video-spec-builder 0-1模式完整工作流:AI编导如何追问你5轮生成video-spec.md

原创2026-10-17 13:47:351,848 阅读
文章标签:AI 技能视频提示工程

video-spec-builder 0-1模式完整工作流:AI编导如何追问你5轮生成video-spec.md

video-spec-builder 是一个把「我想做个视频」逼成可执行分镜脚本的开源 AI 技能。它的 0-1 模式像一个老练的视频编导,通过 5 轮苏格拉底式追问,把你的模糊想法变成一份精确到秒的 video-spec.md,之后直接交给 HyperFrames 渲染成真实视频。本文带你走完全流程。

为什么需要「5 轮追问」

做视频最难的不是渲染,而是想清楚「我到底要做什么」🎬:

  • 只知道想要的「感觉」,描述不出具体画面
  • 有开头和结尾,中间是空白
  • 素材一大堆,但没有顺序

video-spec-builder 解决的就是「有想法但说不清」这个问题。它处于工作流上游(想法 → 脚本),下游是 HyperFrames(脚本 → 视频):

你:"我想做个视频"
      ↓
video-spec-builder(5 轮追问)
      ↓
video-spec.md(精确到秒的分镜脚本)
      ↓
HyperFrames 渲染(/hyperframes)
      ↓
成片

安装与触发只需一步:

npx skills add feicaiclub/video-spec-builder

一条命令覆盖 Codex、Claude Code、Cursor 等工具。装好后用大白话告诉 AI「我想做 3 分钟产品演示,发 YouTube」,它就会接管对话开始追问。

5 轮追问总览:5 个 Phase,从基本盘到参考

0-1 模式完整流程记录在 references/workflow-0-1.md:

Phase 1 视频基本盘 → Phase 2 素材盘点 → Phase 3 表达手段 → Phase 4 视觉主题 → Phase 5 参考与反例 → 充足度判断 → 拆镜头 → 输出 spec

两个值得注意的设计:

  • 每个 Phase 都有「硬指标」,不达标不进下一个;但允许跳过提问——你初始描述里已答过的,直接吸收,不机械重问
  • 从不向你暴露 Phase 编号。内部有 5 个阶段,嘴上说的是「你这视频的基本盘我懂了,现在聊聊你手头有什么素材」这种人话,而不是「进入 Phase 2」

第 1 轮 · 视频基本盘:钉死 7 个地基问题

Phase 1 是地基,7 个维度必须全部落到具体答案:

维度 要钉什么 这类回答会被驳回
视频目的 什么类型 + 让谁记住什么 + 看完做什么 「想火」「显得专业」
目标受众 具体画像:年龄 / 职业 / 观看场景 「年轻人」「所有人」
平台与时长 主平台 / 时长精确到秒 / 比例 / 帧率 「多平台都发」「时长不限」
核心信息 ≤ 12 字,能剪成大字海报标题 30 字的愿景口号
信息密度 hook / 教程 / 纪录,三选一 「中等节奏」
语气基调 1-2 个具体参考形象 「专业」「有质感」
观众熟悉度 术语懂的 / 不懂的边界 「都看得懂」

追问风格相当「刺耳」。你说「面向年轻人」,它会回:「18 岁的实习生和 32 岁的产品经理都是年轻人,差 14 岁。挑一个。」所有问法都沉淀在问题库 references/question-bank.md——每个维度都有五段结构:覆盖意图、主问题、追问深化、接受标准、不接受的答案。

第 2 轮 · 素材盘点:6 类素材逐项过

聊完基本盘,第二轮是「盘家底」📦。按顺序盘 6 类素材,每类状态必须明确为已有 / 待生成 / 无需:

  1. 内容素材:逐字稿(最高优先级,单独问;没有就主动提议帮你起草后人工审)
  2. 音频素材:旁白三选一(真人录音 / 本地 TTS / 无旁白)+ BGM 来源 + 音效
  3. 视频影像:真人出镜(要不要抠像)/ B-roll / Lottie
  4. 图形素材:插画、照片、Logo、字体(必须 .woff2 格式)
  5. 3D 资产:3D 模型 / shader 转场 / 音频反应可视化
  6. 待搜索素材:前面答「没有」的,写入搜索清单

待搜索清单每条必须 4 字段齐全:源平台、英文关键词、用途、验收标准。它只列清单不下载素材;你给的素材路径不存在,它会直接告诉你,而不是假装能用。

第 3 轮 · 表达手段:主动激发能力

这一轮最能体现 video-spec-builder 的特色——不等用户开口,主动告知渲染层能做什么,而且用「画面会变成什么样」来说话,不用技术名词:

  • 你说「加字幕」→ 它问「字幕要整句一起跳出来像看电影?还是一个字一个字蹦,像 Karpathy 推文那样讲到哪个词亮哪个?」
  • 你说「想要 3D 感」→ 它问「Apple 发布会那种 360° 产品真实旋转的沉浸感?还是 Stripe 文档那种卡片飘过的轻盈感?」

本轮要钉死 7 个维度:

维度 具体决策
场景类型组合 8 种类型选 2-4 种(大字海报 / 数据驱动 / 流程图解 / UI 演示等),按出现顺序列
文字呈现 字幕三档:常驻字幕 / 关键词高亮 / 卡拉 OK 逐词
动效语言 转场密度、主转场类型、是否音频反应
节奏基准 精确到平均每镜头秒数:hook 0.8-2s / 教程 2-5s / 纪录 3-8s
叙事节拍 hook / 高潮 / CTA 分别在第几秒
情绪曲线 开头 / 中段 / 收尾 3 个情绪词
音画关系 至少 1 处刻意错位的音画设计点

节奏不是感觉,是每秒承载多少信息的数学问题。具体档位参数、平台对照表都在 references/pacing-rules.md。

第 4 轮 · 视觉主题:8 个预设或自定义 design.md

第 4 轮决定整片调性,两条路任选其一:

路径 1:从 8 个 HyperFrames 预设里挑

主题 气质 适合
Swiss Pulse 精准克制 · 瑞士排版 SaaS、数据、开发工具
Velvet Standard 高端永恒 奢侈品、企业软件
Deconstructed 工业粗粝 科技发布、朋克边缘
Maximalist Type 排版炸街 大型发布、里程碑宣告
Data Drift 未来感沉浸 AI 产品、前沿科技
Soft Signal 温暖亲密 健康品牌、个人故事
Folk Frequency 文化鲜活 消费应用、社区产品
Shadow Cut 暗色电影感 安全产品、严肃叙事

路径 2:自定义主题 = 项目根目录的一个 design.md。只有感觉没有具体值?描述三个形容词,它调研后直接生成。仓库自带一个即开即用的 Spec Mono 主题(纯黑白、几何克制、SpaceX × Grok 风格),设计文件在 spec-mono/design.md。

注意:主题一旦选定,字体 / 字重 / 间距 / 动效曲线等细节全部锁定,不再回头追问。剩下可调的只有 4 个维度:accent 色覆盖、装饰密度、组件白名单 / 黑名单。

第 5 轮 · 参考与反例:「9 分像 1 分不一样」

最后一轮用具体作品校准方向,比抽象描述精确 10 倍:

  • 参考视频:至少 1 个具体作品 + 1 个差异化点。说「全都像」= 抄;说「我脑子里有个画面」却不给参考 = 强制找一个
  • 静态参考:海报、产品页截图,1-3 张图,说清楚参考哪一点(版式 / 颜色 / 字体 / 装饰)
  • 反例:至少 3 条「绝对不要」,视觉 / 叙事 / 节奏各 1 条。它明确认为反例往往比正例更精确,用它倒推视觉决策

追问纪律:它防的 4 种失效模式

为什么非要追问 5 轮?因为 SKILL.md 开宗明义列出了 AI 的 4 种典型失效,并逐一设计防御:

失效模式 表现 防御手段
凭印象瞎问 按训练印象出题,问不到真正重要的维度 问之前对照问题库的「覆盖意图」
和气接受敷衍 你说「都行」,它说「好的」 见到模糊副词,翻「不接受的答案」直接驳回
自我满足提前结束 「差不多够了」就急着生成 spec 对照「接受标准」,没齐不进下一维度
编造内容 把空白填上「听起来合理」的东西 只写你明确说过的;推断的必须标 [待用户确认]

对应的 8 条追问纪律还包括:能力告知先于追问、主题选定后不重复问锁定项、素材逐项盘问不漏报、每个 Phase 结尾闭环复述。最终效果一句话:形容词永远不算合格答案——「高大上」「高级感」「科技感」都会被打回去重新回答。

拆镜头:从脚本到每个镜头 11 个字段

5 轮问完,先做「充足度判断」:任何一项硬指标缺失 → 回对应 Phase 继续追问,不允许勉强生成半成品(半成品比没成品更糟,会误导渲染)。通过 Gate 后进入分镜起草,方法论在 references/scene-breakdown.md,共六步:

  1. 内容分割:逐字稿按句号断句、卖点列表逐项拆、大纲按三幕结构分
  2. 节奏分配:按节奏档位分配时长,校验总时长,禁止全片均速
  3. 镜头打标:[hook] [data] [cta] [bridge] 等 11 种标签,bridge 过场镜头 ≤ 15%
  4. 组件匹配:每镜锚定 references/components-catalog.md 中 69 个组件的真实 ID,不许自创
  5. 转场决策:只写类型(硬切 / 软切 / 反白闪屏 / shader),反白闪屏全片 ≤ 2 次
  6. 素材绑定:旁白、屏显文案、素材依赖(相对路径)逐镜绑定;缺素材标 [待补充素材] 并给退化方案

最终分镜表里每个 Scene 都有 11 个字段:

类型 / 组件 / 旁白文案 / 屏显文案 / 期待内容 / 期待效果 / 画面描述 / 动效要点 / 音效描述 / 转场进入+离开 / 素材依赖

其中几个硬约束:时间精度 0.1s;动效要点只写动词(SLAMS / CASCADE / FLOATS),不写毫秒参数;音效描述不能省,没音效就写「无」。

最终产物:video-spec.md 的 9 节结构

聊完的一切,最终填入 templates/video-spec-template.md 骨架,共 9 节:

# 章节 内容
1 视频基本盘 标题 / 目的 / 受众 / 平台时长 / 核心信息 / 语气基调
2 叙事结构 节拍 / 情绪曲线 / 音画关系 / 同质化反例
3 表达手段 场景组合 / 字幕 / 转场 / 节奏基准
4 视觉规范 主题 / accent 色 / 装饰密度 / 组件取舍
5 素材清单 已有 / 待生成 / 待搜索,三张表
6 分镜表 一个 Scene 一段,11 字段全填
7 音频时间轴 旁白 / BGM / 音效时间码
8 参考与反例 正向参考 + 反例清单
9 开放问题 待确认点逐条列,没有就写「spec 已完整」

输出前还要逐条过 references/spec-rules.md 的交付前自检清单:平台与画幅一致、总时长误差 ≤ ±0.5s、hook 落在开头 3 秒内……仓库里附了一份完整示例 examples/video-spec-spacex.md——B 站 180 秒的 SpaceX 科普片,20 个镜头,可以直接看一份成品 video-spec.md 长什么样。

下一步就一条命令:

/hyperframes

HyperFrames 读取 video-spec.md 渲染出视频,编导角色到此退场。之后想小改(换镜头 / 调节奏 / 换音乐)也不用重跑 5 轮——只要项目里有 video-spec.md,直接说想改什么,它就切换到迭代模式 references/workflow-iteration.md:按变更深度追问、检测冲突、精确更新脚本。

写在最后

video-spec-builder 0-1 模式的价值,是把「模糊」变成一套流程:5 轮追问各有硬指标和接受标准,形容词过不了关,内容不凭空补,最终交出一份渲染端可直接执行的脚本。它不替你想点子,只做一件事——追问到你想清楚,直到这份视频真的做出来 ✍️

登录后查看全文
video-spec-builder