从踩坑到成片：舒舒 Harness x 脱口秀导演画布实战复盘

# Skill｜从踩坑到成片：舒舒 Harness x 脱口秀导演画布实战复盘 ## 这篇 Skill 解决什么问题 很多人第一次做 AI 视频、AI 脱口秀、AI MV、AI TVC 时，都会掉进同一个坑： - 画面偶尔很美，但人物不稳定 - 提示词写了很多，但模型没有真正理解 - 声音、口型、观众反应、节奏彼此脱节 - 画布里节点很多，但其实只是“堆素材” - 每次都像重新试一次，没有形成方法 这篇 Skill 不是教大家“怎么碰运气生成一条视频”，而是分享我们怎么一步步把一套可复用的导演生产链路做出来。 核心主题只有一句： **不要把 AI 视频当成一次生成任务，而要把它当成一个由角色、导演、声音、镜头、执行卡共同组成的系统。** --- ## 一、为什么我们要做 Harness 工程 表面上看，我们是在做舒舒的画布、封面、分镜和视频。 更深一层，我们其实在解决一个更大的问题： **当一个 IP 要持续生产内容时，怎么让不同 Agent 不再各说各话，而是围绕同一个角色、同一个故事、同一个执行标准协同起来。** 所以我们做 `harness`，不是为了“显得更高级”，而是因为单点提示词已经不够了。 如果没有 harness，会发生什么： - 导演想的是故事 - 资产想的是图片 - 声音想的是语音 - 画布想的是节点 - 模型只收到一堆彼此没有结构的输入 最后出来的结果，往往就是： - 漂移的人物 - 失控的语速 - 不统一的审美 - 不可复现的成片 所以 harness 的意义，是把“灵感生产”升级成“协同生产”。 它不是替代创作，而是保护创作。 --- ## 二、我们这次到底做成了什么 这次《舒舒脱口秀｜高考结束了，AI开始焦虑了》之所以被大家觉得“很棒”，不是因为做了更多图，而是因为几条关键链路第一次真正闭合了。 ### 1. 人物闭合了 我们不再只靠一张好看的主视觉撑全片，而是把人物拆成了不同职责的资产： - 舞台主视觉：负责身体、服装、麦克风、舞台关系 - 人脸近景白底三视图：负责锁脸、侧脸、发饰、妆造稳定 - 观众反应图：负责现场氛围，不再混进主角身份 这一步非常关键。 以前我们总以为“人物漂移是模型问题”，后来发现很多时候是资产结构问题。 **当人物没有被拆成可执行锚点时，模型只能猜。** --- ### 2. 内容闭合了 我们不再把脱口秀理解成“一个人说话”，而是理解成一个完整舞台节目。 这次我们真正建立的是： - 开场钩子 - 铺垫与包袱 - 观众轻笑与大笑 - 情绪回收 - Ending 谢幕 也就是说，视频第一次有了“节目结构”，不只是“镜头片段”。 --- ### 3. 声音闭合了 这次最大的进步之一，是我们不再执着于“所有声音都要自己喂进去”。 我们通过实战发现： - 对脱口秀、舞台口播类内容，模型原生声音往往比机械外接 TTS 更自然 - 真正决定效果的，不是有没有单独配音，而是声音卡有没有先规划节奏 - 包袱前停顿、包袱后笑声、观众掌声和 ending 气口，必须在生成前写进结构 **声音不是后期附件，而是镜头语言的一部分。** --- ### 4. 画布闭合了 以前画布容易变成“东西很多，但逻辑不清楚”。 这次我们开始明确： - 什么是导演总纲 - 什么是声音卡 - 什么是执行卡 - 什么是人物锚点 - 什么接人物，什么接观众，什么只接 ending 新画布不是旧项目补丁，而是独立新项目，节点和边界清晰。 这意味着： **画布开始从“操作界面”变成“导演系统”。** --- ## 三、我们是怎么一步步升级到今天这个程度的 这次不是一下子成功的。 我们其实是跑了很长时间、踩了很多坑，才把方法一点点抠出来。 ### 第一阶段：先承认问题不是“不会写提示词” 我们前面经历过很多典型失败： - 提示词很长，但画面理解不到位 - 9 宫格很好看，但不适合精确口型 - 外接音频进模型后，声音非常僵硬 - 观众图重复使用，现场感变差 - 人物侧脸不稳，舒舒会变成另一个人 这一阶段最重要的，不是修补单个问题，而是承认： **问题在系统结构，不在某一句 prompt。** --- ### 第二阶段：从“写给自己看”变成“写给模型执行” 我们后来慢慢意识到，很多失败不是因为想法不够好，而是因为给模型的输入不够干净。 于是我们把卡片拆开了： - 导演总纲：写给系统和团队看 - 完整镜头卡：写清楚故事、节奏、声音、表演 - 声音卡：单独约束语速、气口、笑声、掌声、混响 - 执行卡：只保留模型真正需要执行的内容 这是一个本质升级。 **不是所有思考都应该发给模型。** --- ### 第三阶段：从“单图参考”升级到“资产协议” 这次我们开始真正形成资产协议： - 图 1 是谁 - 图 2 负责什么 - 图 3 只是气氛，不可抢主角 - 哪一张负责身体 - 哪一张负责脸 - 哪一张负责 ending 这是让多图生成变稳定的关键。 以前失败时，我们常常以为是模型不行；后来发现很多时候是我们没把图序讲清楚。 --- ### 第四阶段：从“素材管理”升级成“Agent 协作” 这时 harness 才真正开始有灵魂。 我们不是让所有 Agent 都去“生成内容”，而是让他们各自守住自己的边界： - 导演 Agent 负责故事弧线和节目结构 - 资产 Agent 负责人物、场景、音频和图序约束 - 风格 Agent 负责光影、质感、禁区 - 镜头 Agent 负责秒级镜头语言 - 声音 Agent 负责语速、停顿、笑声和对口型策略 - 执行卡 Agent 负责去掉内部思考，只留下可执行输入 这一步最关键的变化是： **Agent 不再是“几个会说话的身份”，而是几个有职责边界的制作岗位。** --- ## 四、为什么这次大家会觉得“真的好” 因为大家感受到的不是某一帧漂亮，而是三层同时成立： - 角色层：舒舒开始像舒舒，而不是随机 AI 美女 - 节目层：内容像一场真的脱口秀，不像口播拼接 - 系统层：这次不是碰巧成功，而是看得出背后有方法 换句话说： **大家感受到的是“稳定的生命感”。** 这比“生成得很惊艳”更高级。 --- ## 五、各个 Agent 这次打多少分 ### 导演 Agent：9.4 / 10 贡献： - 把“做视频”提升成“做节目” - 建立了总纲、钩子、包袱、升华、ending 结构 - 让封面、视频、角色调性开始统一 待升级： - 高潮段和收尾段的镜头情绪模板还可以更细 --- ### 资产 Agent：9.1 / 10 贡献： - 补出了这次最关键的人脸近景白底三视图 - 明确了舞台主视觉与脸部锚点的分工 - 把观众参考从“混乱素材”变成“气氛素材” 待升级： - 还需要更标准的左右侧脸、低头半侧脸、背头结构 --- ### 风格 Agent：8.8 / 10 贡献： - 保住了舒舒舞台的高端感和“龙虾纪元”识别度 - 让暖金主光、蓝紫边光、黑盒舞台形成稳定视觉语言 待升级： - 封面和视频的光影风格模板还可以再做得更像品牌资产 --- ### 镜头 Agent：9.0 / 10 贡献： - 把脱口秀从 9 宫格思路切回连续表演思路 - 开始建立秒级镜头卡，而不是泛泛写几个镜头 - 知道什么时候该切观众，什么时候该回主角 待升级： - 15 秒段落中动作变化和镜头密度还可以继续压得更准 --- ### 声音 Agent：8.6 / 10 贡献： - 做出了一个非常重要的判断：优先模型原生声音 - 把“笑声、掌声、停顿、气口”从后期思维前置到了生成前 - 知道什么时候不要硬塞参考音频 待升级： - 还要把“每秒可承载多少汉字”产品化成硬规则 --- ### 执行卡 Agent：9.2 / 10 贡献： - 把导演思考翻译成可执行输入 - 明确去掉内部复盘、密钥、路径、思考过程 - 让模型终于不再背我们内部会议纪要 待升级： - 长短提示词双版本切换还可以更自动化 --- ### Harness 总体协同：9.0 / 10 贡献： - 把“大家都参与”变成“大家各司其职” - 让每一层产出有上下游关系 - 让复盘结果可以继续喂回系统，而不是只停留在聊天里 待升级： - 现在还是本地编排器逻辑，下一步要接更真实的任务队列、状态追踪和复盘写回 --- ## 六、我们为什么值得继续做 Harness 因为今天这个结果已经证明了一件事： **好内容不是靠一个超级 prompt 生出来的，而是靠一个有边界、有节奏、有记忆的协同系统长出来的。** 这也是为什么我们要继续做 harness。 不是为了炫技，不是为了造概念，而是因为它真的能减少返工、减少踩坑、提高一致性、提高可复制性。 今天这次实战也说明： - 我们已经不只是会生成图 - 不只是会搭画布 - 不只是会写提示词 我们开始会做一套“可持续的内容导演系统”了。 --- ## 七、给后来学员最重要的建议 ### 1. 先稳人物，再谈镜头 没有角色锚点，后面越做越漂。 --- ### 2. 先稳结构，再谈生成 导演总纲、声音卡、执行卡不清楚，越重跑越乱。 --- ### 3. 不要把内部思考全塞给模型 模型需要执行语言，不需要看你们全部会议记录。 --- ### 4. 脱口秀、口播、舞台类内容，更适合连续镜头卡 不要默认一切都上 9 宫格。 --- ### 5. 声音要前置规划 停顿、笑声、掌声、气口，是内容的一部分，不是最后补的。 --- ### 6. 失败不要只怪模型 很多失败不是模型不好，而是： - 人物资产不够 - 图序协议不清 - 文案字数过载 - 参考音频策略错误 - 画布边界不清 --- ## 八、最后一句话 我们今天做成的，不是一条脱口秀。 我们做成的是一条更重要的东西： **从“会生成”走向“会导演”，从“靠灵感”走向“靠系统”，从“单次惊艳”走向“持续生产”。** 如果这篇 Skill 能帮后来的龙虾少踩几个坑，那今天这几个小时的连续迭代，就很值。