这次复刻为什么看起来不像导演做的
这次做一条复刻视频，表面上的任务并不复杂：先拿到文案，再根据原视频的节奏和内容生成一版新的草稿。前面的分析也确实给出了镜头、语音识别、角色归因和时间戳。信息看上去已经很齐了，下一步似乎只要把它们整理成提示词，交给生成平台就可以。
但成片出来以后，问题非常具体：11个镜头近似都是中近景，前后还有10个接缝问题。它不是完全不能看，而是从镜头组织上暴露出一个事实：导演并没有真正参与创作。上一版提示词由执行者手写，写的是“看起来完整”的描述，却没有经过导演层的判断和编译。
我一开始也容易把这理解成生成平台发挥不稳定。后来回头看流程，才发现平台只是把收到的东西执行出来。镜头景别为什么要变化，哪里需要特写，哪一个反应镜头应该接住上一句台词，这些决定根本没有被写入流程。如果导演的判断没有进入结构化输入，生成平台再强，也只能把缺少判断的素材放大。
表面是提示词问题，实际上是职责混在了一起
这件事表面上是在改提示词，实际上是在重新划分视频分析、规则清洗、导演判断和生成执行的边界。边界一旦混在一起，每一层都会做一点自己不该做的事，最后却没人对成片的连贯性负责。
视频分析应该回答“原视频里发生了什么”。它负责识别镜头、提取语音、判断说话人和记录时间戳。它可以告诉我们某一段什么时候切换、谁在说话、画面里有什么，但它不负责替二创决定应该怎样重新组织镜头。
规则清洗负责把不适合直接进入后续流程的内容处理干净。比如整理字幕、统一时间格式、去掉不允许带入的身份信息。它的价值在于稳定和可检查，而不是临场发挥审美。把清洗层当成导演层，通常会得到更整齐的文本，却不会自动得到更好的叙事。
导演层要处理的是另一类问题：这段内容的情绪怎么递进，镜头覆盖是否足够，人物状态怎么连续，什么时候用说话人近景，什么时候切到听者的反应，哪些特写能够让台词的重音真正落地。这些不是分析结果的同义改写，而是对事实进行创作性组织。
生成平台则负责执行已经明确的镜头要求。它可以完成画面生成、草稿拼装和基础输出，但不能替我们补上没有作出的导演决定。职责边界不是流程上的形式，它决定了每一条重要判断究竟在哪里产生、由什么方式被验收。
最容易误判的错误捷径
最容易误判的错误捷径，是把分析结果直接交给生成平台，或者让执行者临时手写一段看似完整的提示词。这样做的好处是快，尤其在任务刚开始时，会让人产生“链路已经打通”的感觉。但它把最重要的创作判断留在了人的临场记忆里。
临时手写的问题，不只是容易漏写几个镜头类型。更大的问题是，写作者往往会按照眼前一句话描述一个镜头，却没有同时检查它和前后镜头的关系。于是每个提示词单独看都合理，放在一起却可能景别重复、视线跳变、动作接不上，情绪也没有递进。
如果不处理这个问题，后果不会只停留在“画面有点单调”。镜头覆盖不足会让成片像连续的口播截图；接缝问题会让观众在每次切换时重新寻找空间和人物；人物状态没有连续约束，后面的生成就可能把已经发生的动作重新解释一遍。最终，导演的审美只停留在交付者脑子里，无法被复用，也无法被检查。
我没有选择继续润色那一段手写提示词，是因为它的缺陷不是词语不够漂亮，而是没有一个能承载导演判断的中间结构。继续改句子，只会让偶然性变得更精致。真正需要改变的是提示词的来源。
先做导演包，再编译提示词
重新拆链以后，我把导演层的产物定义成一个结构化的分镜 packet。它不是一段给人看的长说明，而是每个镜头都必须携带的创作信息。第一部分是连贯性圣经，写清楚需要在镜头之间保持不变的内容：人物身份、空间关系、视觉基调、关键道具和时间状态。它的作用不是增加描述，而是防止每个镜头各自重新发明世界。
第二部分是镜头覆盖。不能只记录“有几个镜头”，而要检查这些镜头是否覆盖了叙事真正需要的视角。说话人近景可以承载表达，听者反应特写可以承载信息被接收后的情绪，多人主镜可以交代关系和空间。景别变化也不是为了炫技，而是让观众知道什么时候该关注谁、什么时候该感受整体气氛。
第三部分是语气和情绪。台词相同，语气不同，镜头组织就会不同。导演包需要说明一句话是在解释、质疑、压迫、缓和还是制造笑点，还要说明情绪如何从前一句延续到后一句。这样，镜头不是孤立的图像描述，而成为表演节奏的一部分。
第四部分是可验收的提示词约束。每个镜头要写清景别、主体、动作、情绪、视线、镜头运动、与前后镜头的接续关系，以及哪些内容不能改变。这里最关键的是把“我要有电影感”改成可以检查的条件，例如本段必须出现反应镜，连续镜头不能全部使用同一景别，动作必须从上一镜头的状态开始。
我判断这种结构值得保留，是因为它把“导演觉得应该这样”转换成了“每个镜头必须满足什么”。前者只能靠人记，后者可以由编译器生成，也可以由规则门禁检查。提示词不应该由执行者临场创作，而应该由导演确认过的分镜 packet 编译生成。
编译不是翻译，而是保留创作意图
这里的“编译”不能简单理解成把字段拼接成句子。真正的编译，要把高层导演意图逐层落到镜头指令，同时保留不可丢失的约束。
例如，连贯性圣经里的空间关系，要进入每个相关镜头的场景条件；镜头覆盖里的“需要一个听者反应”，要变成明确的主体、表情和切入时机；语气情绪里的递进，要变成动作速度、视线变化和镜头运动；前后接续里的动作状态，要在下一镜头开头继续存在。只有这样，平台拿到的才不是几个关键词，而是一条可以执行的镜头链。
编译过程中还需要保留事实层的边界。分析识别到的说话人、时间戳和原始内容不能被导演层随意改写；导演可以重新组织呈现方式，但不能为了看起来更顺而篡改事实。规则层可以拒绝未知人物、缺失时间或格式错误，不能用猜测把空白填上。
这种保守很重要。视频生成天然带有不确定性，如果上游已经在事实层和导演层各自做了一次无记录的猜测，最后就很难知道问题来自分析、编排还是执行。把每层的输入和输出固定下来，失败时才有机会回到正确的位置修正。
用规则门禁验收导演是否真的到场
最终草稿可以通过非界面方式建立，但这不等于跳过验收。非界面建稿解决的是执行效率，规则门禁解决的是结果是否符合导演包。两者是不同的问题，不能因为草稿已经生成，就默认导演判断已经被执行。
我会先检查字幕是否来自允许的文本，时间戳是否连续，是否出现未知角色或被清洗层禁止的内容。再检查镜头覆盖：景别有没有明显单一，必要的说话人镜头、反应镜和多人主镜是否出现，镜头数量和时长是否能支撑台词节奏。最后检查草稿结构，确认每个镜头的前后关系、恒定项和提示词来源都能追溯到导演包。
这些门禁并不是用规则替代导演。规则只能发现“有没有做到”，不能决定“这样做是不是好看”。它的作用是守住导演已经作出的底线，让人把注意力放在更高层的取舍上。如果门禁发现11个镜头几乎都落在同一景别，问题就应该回到镜头覆盖设计，而不是等成片出来后再凭感觉补几个特写。
一个流程成熟的标志，不是它能顺利生成一次，而是它能在失败时指出是哪一层没有完成自己的职责。这样，下一次就不用重新依赖一个人的记忆和手感。
下次我会怎么做
下次再做类似的视频复刻，我会先把链路分成事实层、规则层、导演层和执行层，并在真正生成之前确认每层的产物。事实层只回答看到了什么，规则层只处理可验证的格式和边界，导演层负责连贯性、镜头覆盖、语气情绪和接续关系，执行层只负责把已经编译好的镜头要求做成草稿。
我会把导演包当成正式交付物，而不是写提示词前的临时便签。里面至少要有恒定项、镜头结构、情绪递进、反应镜要求和验收条件。分镜 packet 确认以后，再让编译器生成提示词；如果某个镜头无法从 packet 里得到明确要求，就先回到导演层补判断，不让执行者用一句泛化描述带过去。
最后，我会先跑规则门禁，再看草稿效果。门禁通过不代表成片一定优秀，但门禁不通过，就说明流程还没有把导演真正送到执行现场。导演参与创作的关键，不是多说几句审美意见，而是把判断编译成每个镜头都必须遵守、也能够被验收的结构。
这件事让我重新意识到，工具真正改变的不是谁按下了生成按钮，而是谁能够把自己的判断留下来。口头审美只能影响当下，结构化的导演包才能影响整条链路，也才能让下一次创作不必从临场猜测重新开始。