我把1.24亿播放的《过来人》提示词扒下来了：和去年比，AI提示词已经不是同一个物种

如果你用AI做过图、做过视频，你的电脑收藏夹里大概率躺着一堆「万能提示词模板」：主体加动作加场景，结尾缀一串 2K、ultra detailed、masterpiece，像一段念给机器听的咒。今天下午我把全网播放1.24亿的AI说唱MV《过来人》的公开画布整个扒了下来——67个节点、全部24个视频镜头的提示词原文，一个不落地存了下来。2026年的提示词，和去年已经不是同一个物种了。我们来做一次「解剖」：把两套提示词摆在一起对比，看看这一年到底发生了什么。是工具更聪明了？是写法变简单了？还是写提示词这件事本身，已经换了赛道？ 建议先收藏，后面每一段都可以直接抄。 # 一、先认识一下这份「作业」 《过来人》是创作者喆FILM（王琨喆）在LibTV无限画布上做的AI说唱MV。杜甫、苏轼、刘邦、项羽、勾践、孙悟空、曹操、李白、诸葛亮、司马懿，十位古人站在livehouse舞台上唱当代人的疲惫。制作周期三四天，直接成本几千元，上线一天点赞破百万，目前播放量 1.24 亿左右。整张创作画布连同全部提示词已经公开，任何人都能打开看、复制、修改。喆说：「就算我不公开，别人截图也能反推提示词，不如开放。」反推？没有公开的精确！图：《过来人》公开画布全览。左侧为19段音频切片与人物资产图，右侧为24个视频镜头节点及素材引用连线。来源：LibTV 公开创作过程页截图上面这张截图就是它的「创作过程」页：左边是19段音频切片和人物资产图，中间和右边是24个视频镜头节点，密密麻麻的连线是素材引用关系。作者在采访中说过一句话：「屏幕上很多线看似连来连去、密密麻麻，但逻辑非常清晰。」本文的素材，全部来自这张画布的原始数据，用过 liblib 的人都知道，看上去复杂，但实际操作很简单。如果你用过 Shake、Nuke、DigitalFusion 这类节点式合成软件， 那么用这个工具简直就是小儿科。 # 二、去年的提示词长什么样 先回忆一下2025年主流的AI生成提示词写法。不管是文生图还是早期的文生视频，基本是这个结构：一段式咒语：主体描述＋动作＋场景＋风格，最后用逗号分隔堆一串质量词——「8K resolution, ultra detailed, masterpiece, best quality, cinematic lighting」。写法是「关键词拼接」，每个词像往许愿池里扔一枚硬币，扔得越多越好，没人知道哪枚管用。万能模板：网上流传各种「提示词公式」，人物、风景、产品各一套，改几个词就能用。还有很多某鱼的教程，现在已经贬值到 0.01 元一套了。其实呢，大家的提示词长得都差不多，生成出来的东西也差不多。去年很多人都是抽卡心态：写一段提示词，生成，不满意，微调一个词再生成，靠运气撞出好结果，应该是被抽卡的游戏坑过，所以叫「抽卡」。负面提示词是技术活：图不行，就加 negative prompt——「不要多余的手指、不要变形、不要文字」。抽多了，你就先知道模型会犯什么错，有经验了，可以用负面提示词预防。运镜靠术语：想让镜头动，就写「dolly in」「pan left」，写多了模型也不一定听。这不是哪一个人的写法，是整个2025年的平均水平。AI像一个听力很好但理解力有限的实习生，你得用它能听懂的句式和词汇，还得碰运气。 # 三、《过来人》的提示词长什么样 现在看2026年的。以下全部摘自画布原文，我选了一段视频的提示词来分析：先看一段标准的单人镜头提示词（杜甫主歌段），注意它的「段落结构」，而不是某个词：【素材】{{Mixed 1}} 杜甫资产图、{{Mixed 2}} 舞台场景图、{{Mixed 3}} 立式麦克风、{{Mixed 4}} 音乐切片【场景】小型 live house 演唱会现场，舞台中央立着一只复古立式麦克风（银色镀铬大振膜、圆形金属网罩、镀铬立杆、圆形配重底座，像格莱美现场那种，不是手持带线话筒）；暖钨丝灯与追光，光束里有轻烟和尘埃……【动感基调】镜头全程手持肩扛、带明显呼吸感晃动；歌手站在立式麦克风前，身体随节拍自然起伏、点头、踏脚、左右摇摆，绝不僵立……【运镜】手持围绕杜甫缓慢半环绕（中近景为主），跟着节奏小幅度推拉，偶尔切观众反应再回到杜甫。【逐句动作】「屋子都快散架」抬手比划屋顶、苦笑；「安得广厦」摊开手掌、语气放缓；「别人的锁」手指虚捏像拎钥匙；「工牌」在胸前轻拍；「房贷、学费、体检单」一根一根数手指，最后轻轻叹气。动作小而真，身体始终随节拍。【嘴型锁定】 严格按本段音乐切片对嘴型，每一秒都按切片演唱，不改变节奏、不重复、不跳拍子，歌词如下：（全文照贴） 再看一张图——这是画布里的十人合唱站位图，每一排、每个人站哪、用哪支麦克风，都是提示词里逐人绑定的结果：图：十人两排合唱站位图——前排5人各一支立式麦克风、后排5人共用2支，站位与用麦方式均由提示词逐人绑定。来源：画布生成素材还有观众席。下面这张「灯海」不是视频截图，是提示词生成的静态图：外卖骑手服、快递工服、松开领带的白衬衫、反光背心、背着婴儿背带的年轻妈妈——职业细节全是提示词里一个一个点名的：生图提示词： 小型 live house 观众席从舞台往下看的全景，几百个中国城市上班族站满整个场子，全部举着手机、打开手电筒，手臂举过头顶，白色光点铺满黑暗，所有手臂往同一个方向倾斜，很多人张着嘴在跟唱，有人闭眼，有人是要流泪的感觉。穿着混在一起：外卖骑手服、快递工服、灰色卫衣和工牌、松开领带的白衬衫、反光背心、polo 衫加腰包的小老板、球衣、工厂蓝色工装、背着婴儿背带的年轻妈妈、牛仔外套的大学生、穿旧夹克戴老花镜的五十多岁大叔。写实摄影，手机白光是唯一的点光源，16mm 胶片颗粒，无荧光棒、无 LED 屏、无字幕无文字。 图：观众席「灯海」。外卖骑手、快递工、松开领带的销售……职业细节全部来自提示词逐一点名。来源：画布生成素材 # 四、五个根本不同 把两套写法摆在一起，差异不在词藻，在「体裁」。第一，从「念咒语」变成「派工作」。去年的提示词是在描述一个画面，今年的提示词是在给岗位发工作单。你看【素材】条款的写法：「{{Mixed 1}} 是人物资产图，只采用他的外貌、发型、服装和年龄感，不采用背景；{{Mixed 2}} 是舞台场景图，采用空间、舞台、灯光和观众席的布局」——每个素材编号干什么、不干什么，写得清清楚楚。这已经不是提示词了，这是制片主任给各部门下的单。第二，从「一次成型」变成「迭代改造」。画布里的场景图不是一次生成的，是一条五轮的改造链：初版古代酒馆→改成暗调氛围光加观众手机灯海→舞台扩大一倍站两排人→放进7支立式麦克风→十人入画。每一轮只改一件事，并且每轮都叮嘱「保持重要特征和基本环境」。去年流行的是一次写好一段「完美的」提示词；今年被验证有效的做法是：先出个毛坯，再带着上一版结果一步步改。第三，从「质量词咒语」变成「负面清单加锚点」。「8K、ultra detailed」这类词在《过来人》的提示词里几乎绝迹，取而代之的是大量精确的「不要」：不要荧光棒、无LED屏、无字幕无文字、不要卡通、不要渐变、不要错位套印。同时有一套「锚点描述」全片复用——「暖钨丝灯与追光，光束里有轻烟和尘埃」这段话在每个镜头里原样出现，保证几十个镜头看起来在同一个场地。咒语追求的是「让模型发挥更好」，负面清单和锚点追求的是「让模型别自由发挥」。第四，从「运镜术语」变成「分镜工作单」。最让人意外的是那个「一镜到底」模板，镜头运动被拆成四个阶段：0到5秒摇臂大全景下降推进、5到10秒穿过观众侧脸降到视线齐平、10到20秒轨道横移15度推近到胸口以上、20秒后拉回中景收尾。这已经不是提示词，这是导演给摄影组写的分镜脚本，只是执行者从摄影师换成了模型。 **第五，从「抽卡」变成「立规矩」。每个镜头结尾都有一条【嘴型锁定】：「严格按音乐切片对嘴型，每一秒都按切片演唱，不改变节奏、不重复、不跳拍子。」动感条款里反复出现「绝不僵立」。十人合唱的镜头还附一致性条款：「全片共10人、每人只有一个，无重复角色、无人脸互换、无换装；后排始终站在高一级平台，两排不塌成一排。」去年我们祈求模型别犯错，今年直接给它立了规矩，而且模型听得懂、做得到。 # 五、所以，到底是谁变聪明了 结论有三层。1、工具确实更聪明了。现在的视频模型能吃多模态混合输入：人物资产图、场景图、麦克风产品图、音乐切片，一口气十几个参考文件各管各的用途（画布里的 mixed2video 模式就是这么干的）；能听懂几千字的长指令并照章执行；平台还提供了资产管理，人物图存一次，几十个镜头引用同一张，跨镜头「不变脸」。这些能力在去年的主流工具上不存在。2、写提示词确实「更容易」了。你不用再背咒语、研究权重、记一堆参数术语。用自然语言把需求说清楚、把边界划明白，就能干活。2026年的提示词更像一份普通的工作交接文档，谁都会写。3、但门槛没有降低，只是换了位置。注意一个事实：《过来人》的视频废片率仍然高达3:1到5:1，作者说大量时间花在前期提示词打磨上。工具能执行「逐句动作」的前提是，你得先写出「房贷、学费、体检单，一根一根数手指，最后轻轻叹气」这样的句子——这需要的是对生活的观察、对表演的想象力、对节奏的审美。换句话说：咒语失效了，因为模型已经听得懂人话；但「说清楚要什么」成了新的分水岭。作者有句话可以作为这节的注脚：「AI可以做大量freestyle，帮我试无数句子，但它掏不出我心底的东西。」 # 六、给你留一份能直接抄的作业 我把这套提示词整理成了模板库，按用途分好了类： 人物怎么定型（四视图资产图模板＋十位古人的气质速查表）；单人镜头怎么写（含逐句动作句式）；一镜到底怎么分阶段；十人合唱怎么防变脸；观众群像、封面海报、场景迭代链，各一份。如果你也在做AI音乐或AI视频，这套东西值得放进收藏夹——下次开新项目时，先翻它再动笔。 老规矩，几张说明图来自画布原始素材，文章里的提示词节选都可以在公开画布上核对。例如杜甫这段歌词的30 秒视频：

视频：杜甫主歌视频。来源：作者公开流程图截取 附：杜甫镜头提示词：素材职责： {{Mixed 1}} 是<人物>的人物资产图，只采用他的外貌、发型、服装和年龄感，不采用背景； {{Mixed 2}} 是 live house 舞台场景图，采用空间、舞台、灯光和观众席的布局； {{Mixed 3}} 是舞台立式麦克风，只采用麦克风和支架的外形与材质，不采用它的灰色背景，每一段都是同一支； {{Mixed 4}} {{Mixed 5}} 是观众群像参考，只采用观众的穿着和人群构成，不采用其中的舞台和灯光。 {{Mixed 6}} 是本段歌曲切片，作为 {{Mixed 1}} 的演唱内容： {{Mixed 1}} 的口型与 {{Mixed 6}} 里的人声逐字同步，不自行配音、不改歌词、不重复、不跳拍。主体设定： {{Mixed 1}} 站在舞台中央的立式麦克风前，左手扶着 {{Mixed 3}} 麦克风，他带着各种手势和肢体动作对着台下的观众表演，台下的观众也各自随着音乐点头，律动：场景： {{Mixed 2}} 小型 live house，一束暖钨丝追光从正上方打在他身上，光束里有薄薄的烟；舞台后侧暗处隐约站着其他古人的剪影，不动；台下坐满、站满观众，都是今天的城市上班族（穿着以 {{Mixed 4}} {{Mixed 5}} 为准）。阶段一（0–5 秒，第 1–2 句）：开始时是摇臂大全景，机位在观众席最后排的上方，俯视整个场子：前景是一排排观众的后脑勺和肩膀（虚焦），舞台在远处一束追光里， {{Mixed 1}} 已经站在麦克风前开口唱。摇臂一边缓慢下降一边向前推进，越过观众的头顶。结束时镜头降到观众席中段、离地两米， {{Mixed 1}} 在画面正中，中远景。阶段二（5–10 秒）：镜头继续向前，从前排两个观众的侧脸之间穿过（前景虚化掠过），降到和他视线齐平，推到中景，微微仰角；阶段三（10–20 秒）：镜头沿轨道缓慢向右横移约 15 度，同时推近到 {{Mixed 1}} 近景（胸口以上），追光的光束和薄雾在他身后；阶段四（20–结尾）：镜头缓慢后拉回中景，一个观众的肩膀从画面左下角虚化地进入前景，唱最后一句时他<收束动作>。结束时中景，他站在原位手扶麦杆，前景的观众肩膀静止，追光和站位保持。镜头总则：一镜到底，全程不切镜、不转场、不黑场、不换机位；只有摇臂和轨道的平滑匀速运动，没有手持晃动，没有变焦跳跃。声音：全程只用 {{Mixed 6}} ，不额外生成音乐、音效和人声；观众不出声。{{Mixed 6}}画面呈现：颁奖礼级演唱会的电影感：大画幅电影镜头、浅景深、前景虚化，暖钨丝追光加薄雾，暗部干净，轻微胶片颗粒；画面里无字幕、无水印、无任何文字。保持一致： {{Mixed 1}} 的脸、发型、服装、年龄全程不变；麦克风位置不变；舞台方向不变（观众始终在镜头这一侧）；全程只有他一个人在舞台光里，没有第二个人上台；观众不举手机、不张嘴。一镜到底，不切镜、不转场、不黑场、不换机位，只有摇臂和轨道的平滑匀速运动，没有手持晃动。画面呈现：颁奖礼级演唱会的电影感，大画幅电影镜头、浅景深、前景虚化，暖钨丝追光加薄雾，轻微胶片颗粒；画面里无字幕、无水印、无任何文字。保持一致：人物的脸、发型、服装、年龄不变；麦克风不变；舞台方向不变；观众是现代上班族，没有古装观众；观众不张嘴说唱；手电筒是手机白光。声音只用 {{Mixed 6}} 。最后：感谢作者开放了复制和修改，他只有两个请求：别冒充原作，别恶意损害作品。我们尊重。 今天，Seedance2.5 的加持下，AI工具的门槛一夜塌了， 设计和表达的门槛浮出水面。这大概是2026年做 AI 音乐，做MV，做短剧内容的人，最需要想明白的一件事。

← 返回首页全部文章