4156 字
21 分钟
AI 工具应用:虚拟剧组 muse-video-skill 视频前期策划
2026-11-15

先说问题:视频做不出来,往往不是生成的问题,是策划的问题#

很多人第一次做 AI 视频的流程是这样的:脑子里有个模糊的想法,打开生成工具,敲一句提示词,抽卡,等结果。不满意,改两个词,再抽。一下午过去,素材攒了一堆,没有一段能剪到一起。

问题不在生成端,在开拍之前。真实剧组从来不是这么干活的:一部片子在按下录制键之前,先有剧本,再有分镜,美术定过色调,摄影定过机位,连字幕和音乐的路线都提前谈好了。生成阶段只是执行,策划阶段才决定成片长什么样。个人创作者缺的不是生成工具,缺的正是这套前期策划。

muse-video-skill 就是补这一环的:它是一个装进 AI Agent 的技能(Skill),把 Agent 组织成一支虚拟剧组,专门产出一个视频开拍前需要的全部策划案——剧本、分镜、美术方向、提示词,最后编译成下游视频模型可以直接执行的调用指令。本篇主线:它解决什么问题 → 虚拟剧组怎么分工 → 案例库怎么用 → 8+1 阶段管线与门禁 → 产出物长什么样 → Phase 7.5 模型编译 → 两条管线与场景模板 → 安装与分工边界。

项目地址:https://github.com/LuoJiangYong/muse-video-skill

它解决什么问题#

对照真实创作里最常见的四个卡点,看它分别怎么接:

痛点具体表现muse-video-skill 的解法
不会写专业分镜有故事,没镜头语言,分镜表写不出来好莱坞格式剧本+6/9 宫格分镜+技术表,文学剧本、分镜卡片、编译预览、技术表四种成品一键导出
风格说不清楚想要某种感觉,只能堆形容词38 个标杆案例技法库,说「参考 Apple 1984」比描述「反乌托邦蓝灰色调」快十倍
策划来回改、改完还是散每改一轮,人物、色调、镜头各漂各的8+1 阶段管线,每阶段 Director 审核不超过 2 轮,全程产出可追溯
策划案下游用不上文档写得再漂亮,生成模型读不懂Phase 7.5 模型编译:六段式 prompt+多模态参考图映射+调用命令+成本估算

还有一个隐形痛点:参考图满天飞、对不上号。它的做法是参考图引用链+资产化:人物、产品主体、关键分镜、关键道具都登记成资产,分配资产 ID,后续所有环节按 ID 引用,不靠口头转述——转述一次漂移一次,这是 AI 创作里人物不一致的主要来源。

先把定位说死:muse-video-skill 只做策划,不做生成;它产出的是「想清楚」的部分,渲染和合成交给下游工具。它明确不做视频渲染/合成,也不做 AI 生图/生视频,实际生成由 HyperFrames、ComfyUI、Kling、火山引擎这类下游工具完成。

虚拟剧组:六个角色,各管一段#

它把策划工作拆给六个角色,每个角色有独立的文档,按需加载,角色之间只通过一份 Project State(JSON Schema 定义的结构化状态)传递产出——这是它工程化的关键:角色之间不靠聊天记录传话,靠结构化数据交接,所以长流程里信息不丢、不漂。

角色职责主要产出
Director(导演)全局把控、阶段审核、风格裁决审核意见、门禁放行/打回、最终确认
Writer(编剧)故事与剧本好莱坞格式文学剧本:场景、对白、动作、镜头语言
DP(摄影)镜头与光线分镜卡片里的机位、景别、灯光方案
Art Director(美术)视觉风格与资产色调板(hex 值+成因说明)、风格参考、场景构成、角色设定
VFX(特效)特效与合成需求分镜卡片里的 VFX 标注与实现路线
Sound Designer(声音)音频路线配乐/配音/音效的路线选择与生成 brief(只定路线,不代生成)

六个角色不是六个摆设:管线的每个阶段由对应角色产出,再由 Director 审核,最多 2 轮,过了才进下一阶段。这套「产出—审核」的节奏,就是把真实剧组的制片流程搬进了 Agent。

38 个标杆案例技法库:风格不用形容,用片名#

跟 AI 描述风格是件低效的事。你说「要高级感、电影感、冷峻一点」,模型只能猜;你说「参考《银翼杀手 2049》的巨物美学」,锚点立刻就有了。muse-video-skill 内置 38 个标杆案例,按角色维度建成六组技法交叉索引(叙事/镜头/色彩美术/特效/声音/创意广告),策划时先匹配案例,把技法注入对应角色的提示词里。

类型数量代表案例
商业广告25Apple 1984、Guinness Surfer、Honda Cog、Sony Balls
电影4银翼杀手 2049、花样年华、流浪地球、环太平洋
LOGO 演绎3NIO 十周年、Apple Event 合集、Pixar Luxo Jr.
短片2ACHROMA、Cosmos Laundromat
其他4Piper(动画)、Koyaanisqatsi(纪录片)、Machine Hallucination(实验影像)、The One Moment(MV)

用法很直接,在任何支持 Agent Skills 的 Agent 里像平常一样说话就行:

帮我策划一个产品广告,风格参考 Apple Don't Blink
帮我构思科幻短片的故事板,想要银翼杀手那种巨物美学

Agent 会自动匹配案例技法、注入角色 prompt、走管线,最后导出 Creative Package(创意包)。

WARNING

案例库收录的是影视作品与广告的技法拆解,仓库里明确标注了作品与创作者,定位是学习研究。拿案例当风格锚点没问题,但不要把策划产出包装成对原作的复刻去商用发布,商标与影像版权归各自权利人所有。

8+1 阶段管线与审核门禁#

Default 管线一共 8 个阶段+1 个预留阶段,大致走向是:想法路由 → 参考拆解 → 剧本 → 美术定样 → 资产准备 → 分镜 → HTML 分镜确认 → 模型编译(Phase 7.5)。每个阶段的产出都要过 Director 审核,审核不过就地返工,不把问题带到下游——越往后改,成本越高,这是制片常识。

流程中有几个需要你本人拍板的门禁(确认环节),这是它和「一键生成」工具最大的区别:关键节点它会停下来等你确认,而不是闷头跑完给你一个惊喜或者惊吓。

触发点你要做的动作默认行为
Phase 3.5 风格定样看图确认色调/风格方向生图不可用时跳过
Phase 3.5 资产生成门禁决定关键资产(人物/产品)是否生成、生成范围先出候选清单再询问
Phase 6 分镜决定是否调用生图生成分镜图显式询问
Phase 7 HTML 分镜唯一最终确认关卡,确认即锁定逐项核对后确认(四选项+默认)
Phase 7.5 编译预览二次确认模型调用指令(含音频模型引导)导出编译预览 HTML 核对

Phase 7 是全局的锁定点:HTML 分镜确认之后,剧本、分镜、美术全部冻结,后面的编译只是翻译,不再改内容。锁定之后再想大改,等于推翻重走管线,成本最高,所以这一关值得逐项慢慢核对,不要随手点过。

产出物清单:一套 Creative Package 里有什么#

一次完整策划跑完,你拿到的不是一段聊天记录,而是一套结构化成品:

组成内容
剧本场景/对白/动作/镜头语言,文学剧本 HTML 导出,Courier 标准格式(好莱坞剧本的等宽字体规范)
分镜6/9 宫格分镜卡片,每格带画面描述、机位、灯光、美术、VFX 与生图 prompt
美术方向色调板(hex 值+成因字段,说明为什么是这个颜色)、风格参考、场景构成、角色设定
提示词每格分镜的 image_prompt,以及全片 video prompt 素材
字幕层文案(中/英/双语)×字体族×位置,与画面 prompt 解耦,单独编译为烧录 spec
音频路线配乐/配音/音效的路线选择+生成 brief(解耦,不代生成)
模型调用指令Phase 7.5 编译产物,见下一节

这里有两个设计值得单独说。一是字幕层与画面解耦:字幕文案、字体、位置单独管理,最后编译成烧录规格,而不是把字幕要求混进画面提示词里——混在一起的结果通常是模型把字「画」进画面,又丑又改不掉。二是色调板带成因字段:不只给 hex 值,还写明每个颜色为什么在这里,后续换场景、换资产时,美术方向能延续而不是每镜重新发明。

Phase 7.5 模型编译:策划案变成机器能执行的指令#

这是整个技能的收口环节,也是它区别于普通「分镜文档生成器」的地方。策划案是给人看的,视频模型要的是另一套东西。Phase 7.5 把冻结的策划案编译成:

  • 六段式 prompt:按下游模型的提示词结构组织的完整提示词,而不是从剧本里随手摘抄的句子;
  • 多模态参考图映射:哪张图是首帧、哪张是尾帧、哪张是形象参考(image_ref),按资产 ID 一一对应;
  • 调用命令:可直接执行的命令行调用(如 arkcli 命令),不用你再手工拼参数;
  • 成本估算:按镜头数与规格先算一遍账,生成之前心里有数。

目前已适配 Seedance 2.0,下游工具配置还覆盖 ComfyUI、HyperFrames、Kling 等。编译完成后会导出一份编译预览 HTML 让你二次确认(这就是门禁表里最后一个关卡),逐镜展开核对 prompt、参考图映射和成本,没问题再真正调用下游生成。

仓库里有一次完整实测可供参考:一支 90 秒棚拍广告,从参考视频拆解(Phase 1 拉片表:80 帧逐镜拆解镜头、光影、运镜、节奏、声音、字幕、技法)一路走到模型编译,19 个镜头的分镜网格、编译预览、文学剧本全部有截图留档。这种「全程留痕」的风格贯穿始终:每阶段产出带元信息,可追溯是哪一步定的、为什么这么定。

两条管线与四种场景模板#

不是每个想法都值得走完 8+1 阶段。它提供两条管线:

管线适用特点
Default完整创作:短片、广告、正经项目8 阶段+1 预留,阶段审核齐全,门禁一个不少
Fast-Track简单需求、快速验证想法合并阶段,一稿过,先出东西再说

另外内置四种场景模板:棚拍广告、产品演示、LOGO 演绎、科幻设定,开局的路由决策树会先判场景类型与复杂度,套对应模板推进,也可以扩展自定义模板。经验法则:练手和验证想法用 Fast-Track;要交付、要系列化生产的,老老实实走 Default,门禁省下的返工时间远比它花掉的多。

安装#

技能采用通用 Agent Skills 格式(一个 SKILL.md 入口),任何支持 Skills 的 AI Agent 都能装。方式一是克隆,始终是最新版:

Terminal window
git clone https://github.com/LuoJiangYong/muse-video-skill.git
# 放入所用 Agent 的 skills 目录,例如:
# Claude Code → ~/.claude/skills/muse-video/
# Hermes Agent → ~/.hermes/skills/creative/muse-video/

方式二是通过 Hermes Skills Hub 一行安装:

Terminal window
hermes skills install muse-video-skill

装完不用记命令,直接用自然语言提需求(参考前面案例库一节的说法),Agent 会自己走路由、匹配案例、推进管线。仓库自带开发自检脚本,装好后想验一下完整性可以跑:

Terminal window
python scripts/build_index.py --check --deps # 索引完整性 + 死链检查,期望 0 errors
python scripts/inventory.py --json # 文件级盘点(按角色分类)

与生成端技能的分工#

把本系列这几篇放在一起看,分工就清楚了:

  • muse-video-skill(本篇)管「想清楚」:剧本、分镜、美术、提示词与调用指令,止步于开拍之前;
  • 生成端技能管「做出来」:比如 muse-video-prompt-skill 走的是六段式提示词→生成→多段拼接→抽帧验证的实操闭环,直接对接内置视频生成;
  • 动画短片全流程技能管「一条龙」:Muse-animated-short-film 把角色、剧本、关键帧、配音、合成打包成从想法到 MP4 的完整流水线;
  • 真正执行渲染的还可以落到 ComfyUI 这类节点工作流工具上,Phase 7.5 的编译产物正好能喂给它。

简单记:前期重、要专业策划案,先过虚拟剧组这一关;想法已经成熟、只差生成执行,直接用生成端技能。两边并不冲突——策划案编译出的六段式 prompt 和参考图映射,本来就是为生成端准备的。

常见问题与排障#

Q:装上之后 Agent 没有自动走管线,还是普通聊天? 先确认技能目录放对了位置、且目录里有 SKILL.md 入口文件;再确认你的 Agent 支持 Agent Skills 并已加载。提需求时把意图说明确(「帮我策划一个……」),路由决策树靠场景与复杂度判断,说法太含糊可能不会触发完整管线。

Q:它能直接把视频生成出来吗? 不能,这是定位不是缺陷。它不做渲染/合成、不做生图/生视频,产出是策划案与模型调用指令;生成要接下游工具(Seedance、Kling、ComfyUI、HyperFrames、火山引擎等)。如果你的需求是「一句话直接出片」,用错了工具,应该看生成端技能那篇。

Q:Phase 7 确认时看不懂 HTML 分镜怎么办? HTML 分镜就是把分镜卡片排成网页版:每格的画面、描述、字幕、机位、VFX、审核状态都在上面。逐项核对的重点是三件事:镜头顺序对不对、人物/产品资产引用对不对、字幕文案有没有错别字。这一步是唯一最终确认关卡,确认即锁定,别赶时间。

Q:审核为什么最多 2 轮?想多改几轮不行吗? 这是它的设计宪法之一:每阶段 Director 审核 ≤2 轮,逼着问题在早期收敛。如果 2 轮还过不了,通常不是细节没调好,而是方向本身有问题——回退到案例匹配或场景模板重选,比在原地磨第五轮有效。

Q:参考图对不上号、人物漂移怎么办? 检查资产化是否落实:人物、产品、关键分镜、关键道具都应登记资产 ID,全链按 ID 引用。如果流程中出现用文字转述代替 ID 引用的环节,漂移基本就出在那里,回到那一步改掉。

Q:成本估算和实际生成费用对不上? Phase 7.5 的估算是按镜头数与规格做的预估,下游模型的价格、重试次数、分辨率档位都会影响实际账单。把它当预算量级参考,正式批量生成前先跑 1–2 个镜头核对单价,再回头修正估算。

Q:Fast-Track 出来的东西能转成 Default 继续吗? Fast-Track 是合并阶段的一稿,适合验证想法。想法验证通过后,建议按 Default 重新走一遍完整管线补齐审核与门禁,而不是在一稿上硬续——缺失的风格定样与资产门禁,后期补的代价更高。

小结#

muse-video-skill 的价值不在「生成」,而在把专业剧组的前期流程——剧本、分镜、美术定样、资产管理、审核门禁、模型编译——压缩成一个 Agent 可执行的技能:六角色分工、38 个案例当风格锚点、8+1 阶段管线层层审核,最后由 Phase 7.5 把策划案编译成下游模型能直接执行的六段式 prompt、参考图映射与调用命令。它管想清楚,生成端管做出来,两段接起来,才是一条完整的 AI 视频生产线。

AI 工具应用:虚拟剧组 muse-video-skill 视频前期策划
https://www.anexns.cloudns.org/posts/ai-muse-video-skill/
作者
Anexns
发布于
2026-11-15
许可协议
CC BY-NC-SA 4.0