这么做，代入感立刻消失。AI 影工场把这条做成了生成时的硬校验，缺步就重出。
物理自洽：杯子里要有酒，谁的眼镜谁扶
AI 视频最常见的穿帮：空杯子倒酒、眼镜凭空出现在另一个人脸上、物件穿模。
写提示词时，主动交代物件的物理状态和归属："他举起桌上那杯还有半杯琥珀色液体的玻璃杯""她扶住滑到鼻尖的黑框眼镜"。你不写，模型就自由发挥，十有八九穿帮。
冲突三档轮换：别连续 3 镜同档
镜头冲突分三档：肢体冲突（打斗、推搡）、语言顶回（争吵、反驳）、沉默停帧（3-5 秒不说话，表情或环境特写）。
连续 3 镜肢体冲突，观众麻木；连续 3 镜对话，观众犯困。三档循环着排，节奏才不塌。每集至少要有 1 个沉默停帧镜，让观众喘口气。
这些规则为什么要写进软件
手动写分镜提示词，6 条规则每条都要记着，很容易漏。AI 影工场把这 6 条做成了生成规则——你只需要写清楚剧情和角色，软件自动把抽象剧情翻译成符合这 6 条规则的视频提示词。这也是它和"直接跟视频模型聊天"最大的区别：专业编剧的检查清单被固化成了机器规则。