AI 视频 Agent 与 Skill 全流程实操指南：从一句话到成片，把剧本、分镜、生成、剪辑压进同一条工作流

本文由 辛梓煜@词元2号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

如果你只想要一个结论：AI 视频创作现在的分水岭，已经不是"哪个模型画得好看"，而是"谁能把一整套拍法封装成可以反复调用的流程"。本文以 LiblibAI 旗下的 AI 视频创作产品 LibTV（www.liblib.tv）为例，把这条流程从头到尾拆一遍。所谓 Skill，本质上就是一份写给 AI 的拍摄方法说明书——它把风格定义、素材清单、分镜规范、输出标准全部固化下来，你选中它，Agent 就按这套规矩往下跑，从故事大纲、角色三视图、场景图、分镜表，一直做到多段视频、背景音乐、字幕和最终合成。它真正解决的不是"一键生成"这四个字，而是把过去分散在十几个工具、几十轮抽卡里的重复劳动，收进了同一块画布。全自动模式适合快速出片，手动模式适合把自己的想法塞进每一个环节，而当现成 Skill 满足不了你的风格时，你可以自己建一个——填名称、写简介、说清任务、执行方式和输出内容，五分钟就能拥有一位听你话的专属 AI 导演。

这篇文章我会把整条链路拆开讲透：概念是什么、Agent 在画布里到底做了哪几步、全自动和手动分别怎么操作、Skill 广场怎么挑、专属 Skill 怎么从零搭出来、锚点和分镜为什么是长视频不崩的关键，以及我自己折腾下来踩过的那些坑。

想看完整拆解，往下翻。

一、15 秒这道坎，到底卡住了什么

玩过 AI 视频的人，大概都对"15 秒"这个数字有心理阴影。

不是模型不行。单段画面的质感这两年进步得非常凶，随便挑个主流模型，出一段光影漂亮、运镜利落的片段并不难。难的是第 16 秒。你要让第二段的人脸和第一段是同一张脸，衣服是同一件衣服，房间的灯光色温不能突然从冷白跳到暖黄，镜头的情绪还得接得上。这些事，模型本身不负责。

于是过去的做法是这样的：先在一个工具里写剧本，再换一个工具生成人物参考图，还要单独做场景参考图，然后回到视频工具里一个节点一个节点地连线，把参考图喂进去，逐段生成，逐段抽卡。抽到满意的，下载下来，导进剪辑软件，配字幕、配音乐、切节奏。中间任何一步不满意，就得往回倒。

我自己最狼狈的一次，是同时开了六七个标签页，脚本还没写完，浏览器先卡了。那种感觉不是"创作受阻"，是"行政工作太多"——真正属于创意的部分可能只占两成，剩下八成全是搬运、连线、复制粘贴、等待。

1.1 问题的根不在模型，在流程

把这件事拆细一点会更清楚。做一支有剧情、有镜头、有节奏的完整短片，中间至少要经过这么几层：

• 创意层：主题、故事大纲、情绪基调、视觉风格；
• 资产层：角色形象、服装造型、场景影调、道具、背景音乐；
• 结构层：分镜表、每一镜的时长、景别、机位、台词；
• 生成层：逐段出画面，逐段校验一致性；
• 后期层：剪辑、转场、字幕、混音、合成。

传统工具的分工是：模型只管"生成层"那一格。剩下四层，全是人肉在跑。而人肉跑这四层最大的成本，不是脑力，是上下文的反复搬运——你在 A 工具里定好的风格，到了 B 工具要重新用提示词描述一遍；你在 C 工具里选定的人脸，到了 D 工具要重新上传一遍。

信息每搬一次家，就漂一次。漂到最后，成片就散了。

1.2 Agent 进画布，改的是什么

真正的变化，是 Agent 被塞进了画布本身。

以前的画布是给人用的：你自己创建节点，自己连线，自己填提示词。现在画布右侧直接挂一个对话框，你用大白话说需求，节点的创建、连线、参数填写、资产调用、最终合成，全部由 Agent 在同一块画布上接着做。你从"操作员"变成了"发号施令的人"。

我第一次遇到这种交互的时候，其实是懵的。习惯性地想去画布上找"新建节点"的按钮，找了半天没找着，反应过来：不用找了，直接说就行。说完之后眼睁睁看着画布上自己长出一堆节点、自己连上线、自己开始跑——那种感觉挺难形容的，像是从"自己搬砖"变成了"站在旁边看施工队干活"，而你要做的只是在关键的地方指一句"这堵墙往左挪半米"。

这个转变听起来像是省了几次点击，其实省掉的是整个上下文搬运的过程。所有资产都躺在同一张画布上，Agent 随时能引用，风格自然就不容易漂。这也是我认为这一波更新里最有价值的一点——它不是给你多加了一个功能按钮，是把工作台整个换了。

二、先把黑话翻译成人话：画布、节点、Agent、Skill

新手最容易在这几个词上卡住，我用最白的话过一遍。

在开始之前，先把主角交代清楚，免得后面读着犯迷糊：本文实操用的工具叫 LibTV，是 LiblibAI（哩布哩布） 在 2026 年 3 月推出的 AI 视频创作产品，官网 www.liblib.tv。LiblibAI 这个名字，玩过 AI 绘画的人应该都不陌生，它早年是国内做得比较大的模型社区，后来把能力延伸到了视频这一侧。LibTV 就是这条线上的产物——一块无限画布，加一个能干活的 Agent，再加一套 Skill 体系。

下面所有的概念和操作，都以 LibTV 为例。但要说明的是，这套"画布＋Agent＋Skill"的思路并不是它独有的，同类产品也在往这个方向走。所以你真正要理解的是这套方法论本身，工具只是载体——看懂了逻辑，换个平台你照样能上手。

2.1 画布（Canvas）

画布就是一张无限大的白纸，你所有的素材和生成结果都摆在上面。 它跟传统剪辑软件的时间轴不一样，时间轴是一条线，画布是一个平面——你可以把人物图放左上角，场景图放右上角，分镜表贴中间，视频片段排下面，彼此之间用线连起来表示"谁引用了谁"。

用过节点式创作工具的人会秒懂；没用过也不用怕，因为现在你可以完全不碰它，让 Agent 去画。

2.2 节点（Node）

节点就是画布上的一个个小方块，每一个方块代表一份素材或者一次生成动作。 常见的节点类型有文本、图片、视频、音频、脚本几种。一个"图生视频"的节点，往上连着一张参考图，往下吐出一段视频，逻辑关系一眼可见。

节点最大的好处是可追溯。哪一镜出了问题，你不用把整条片子重跑，找到对应的节点，单独重生成就行。

2.3 Agent（智能体）

Agent 就是画布右边那个会干活的对话框。 它跟普通聊天机器人的区别在于：普通机器人只会说，Agent 会动手。你说"帮我做一支复古风格的青春短片"，它不会给你回一段文案，它会真的去创建节点、生成图、调模型、合成视频。

更关键的是它会反问。任务信息不全的时候，它不会硬着头皮瞎猜，而是停下来问你：多长？什么画幅？哪种语言的字幕？要不要旁白？我第一次用的时候还挺不适应，因为习惯了 AI 工具"你给什么它做什么"，突然被反问，反倒觉得踏实——它是真的在对齐需求，而不是在赌概率。

2.4 Skill（技能）

这是整篇文章的核心。

Skill 就是一份写给 Agent 看的"拍法说明书"。 它里面写清楚了：这种风格的片子长什么样、需要准备哪些素材、分镜按什么节奏排、画面用什么影调、最后交付什么格式。你选中一个 Skill，等于给这次创作请了一位有明确方法论的导演。

打个比方可能更好懂：模型是摄影机，Agent 是能听懂人话的执行团队，而 Skill 是导演手里的那本分镜脚本加拍摄规范。同样一台摄影机，交给不同的导演，出来的东西天差地别——差的就是这本规范。

辛梓煜@词元2号站 在这里多提醒一句：很多人一上来就纠结"该用哪个模型"，其实在这套体系下，模型的选择权大部分时候可以交给 Agent。你真正要花心思的是 Skill 的挑选和定制，那才是决定成片调性的地方。

三、Skill 的运行逻辑：一套被封装起来的方法论

搞清楚 Skill 里到底装了什么，你才知道为什么它能扛住长片。

3.1 一个 Skill 的详情页里有什么

正经的 Skill，详情页会把这几件事写明白：

• 风格介绍：这套拍法追求什么样的视觉与叙事气质；
• 适用时长：它擅长的片长区间，有的擅长 15 秒短平快，有的能撑到几十秒的剧情段落；
• 使用场景：适合拍什么题材，不适合拍什么；
• 需要的素材：要不要你提供产品图、人脸参考、音乐；
• 输出内容：最后交付人物三视图、场景图、分镜提示词、BGM、完整成片中的哪几样。

有的 Skill 还带一个"创作详情"入口，点进去能看到官方样片背后的完整画布——角色图、场景图、分段视频、BGM、字幕、合成节点全都摊开给你看。这个功能我强烈建议每次调用前都点一下，因为它等于让你在下单前先看清楚这位导演的工作方式。

3.2 Agent 拿到 Skill 之后，实际跑了哪几步

不管是哪种题材，跑起来的骨架基本是一致的：

用户意图（一句话 / 一段大纲 / 一张参考图）
        ↓
Agent 反问补全（时长 / 模式 / 画幅 / 语言 / 核心元素 / 大纲来源）
        ↓
风格基调锚定（moodboard，定死整片的色彩与影调）
        ↓
资产层生成（角色三视图 → 服装造型 → 场景影调图 → 道具）
        ↓
结构层落盘（锚点清单 + 分镜表，写成文件存进画布）
        ↓
分段视频生成（按分镜表逐镜或并行出画）
        ↓
音频层（BGM / 旁白 / 对白）
        ↓
合成节点（拼接 + 转场 + 字幕 → 成片）

用流程图看会更直观：

graph TD
    A[一句话需求] --> B{信息够吗}
    B -- 不够 --> C[Agent 反问补全]
    C --> D[生成风格基调图]
    B -- 够 --> D
    D --> E[角色三视图 / 场景影调图]
    E --> F[锚点清单]
    E --> G[分镜表]
    F --> H[分段视频生成]
    G --> H
    H --> I{效果满意吗}
    I -- 否 --> J[定点返修单个节点]
    J --> H
    I -- 是 --> K[BGM + 字幕]
    K --> L[合成节点输出成片]

注意 F 和 G 那两个框——锚点清单和分镜表。这是整套机制里最容易被忽略、但恰恰最要命的两样东西，我在第八节会专门展开讲。

3.3 为什么 Skill 不是"一段更长的提示词"

这一点我特意想澄清一下，因为很多人第一反应是："这不就是把提示词写长一点存起来吗？"

不是。差别在三个地方：

第一，Skill 是带流程的。提示词是一次性的输入，Skill 是一条有先后顺序、有分支判断的执行路径——先定基调，再出资产，资产确认后才动视频，顺序错了效果就散。

第二，Skill 是带交互点的。它规定了哪些环节必须停下来等你确认。角色造型给你四套让你选，场景影调给你四张让你挑，这些"停顿"是写在方法论里的，不是随机的。

第三，Skill 是长在具体框架里的。它要由 Agent 来理解意图、选择模型、调度工具。同样一份 Skill 文本复制到另一套系统里，离开了原来的模型组合和调度方式，也很难复现出一样的结果。所以它更像一套"方法＋环境"的组合，而不是一段可以随便搬走的文本。

3.4 顺便说说：为什么视频 Agent 这么难做

聊到这儿，可以回答一个很多人心里的疑问：文字类的 Agent 早就遍地都是了，为什么视频 Agent 拖到现在才有像样的东西？

我的理解是，卡点在于"交付"这两个字的门槛太高。

写文章的 Agent，输出一段文字，好不好你一眼就能判断，不满意重写的成本几乎为零。视频不一样。一支片子要算"能交付"，至少得同时满足两个条件：

一是结构完整。 它得是一支可以直接放到内容平台上被消费的作品——该有的片头片尾、字幕、音乐都在，音画同步，不需要再进任何后期软件就能发出去。缺一样，它就只是"素材"，不是"作品"。

二是过程可控。 观众不会因为你是 AI 做的就降低标准。人脸漂了、影调跳了、节奏散了，一样出戏。而这些问题，恰恰是链路越长越容易出。

这两个条件叠在一起，意味着视频 Agent 不能只做"生成"这一格，它必须把创意、资产、结构、生成、后期五层全部串起来，还得在每一层都不掉链子。链路上任何一个环节偷懒，最后交付的都不是成片。

想明白这一点，你就理解了为什么锚点、分镜表、合成节点这些看起来很"工程"的东西会被摆在这么重要的位置——它们不是花架子，是把一条长链路撑住的骨头。

3.5 三种角色，谁负责什么

我用一张表把整套体系里的分工再捋一遍，看懂这张表，后面的所有操作都会变得很自然：

看这张表最大的价值在于：当片子不好看的时候，你能定位到是哪一层的问题。 是故事本身没意思（意图层），还是方法不对（方法层），还是执行有瑕疵（执行层）？新手最常见的误判，是把意图层的问题甩锅给执行层——故事本身乏味，怪模型画得不够炫，那再换十个模型也救不回来。

四、实操一：全自动模式，从零跑通一条短片

理论讲完，上手。我先用最省事的路径演示一遍，全程不碰画布。

4.1 入口在哪

新建一个空白画布，右侧就是 Agent 对话框。对话框下方有 Skill 入口，点开是官方已经准备好的 Skill 列表，点右上角的"全部"，进入完整的 Skill 广场。

这里有个细节值得说：Skill 的部署非常轻，看中哪个，点一下"使用"或者"添加 Skill"就挂上了，不需要任何配置。

4.2 逐项拆解 Agent 的提问

选好 Skill、说一句话之后，Agent 不会立刻开跑，而是先把不确定的信息问一遍。我把这些选项逐个拆开，因为每一项都直接影响成片：

第一步：视频时长。 一般给你 15 秒以内、30 到 60 秒、自定义三档。新手第一次跑，我建议直接选最短那档。不是因为长的做不出来，而是短的能让你在最短时间内看完一整条链路，知道这套流程长什么样。

第二步：执行模式。 全自动模式是 Agent 一路往后推，不需要你每步确认；手动模式则会在关键节点停下来等你拍板。这一步是整个流程里最重要的选择，我第五节专门讲手动模式。

第三步：画幅。 这个选项对成片气质的影响，比很多人以为的大得多：

我的做法是：拿不准就选 16:9，它的容错率最高。想要"高级感"三个字，宽银幕几乎是最省力的捷径——同样的画面，加上那两条黑边，气质立刻不一样。

第四步：对白与字幕语言。 中文内容我一般直接选简体中文。这里要留意的是，字幕语言和对白语言可以是两回事，做商业内容时双语字幕是个很实用的选项。

第五步：核心场景元素。 Agent 会让你挑几个题材相关的元素。比如做青春题材，透视感的长廊、麦田、教室、走廊这类元素就很对味。这一步别贪多，选两三个就够——元素越多，风格越容易被稀释。

第六步：故事来源。 通常两个选项：自己提供故事大纲，或者让它根据前面的选择自动生成一条完整短片。第一次跑，选自动生成，看看它的理解力；正式做内容时，我基本都会自己给大纲，因为故事是唯一不该外包的东西。

4.3 它自己跑起来之后

点击开始，就可以去干别的了。Agent 的执行顺序大致是：

1. 先出一张风格基调图（moodboard），把整条片子的色彩、光线、质感先定死；
2. 顺着基调图生成道具图、场景图、人物参考图；
3. 把这些资产写进锚点清单和分镜表；
4. 按分镜表逐段生成视频；
5. 自动生成背景音乐；
6. 创建合成节点，把所有片段剪在一起，加上字幕，发布到画布上。

就是刷会儿短视频的功夫，回来一看，画布上已经密密麻麻全是节点和素材了，而这些没有一个是我手动创建的。最后拿到的，是一条远超 15 秒、音画同步、带字幕和 BGM 的完整片子——不需要再进任何后期软件，可以直接发。

这里插一句我自己的判断标准：一条片子算不算"成片"，看两件事——结构完不完整（片头、片尾、字幕、音乐齐不齐，音画同不同步），以及能不能直接发布不用返工。 达不到这两条的，都只能算素材。

4.4 全自动模式适合谁

说句实话，全自动模式的成片质量，比我预期高，但它不是万能的。

它适合：验证一个创意值不值得做、快速批量出内容、给客户看方向、自己练手熟悉流程。

它不适合：你心里已经有非常具体的画面。因为全自动意味着你把审美判断权整个交出去了，Agent 的每一次选择都是它认为的最优解，不是你的最优解。想要成片长成你脑子里那个样，得往下看第五节。

五、实操二：手动模式做 TVC，把控制权拿回来

全自动是"我信你"，手动是"我盯着你"。这一节我用一支高端质感的 TVC 广告来演示，其他题材的 Skill 操作方式是一样的。

5.1 为什么商业内容必须用手动

道理很简单：自娱自乐的片子，效果好就行；商业内容有明确的诉求——产品的哪个细节必须出现、品牌的调性不能跑偏、节奏卡在第几秒必须给到 logo。这些东西 Agent 猜不出来，只能你说。

所以我的原则是：练手用全自动，交付用手动。

5.2 一步一步来

进入 Skill 之后，它先问产品。 选一个奢华质感的 TVC Skill 进去，第一个问题通常是：要为哪一类产品做广告？我这次做的是跑车。这一步别只写"跑车"两个字，把产品的定位、目标人群、想强调的卖点一句话带上，后面能省掉很多来回。

完成基础选项后，它给场景方案。 我这次拿到了四个不同的场景方案，让我手动选。四个方案的差异不是换个背景那么简单，是整片的叙事空间——城市夜景、盘山公路、极简摄影棚、荒漠公路，选哪个基本决定了这支片子的性格。我挑了第三个。

根据选定的场景，生成分镜方案。 这时候有两条路：直接生成，或者点击"修改分镜"。

修改分镜这里设计得挺聪明——它既给你几套系统提供的修改方案让你直接点，也允许你自己输入想法。我当时觉得第三个镜头太空，就提了一句：这个镜头增加一些产品细节的特写。

改完继续生成，它会接着出后半段的分镜方案。 长片是分段推进的，不是一口气全出。每一段出来，你都可以继续改，也可以直接确认。我觉得整体节奏没问题，就直接放行了。

成片验收。 关键点在于：我选的那个场景，和我后来要求补的产品细节特写，都真的出现在了最终成片里。这句话听着平淡，但它意味着这不是一次"祈祷式生成"——你的每一个决定都被兑现了。

5.3 手动模式的真正价值

我把两种模式的差别整理成一张表，方便你对号入座：

有意思的是，手动模式并没有让流程变复杂，它只是在原本自动往下跑的路径上，插了几个"停一下"。Agent 该做的脏活还是它做——你只负责在岔路口指个方向。

我自己折腾下来的体会是：能把自己的想法塞进去、控制住创作的方向，才是这套工具最爽的地方。 一键出片当然省事，但省到最后，出来的东西谁都能做，那就没意思了。

5.4 出片之后，继续用嘴改

还有个容易被忽略的环节：成片出来之后的返修。

以前的习惯是把片子下载下来，导进剪辑软件，一帧一帧修。现在这一步也可以留在画布里。画布通常有两套视图，切换着用：

• 故事板视图：负责创意、镜头、整体节奏。文本、图片、视频分区摆好，锚点、分镜、角色参考和最终成片能集中查看，单个资产可以直接重新生成或者用工具编辑。
• 节点式工作流视图：负责精细化调整。要定位是哪一段、哪张图出了问题，回到这里最快。

基础的剪辑能力也塞进来了——分割、字幕、选区、转场这些都有，字体、字号、预设样式可以自定义。我实际用下来，做常规调整已经够了，没必要再切出去。

更省事的是，很多修改根本不需要动手。第一版出来我发现 BGM 和旁白音量打架，直接用大白话说了一句"背景音乐压低一点，让旁白清楚些"，Agent 就自己去返工了。结尾定格镜头有点拖沓，也是一句话的事。

这里有个很实用的经验：做长流程视频，最有效的做法不是一开始就把每个镜头抠到完美，而是先让 Agent 按 Skill 把完整结构跑通，拿到一版能看的成片，再针对衔接、动作和节奏做定点返修。 一开始就死抠第一镜，等你抠完，后面的节奏可能全不对。

六、Skill 广场里都有什么，以及怎么挑

Skill 广场是这套体系的弹药库。目前积累的优质 Skill 已经超过一百个，覆盖面相当宽。

6.1 主要分类

官方按创作场景做了分类，大致是这么几个方向：

我随手翻了翻，从欧洲文艺片导演的构图美学，到皮克斯式的动画质感，再到无厘头喜剧，颗粒度比我想象中细。这也是它敢叫"Skill Hub"的底气——一百多个 Skill，等于一百多位随叫随到的专业导演。

6.2 我挑 Skill 的三条标准

翻得多了，我总结出三个判断维度：

第一，先看输出内容清单，别看样片。 样片是挑最好的放上来的，参考价值有限。真正有用的是"输出内容"那一栏——它到底给你人物三视图、场景图、BGM、分镜提示词、完整成片里的哪几样。输出越完整的 Skill，说明它封装的流程越全，你后期要补的活越少。

第二，看适用时长是否匹配。 这一点我吃过亏。有的 Skill 天生是为短平快设计的，你硬要它撑一分钟的剧情，节奏就垮了。反过来，用一个擅长剧情段落的 Skill 去做十五秒的产品展示，会显得又慢又拖。

第三，点开"创作详情"看它的实际画布。 这是最诚实的一栏。样片背后的角色图、场景图、分段视频、BGM、字幕、合成节点全摊在那儿，你能清清楚楚看到这位"导演"的工作方法是不是你想要的。

6.3 进阶：Skill 还能被"外面"调用

这是一个很多人没注意到、但想象空间很大的点。

这套体系其实是同时面向两类使用者设计的：人可以操作，AI 助手也可以操作，两者还能协作。 除了网页端的画布，LibTV 官方还开源了一套面向 AI 助手的技能包，你在账号里生成一个 API 密钥，把开源地址交给你日常在用的那个 AI 助手，它就能调用这边的生图、生视频能力——创建会话、发送创作指令、查询进度、拿回结果，一整套都能跑。

这意味着什么？意味着视频生产可以被塞进你自己的自动化流程里。

举个通用化的场景：你让日常用的 AI 助手在夜里帮你把某个主题的资料整理好，写成脚本，然后直接调用这边的能力做成视频，第二天早上起来直接看结果。整个过程你连网页都不用打开。

代码层面也不复杂，大致就是这个意思：

# 把技能包装进你的项目
npx skills add <开源技能仓库>

# 之后由你的 AI 助手负责：
# 1. 创建会话
# 2. 发送创作指令（自然语言即可，比如"生成一支动漫短片"）
# 3. 轮询查询生成进展
# 4. 批量下载最终结果

需要说明的是，这条路对新手来说没必要着急碰。它的价值在于：当你已经把创作流程跑顺了，它能帮你把这条流程接到别的流程上去。 属于第二阶段的事，先把画布玩明白再说。

6.4 一个容易忽略的细节：模型

调用 Skill 生成视频时，通常会默认走某个主力视频模型。如果你想切换成别的模型，一般需要在对话里明确指定。

这套体系把市面上主流的图像和视频模型基本都集成进来了，而且更新非常快——新模型发布没几天，画布里就能选到。对我们创作者来说，最实际的好处是：不用为了一个模型单独注册一个平台、单独充一次值，也不用在几个网页之间来回倒素材。

不过我的建议是，新手前期别折腾模型。 Skill 里默认的模型组合，是设计这套流程的人反复调过的，大概率比你瞎换效果好。等你对成片有了明确的不满意点，再去针对性地换。

七、实操三：从零创建你的个人专属 Skill

前面两节都是用别人整理好的拍法。这一节讲怎么把你自己的方法装进去——这也是我认为整套体系里最有价值的部分。

7.1 什么时候需要自建

答案很简单：当广场里找不到你想要的那种感觉的时候。

一百多个 Skill 听着多，但创作这件事从来不按套路出牌。你可能想复刻某部电影里那种特定年代的画面美学，可能想做一种只有你自己审美体系里才存在的混搭风格，也可能只是有一套自己用惯了的分镜方法，想让 AI 也照着来。这些需求，现成的 Skill 覆盖不了。

我自己是因为想做一种 Q 版动画风格的短片，翻遍广场没找到完全对味的，就动手建了一个。

7.2 创建流程

操作比我想象中简单，整个过程不需要碰任何代码：

第一步：找到创建入口。 在 Agent 对话窗口点击 Skill，再点右上角的创建按钮，进入自定义 Skill 的创建页。

第二步：填名称和简介。 名称要简单介绍它的能力。这里有个很实际的坑：Skill 名称有长度限制，大约十二个字。 所以别用一长串英文名，直接写中文名，短、准、好认，后面在库里调用和查找也方便。

第三步：填 Skill 的具体内容。 这是核心，也是唯一需要花点心思的地方。你可以准备一份结构化的模板，交给 AI 工具按模板填写，生成之后直接复制到内容栏里。填完还可以点右上角，让 AI 再帮你优化一轮。

第四步：填使用场景。 说清楚这套方法适合拍什么。

第五步：填"如何使用"。 也就是这个 Skill 期望用户提供什么。我一般设置成：让用户输入一个故事大纲。

第六步：填输出内容。 明确交付物。比如我希望它最终生成一条三十秒的 Q 版动画视频，那就写清楚。

第七步：保存。 存好之后它会出现在"我的 Skill"里。回到项目画布，点开 Agent 的 Skill 入口，在"我的"分类下就能找到它，选中，点击生成，就开始调用了。

7.3 Skill 内容该怎么写

这是决定专属 Skill 好不好用的关键。我把自己用顺手的结构贴出来，你可以直接拿去改：

# 技能名称：<十二字以内的中文名>

## 一句话定位
这套方法用来拍什么类型、什么气质的片子。

## 视觉风格
- 色彩：主色调、辅助色、饱和度倾向
- 光线：光比、光位、色温、是否要硬阴影
- 质感：胶片颗粒 / 干净数字感 / 手绘 / 3D 渲染
- 构图：常用景别、机位高度、留白习惯

## 叙事规范
- 结构：开场如何抓人、中段如何推进、结尾如何收
- 节奏：平均每镜时长、快慢切换的节点
- 台词：有无对白、有无旁白、语气风格

## 必需素材
用户必须提供：<故事大纲 / 产品图 / 人脸参考 / 音乐 ...>
用户可选提供：<...>

## 执行步骤
1. 先确认：时长、画幅、字幕语言
2. 生成风格基调图，等待用户确认
3. 生成角色三视图 / 场景影调图，每项给出多个方案供选择
4. 写入锚点清单与分镜表
5. 分段生成视频
6. 生成 BGM 与字幕
7. 合成输出

## 交付物
- 角色设定图
- 场景图
- 分镜表
- 背景音乐
- 最终成片：<时长>、<分辨率>、<画幅>

## 禁止项
明确写出这套风格里绝不能出现的东西。

最后那个"禁止项"是我后来加的，效果出奇地好。告诉 AI 不要什么，往往比告诉它要什么更有效——因为"要什么"它可以有一百种理解，"不要什么"只有一种。

7.4 实测效果

Skill 建好，当然得拉出来遛遛。

我直接调用自己做的这个，选中它，把剧情、比例、时长和风格一次性写清楚，然后让它跑。出来的片子，风格是我想要的那个风格，节奏是我定的那个节奏。

那一刻的感受挺微妙的：以后我再想做这类短片，不需要每次重新写提示词，不需要重新搭一遍流程，直接调用就行。这条已经跑通的工作流被存下来了，变成了一个可以反复调用的东西。

说白了，你拥有的不再是一堆散落的提示词，而是一个属于你自己的方法库。

7.5 顺手的两个进阶玩法

一是把对话过程直接转成 Skill。 有时候你不是先设计好方法再去拍，而是拍着拍着摸出了一套好用的路子。这时候可以把这段对话过程直接沉淀成一个 Skill，下次复用。

二是把 Agent 分析视频的能力用起来。 你在网上刷到一支很有创意的片子，想用 AI 仿着拍，可以让 Agent 去分析这条视频，提炼成一套新的方法。当然，这里要提醒一句：参考风格和照搬他人作品是两回事，学的是手法，不是内容，这条线自己心里得有数。

辛梓煜@词元2号站 这里补一句实践心得：自建 Skill 最好的时机，不是你刚上手的时候，而是你已经用现成 Skill 跑过三五条片子、清楚地知道自己"不满意什么"的时候。带着具体的不满意去写规范，比凭空想象要准得多。

八、锚点与分镜：长视频不崩的真正关键

这一节稍微硬一点，但我认为是全文最有价值的部分。因为前面所有的操作，成败都取决于这两样东西。

8.1 什么是锚点

锚点，就是在整条片子里必须保持一致、不能漂移的那些东西。

具体来说，就是主角的脸和造型、每个场景的影调、关键道具的样子。Agent 在正式生成视频之前，会先把这些东西钉死：给主角出几套造型让你选，选定之后生成三视图（正面、侧面、背面），这张三视图就成了后续所有镜头里这个人的"身份证"。场景也一样，先出影调图，定死这个空间的灯光色温和质感。

然后它会把这些写成一份锚点清单，记录每个主体对应的资产节点，存进画布。

这一步为什么重要？因为长视频崩掉，九成不是崩在画质上，是崩在一致性上。 第一镜的女主是齐耳短发灰毛衣，第五镜变成了长发白衬衫——观众立刻出戏。锚点机制的作用，就是在生成任何视频之前，先把这些容易漂的东西钉住。

我见过的反面案例，都是急着看效果，跳过资产确认直接冲视频生成，跑到第三镜发现人脸不对，只能推倒重来。在锚点上省的每一分钟，后面都要用十分钟还。

8.2 什么是分镜表

分镜表就是一张表格，把整条片子拆成一个个镜头，每一镜写清楚：编号、时长、内容、景别、引用哪些资产。

举个通用化的例子，一支四十秒左右的情绪短片，分镜表大概长这样：

有了这张表，Agent 才知道每一镜要生成什么、用哪张参考图、切多长。没有这张表，它就只能一镜一镜地猜。

比较讲究的做法是，Agent 会先从剧情里提取几个叙事节拍，再把节拍拆成具体的镜头。节拍是情绪的骨架，镜头是骨架上的肉——先有骨架，肉才不会长歪。

8.3 镜头数量和时长的换算

这里涉及一个很实际的计算。你定了总时长，模型单段生成的时长有上限，那需要几个镜头？

设总时长为 (T)，单段视频的平均时长为 (t)，那么需要的镜头数：

[

n = \left\lceil \frac{T}{t} \right\rceil

]

比如你要一支 45 秒的片子，模型单段舒服的区间是 15 秒，那就是 3 段。要一支 40 秒的情绪短片，希望节奏碎一点，平均每镜 4 到 5 秒，那就是 8 到 10 个镜头。

镜头数量直接决定了两件事：生成成本和节奏感。镜头越多，节奏越碎越紧张，但每一镜的信息量就得压缩；镜头越少，每镜越长，越舒缓，但对单段画面的稳定性要求就越高。

我的经验值，供参考：

8.4 一个真实的坑：时长设定和剧情打架

这个坑我踩得挺狠，专门拿出来说。

我在自建的 Skill 里，把单镜时长限死在了 8 到 15 秒。结果实际跑起来，剧情里有些台词和过渡撑不满这个长度，Agent 就自动帮我剪掉了一些内容——它为了满足我定的规则，牺牲了叙事的完整性。

发现问题之后，我又根据叙事节奏，让 Agent 重新调整了每个片段的时长，最后拿到了一版节奏正常的成片。

教训是：Skill 里的硬性参数要留余地。 你以为你在给它定规矩，实际上你可能是在给它下达"必须删内容"的指令。时长这类参数，写成区间比写成定值好，写成"建议"比写成"必须"好。

8.5 分批生成的小技巧

镜头多的时候，Agent 通常不会一口气全跑，而是分批。比如九个镜头，先并行生成前五镜，全部完成后再自动接着生成后四镜。

这个设计对我们是有好处的：前五镜出来，你就能判断整体方向对不对。如果方向错了，及时喊停，只损失五镜的时间，而不是九镜。

所以我养成了一个习惯：第一批出来，一定认真看，别嫌麻烦。这是整个流程里性价比最高的一次质检。

九、我踩过的坑，和一些实用建议

前面讲的都是流程该怎么跑。这一节讲的是流程之外，那些没人告诉你、只能自己撞出来的东西。

9.1 别在第一镜上死抠

这条我在第五节提过，但值得单独拎出来再说一遍，因为它是新手最容易犯的错。

拿到 Skill，跑出第一镜，觉得光影差一点，改；改完觉得构图差一点，再改；改了七八轮，第一镜终于完美了，然后你发现自己已经耗了一个小时，后面还有八镜。更糟的是，等你把整条片子跑完，回头一看，那个被你抠到完美的第一镜，跟整体节奏根本不搭。

正确的顺序是：结构先跑通，细节后返修。 先拿到一版完整的、能从头看到尾的成片，哪怕每一镜都只有七十分。然后你才知道该抠哪儿——通常你会发现，真正需要改的只有两三镜，而不是九镜。

9.2 故事永远不要外包

Agent 能写故事，写得也不算差。但你要清楚一件事：它写出来的东西，是它对"这类题材通常怎么写"的理解，是均值，不是你。

我的做法是：故事大纲自己写，剩下的全外包。 哪怕只写三行字——什么人、在什么处境、发生了什么转折——都比让它自由发挥要好。因为片子的独特性只可能来自故事，来自那个只有你想得到的细节。视觉风格 Skill 能给你，节奏 Agent 能给你，唯独"这个故事只有我会讲"这件事，给不了。

9.3 元素选择：少即是多

选核心场景元素的时候，很多人恨不得全勾上，觉得元素越多画面越丰富。实际结果是反的。

元素本质上是给风格加权重的。你勾三个，每个权重三成多；你勾八个，每个权重一成多——最后哪个都不突出，风格就糊了。

我的规矩是最多三个，而且这三个要互相加强，不能互相打架。 比如"麦田＋逆光＋长焦"是互相加强的，出来就是那个味儿；"麦田＋霓虹＋赛博"是互相打架的，Agent 只能和稀泥。

9.4 用大白话提修改意见就够了

不用学什么提示词技巧。我试过一本正经地写"请将背景音乐的音量降低约 30%，提升人声轨的清晰度和存在感"，也试过直接说"背景音乐太吵了，压低点"，效果没差别。

Agent 的强项就是理解人话。你反而应该省下写提示词的力气，多花在判断"哪里不对"上——说出问题比描述方案更重要。 你说"结尾有点拖"，它知道该怎么处理；你非要说"把最后一个镜头裁掉 1.5 秒并添加淡出转场"，反而限制了它更好的解法。

9.5 名称和文件的小细节

• 自定义 Skill 的名称写中文，十二字以内，别用长英文名，会写不下。
• 锚点清单和分镜表是会真的写成文件存进画布的，跑完一个项目，翻回去看这两份文件，比看成片更能帮你复盘。
• 项目跑完，把故事板和工作流两个视图都切一遍。故事板帮你看整体，工作流帮你定位问题，两个视图看同一件事，视角完全不同。

9.6 参考图这件事，给不给、给几张

有的 Skill 允许你上传参考图——人脸参考、造型参考、产品图、风格参考。到底给不给？

我的经验分两种情况。

做商业内容，产品图必须给。 产品是不能被"创作"的，一辆车的进气格栅长什么样、一个瓶子的比例是多少，模型自由发挥的结果基本都不能用。给了参考图，Agent 会先生成产品的三视图和细节图，再基于这些去排分镜，成片里的产品才立得住。

做剧情内容，人脸参考可以不给。 我做过对比：给人脸参考，主角长得像你给的那个人，但你要额外承担一个风险——这张脸未必适合这个故事的气质。不给，让 Agent 根据剧本自己设计角色，它通常会先出几套造型方案让你挑，挑完再生成三视图。这个过程反而更贴合剧本。

还有个细节容易忽略：参考图的格式会影响效果。 有些排版形式（比如把多个角度拼成一张九宫格）在某些流程里不一定被默认识别成参考。拿不准的时候，规规矩矩上传单张清晰的图，比自作聪明地拼图靠谱。

9.7 关于"参考"和"照搬"的分寸

这一条不是技术问题，但我觉得比技术问题更重要。

现在的工具能力很强，强到你可以让它分析一支现成的片子，提炼出方法再复现。这带来一个很现实的分寸问题：学手法和抄作品，中间那条线在哪儿？

我自己的标准是这样的：

• 可以学的：视觉手法（用什么光、什么构图、什么色调）、叙事节奏（几秒一个转折）、类型规律（这类片子通常怎么开场）。这些是行业公共知识，谁都可以用。
• 不该碰的：具体的角色形象、完整的故事情节、有辨识度的原创设计、别人作品里的独特桥段。这些是别人的成果。

说得再直白点：你学的应该是"怎么拍"，不是"拍什么"。一支片子的调性可以被借鉴一万次，但故事只属于写它的人。工具越强，这条线越需要自己心里有数——因为工具不会替你把关。

9.8 一份新手上手的顺序建议

如果你是第一次碰这套东西，我建议按这个顺序走，能少走很多弯路：

到第五条，你基本就有自己的方法库了。

这个顺序里藏着一个我自己总结的规律：先别急着追求好，先追求"完整"。 很多人卡在第一条就放弃了，原因往往是一上来就想做一支惊艳的片子，结果在细节里越陷越深，最后连一条完整的成片都没拿到手，只留下一堆半成品和挫败感。而如果你第一条就用最省事的方式跑完全程，哪怕成片平平无奇，你也已经拿到了最宝贵的东西——对整条链路的手感。有了手感，后面每一步的取舍你都会心里有数。

十、Skill 真正改变了什么

写到这儿，回头看，我觉得有必要跳出操作层面聊两句。

Skill 功能解决的，从来不是"一键生成视频"这么简单的事。它把原本零散在十几个环节里的剧本、人物、场景、分镜、视频生成和后期合成，整合成了一套可以直接调用、并且可以反复调用的创作流程。

这三种用法，其实对应三种人：

• 想快速出片，用自动模式，五分钟拿一条能发的片子；
• 想加入自己的想法，用手动模式，在每个岔路口指方向；
• 想形成属于自己的风格，建一个专属 Skill，把方法固化下来。

而它们背后是同一件事：创作的重心，从"怎么把它做出来"挪回了"要做什么"。

以前我们做 AI 视频，大量时间花在提示词、节点连线和各种技术问题上。真正属于创意的部分，被这些琐事挤到了角落。现在这些琐事被工具吃掉了，我们可以把更多精力放回故事和内容本身——这才是我觉得最有价值的地方。

顺带说一句我的一点观察：Skill 这个东西，长期看是会增值的。你怎么选、怎么改、怎么用，都会慢慢沉淀成你的偏好，让工具越来越懂你的审美。而当越来越多创作者把自己的经验写成 Skill 发布出来，这个方法库会越来越厚——这有点像开源社区的逻辑，只不过共享的不是代码，是拍法。

至于工具本身，就是前面一直在用的 LibTV，LiblibAI 出品，官网在 www.liblib.tv，感兴趣可以自己去跑一条试试。这套东西的学习曲线比想象中平，第一条片子基本半小时内能出来。

最后回到最开始那个问题：15 秒这道坎过去了吗？

我觉得过去了，但过去的方式跟大家预想的不太一样——不是某个模型突然能一口气生成一分钟，而是有人把这一分钟拆成了可管理的结构：锚点钉住一致性，分镜表管住节奏，Agent 负责调度，Skill 负责方法。技术难题被工程化的方式绕过去了。

这可能就是这个阶段最真实的状态：模型决定下限，方法决定上限。 而 Skill，就是把方法变成资产的那把钥匙。

你准备好搭建自己的 Skill 创作流程了吗？

个人学习实践总结声明

本文是我个人在学习与实践过程中的整理和总结，所有操作步骤、参数经验和判断结论均来自我自己的动手体验，仅代表个人观点，供交流参考。文中涉及的产品功能与界面可能随版本更新发生变化，请以你实际使用时的界面为准。

转载请注明出处。

作者：辛梓煜　｜　词元2号站　www.ciyuanerhao.com