一、先想清楚两件事：生成和编辑是两套逻辑

生成阶段要做的是"把画面描述清楚"；编辑阶段要做的是"只改一处，别动其他"。很多人把两者混在一起，每次微调都重写整段提示词，结果画面每次都不一样，永远收不了尾。

正确姿势是：第一版定框架，后面全部用对话式迭代。

二、生成：五个要素定住画面

这里有个反直觉的点：地点不必写到每个细节。官方明确说，模型会基于你的整体意图去补全。写太多反而互相冲突。

三、编辑：一句话改一处，其他全保留

把这类视频模型想象成"视频版的图像编辑"——它支持用自然语言在任意步骤构建和微调。三个典型用法：

1. 局部替换。

把蝴蝶换成蜜蜂。
再把蜜蜂换成一小群萤火虫。

注意第二句是基于上一版继续改，而不是重新描述整个场景。模型会在多次修改中保留已经对的部分，让你只专注没对的地方。

2. 加元素。比如换背景、加一行字幕，都不需要重新给整段场景提示词。

3. 改镜头。镜头角度、视角、运动方式，同样用对话调整。

四、一套可复用的工作流

1. 短提示词试方向。只写主体 + 一句环境，连跑几个版本，选感觉最对的一版。
2. 长提示词定框架。把五个要素补全，锁定景别、风格、光线、地点、动作。
3. 逐条对话式微调。一次只改一个元素，改完看结果，不满意继续改同一处。
4. 记录有效的改法。把你用过的"有效句式"存下来（比如"把 X 换成 Y""让镜头缓慢推近"），下次直接复用。

五、三个容易踩的坑

• 每次重写整段。画面会跳到另一个版本，之前的努力白费。改一处就说一处。
• 一次改三处。出问题时不知道是哪句导致的。一次一个变量。
• 风格词堆砌。"电影感""大片感""高级感"这类词无法执行，换成可观察的描述：光线方向、色彩倾向、镜头运动。

生成靠想象力的密度，编辑靠克制的精度。前半段大胆，后半段克制。

最后一句提醒：这类工具的产出仍然需要人判断"这一版好不好"。模型能帮你 20 次改到位，但"到位"的标准，只有你知道。