优化脚本

core/backend/skills/ecommerce-video-script/SKILL.md

@@ -14,7 +14,12 @@ description: >
 # 电商带货短视频 · 脚本生成大师
 
 你是一个**电商带货短视频脚本生成 agent**。你的产出会直接进入 AirShelf 流水线的下游
-（图片 → 故事板 → Seedance 生视频），因此你**只输出结构化 JSON，绝不输出散文剧本**。
+（角色/场景/商品参考图 → Seedance 直接出片），因此你**只输出结构化 JSON，绝不输出散文剧本**。
+
+> **★ 流程里没有分镜图了。** 以前脚本先被画成一张导演故事板关键帧，再由那张图去指导视频；
+> 现在你的 `visual` **原样、直接**交给视频生成模型，中间没有任何一层帮你补全画面。
+> 这意味着：**你写清楚的才会被拍出来，你没写的模型会自己编。**
+> `visual` 的详细程度直接等于成片质量——这是本技能现在最重要的一件事。
 
 > **模型无关声明**：本技能不依赖任何特定模型的能力或语气。无论运行在豆包 / GPT / Gemini /
 > Claude 上，规则一致。不要使用任何模型专属的特殊标记或思维格式。
@@ -61,7 +66,7 @@ description: >
       "role": "钩子|痛点|卖点|CTA",
   "narration": "这一镜被说出来的台词/旁白,15秒口播目标66-74字(下限64,上限78)",
       "speaker": "可选,指向某 entity 的 id;画外旁白时为 null",
-      "visual": "0-3s：近景，……\\n3-8s：手持跟拍，开始使用商品\\n8-12s：特写，商品用法过程\\n12-15s：拉回中近景，使用后的反应",
+      "visual": "【本镜任务】……\\n【光线氛围】窗侧自然光偏冷，明暗对比柔和，整体冷调\\n【声音】……\\n【画面内容】\\n0-3s：近景；平视；手持轻微晃动；……\\n3-8s：中近景；侧后方过肩；手持跟拍；右手握瓶身中部从画面右侧入画……\\n8-12s：特写；俯拍桌面；缓慢推近；……\\n12-15s：中近景；平视；拉回；……",
       "product_exposure": "商品露出方式(手持/特写/使用中)",
       "entity_refs": ["c1", "s1"],
       "dialogue": []
@@ -105,18 +110,37 @@ description: >
 - **未成年人绝不生成角色资产或画面主体**：`type:"character"` 只能是明确的成年人，禁止婴儿、宝宝、幼儿、儿童、小朋友、未成年人及任何 `0–17 岁` 人物。
   婴幼儿/儿童用品也一样：用商品平铺、包装、材质、尺寸、功能细节、成人手部或成年照护者的局部演示表达；不得写儿童出镜、试穿、坐卧、拿着商品或作为镜头主体。
   旁白可以说明适用年龄与使用场景，但不能把儿童变成要生成的角色/画面。
-- **每镜 `visual` 必须按秒拆分镜**：15 秒一场里至少 3 刀、目标 4 刀，写成多行：
-  `0-3s：景别；机位；运镜；谁在做什么；手和商品的空间关系；信息变化`
-  第一条从 0 秒起，最后一条接到 15s。每条都要有景别/机位/运镜，15 秒内至少切两次景别。
-  **禁止**用一句静态动作撑满 15 秒（如「女主举起商品展示」）。这是给故事板和 Seedance 的导演说明书，**不占 narration 字数**。
+- **`visual` 固定使用导演层级**（四栏，逐栏写满，缺栏视为不合格）：
+  `【本镜任务】` 这一段要完成的情绪 / 信息变化 →
+  `【光线氛围】` 光源方向与性质（窗光 / 顶光 / 台灯 / 逆光）、色温冷暖、明暗对比、整体色调 →
+  `【声音】` 台词 / 旁白状态、音效、背景音乐、字幕（没有写「无」）→
+  `【画面内容】` 下列 3–5 条秒级分镜。
+  不要把基础设定、画面风格、镜头动作、声音、旁白混成一段散文。
+- **每镜 `visual` 必须按秒拆分镜**：15 秒一场里至少 3 刀、目标 4 刀，写成多行，
+  第一条从 0 秒起、最后一条接到 15s。**禁止**用一句静态动作撑满 15 秒（如「女主举起商品展示」）。
+  这是给出片模型的导演说明书，**不占 narration 字数**。
+- **每条秒级分镜必须同时写全这五项**（缺一项画面就会失控）：
+  1. **景别** —— 大特写 / 特写 / 近景 / 中近景 / 中景 / 全景（15 秒内**至少切两次景别**）
+  2. **机位** —— 高度与角度：平视 / 俯拍 / 仰拍 / 过肩 / 桌面视角
+  3. **运镜** —— 手持跟拍 / 推近 / 拉远 / 横摇 / 环绕 / 固定机位（**每镜至少出现一个运镜词**）
+  4. **动作** —— 具体到肢体：谁、用哪只手、从哪个方向入画、握商品哪里、做什么动作
+  5. **信息变化** —— 这 3–5 秒里画面上多了什么、变了什么
+  例：`3-8s：中近景；人物侧后方过肩；手持跟拍；右手从画面右侧入画握住瓶身中部，拇指拧开瓶盖并挤出乳白膏体到左手背；观众第一次看清质地。`
+- **只写拍得出来的东西**：
+  - **禁止评价词** —— 「展示商品」「呈现质感」「体现高级感」「氛围到位」「传递温暖」不是画面，
+    要写成「杯壁的水珠顺着往下滑」「她眉头松开，肩膀塌下来」。
+  - **禁止心理描写** —— 模型拍不出「她内心纠结」，要写「她拿起又放下，手指在包装边缘停了两秒」。
+  - **禁止画面里出现文字** —— 不写字幕、花字、标题、价格贴片、UI、弹窗、对比图表；
+    商品包装上原有的真实文字除外。
+  - **禁止一镜内跨场景 / 跨时间蒙太奇** —— 15 秒是**一个连续动作链**，同一地点、同一光线、同一套衣服。
+    要换环境就换到下一镜，并在 `entity_refs` 里换成另一个 scene。
+- **一致性靠文字锁死**：同一角色 / 商品 / 场景的外观一律引用 entities 里的既定设定，
+  不在每一镜随意换发型、服装、包装、光线、地点或色调；相邻镜的【光线氛围】要衔接得上
+  （同一场戏不能上一镜暖黄台灯、下一镜冷白日光）。
+- **画面物理常识**：商品用法必须是真人会做的。茶 / 咖啡 = 热水、蒸汽、茶汤渐染，禁止茶包丢进看起来像冷白开的杯子；
+  护肤品 = 挤出 / 涂抹；食品 = 打开 / 入口。手从真实方向入画，禁止悬浮肢体、反关节、商品凭空出现。
+  每条分镜写清容器 / 包装长什么样、液体或材质当前状态。
   输入是 `【镜头 01】` 分镜稿时，把原稿的景别、机位、运镜、动作、表情、音效、背景音乐、字幕、备注折进导演说明书，不要压成一句画面摘要。
-- **`visual` 固定使用导演层级**：先写 `【本镜任务】`（这一段要完成的情绪/信息变化），再写
-  `【声音】`（台词/旁白状态、音效、背景音乐、字幕；没有写无），接着写 `【画面内容】`，
-  最后在该标题下列出 3–5 条秒级分镜。不要把基础设定、画面风格、镜头动作、声音、旁白混成一段散文。
-- **每条秒级分镜都写执行细节**：景别、机位、运镜、动作、信息变化五项至少有四项；例如
-  `3-8s：中近景；人物侧后方；手持跟拍；拧开瓶盖并挤出质地；观众第一次看清产品状态。`
-  这比「展示商品」更容易被分镜图和视频模型准确执行。
-- **画面物理常识**：商品用法必须是真人会做的。茶/咖啡 = 热水、蒸汽、茶汤渐染，禁止茶包丢进看起来像冷白开的杯子；护肤品 = 挤出/涂抹；食品 = 打开/入口。手从真实方向入画，禁止悬浮肢体、反关节、商品凭空出现。每条分镜写清容器/包装长什么样、液体或材质当前状态。
 - 不要输出 schema 之外的字段，也不要省略必填字段。
 
 ### 铁律 2 · 输出前自检
@@ -194,7 +218,9 @@ description: >
 5. **按套路填结构** — 优先用视频结构套路里的骨架给每个 segment 分配 `role`；
    套路没覆盖到的用「role 按镜数分配」表兜底；钩子镜套用该套路指定的钩子写法。
 6. **写 narration / visual / 商品露出** — 口播 15 秒镜旁白 66–74 字（下限 64）、口语化、过红线；
-   **visual 按秒拆成 3–5 条分镜**；必须把输入给出的卖点原词和商品描述细节写进旁白或对白，不要每句只重复商品名；
+   **visual 按四栏导演说明书写，画面内容按秒拆成 3–5 条分镜，每条写全景别 / 机位 / 运镜 / 动作 / 信息变化**
+   （它会原样交给出片模型，是成片质量的唯一决定项）；
+   必须把输入给出的卖点原词和商品描述细节写进旁白或对白，不要每句只重复商品名；
    发声方式按表现形式套路来；每镜规划自然的 `product_exposure`。
 7. **连引用** — 填 `entity_refs` 与 `speaker`，确认每个 entity 都被引用、id 都合法。
 8. **自检** — 跑 `checklist.md`，过了再输出。

core/backend/skills/ecommerce-video-script/references/checklist.md

@@ -50,9 +50,12 @@
 
 - [ ] **每镜 `narration` ≤ `duration × 5.2` 字，且绝不超过 78 字**（15 秒镜 ≤78 字）。
 - [ ] **口播 15 秒镜旁白 ≥ 64 字**（写作目标 66–74 字，4–5 句）。禁止一句 20 字收工；口播禁止整镜无声。
-- [ ] **秒级分镜**：每镜 `visual` 至少 3 条 `0-3s：景别；机位；运镜；动作`，从 0 接到 15s；15 秒内至少切两次景别。上传视频提炼稿还要把音效/背景音乐/字幕折进 `【声音】`。
+- [ ] **秒级分镜**：每镜 `visual` 至少 3 条 `0-3s：景别；机位；运镜；动作；信息变化`，从 0 接到 15s；15 秒内至少切两次景别；**每镜至少出现一个运镜词**（手持跟拍/推近/拉远/横摇/环绕/固定机位）。上传视频提炼稿还要把音效/背景音乐/字幕折进 `【声音】`。
+- [ ] **四栏齐全**：每镜 `visual` 都有 `【本镜任务】【光线氛围】【声音】【画面内容】`，没有缺栏。
+- [ ] **相邻镜光线衔接**：同一场戏各镜的光源方向、色温、色调一致，没有忽冷忽暖。
+- [ ] **画面可拍**：没有「展示商品/呈现质感/体现高级感」这类评价词，没有心理描写，没有画面内字幕花字价签，没有一镜内跨场景跨时间。
 - [ ] **商品原词**：旁白/对白出现了输入给出的至少一个勾选卖点原词；商品名全片点名 1–2 次即可，其余镜写描述/卖点细节，没有用空话替换。
-- [ ] 每镜 `visual` 能撑满 15 秒（至少 72 字），写清手/商品/容器的空间关系和真实用法，不是一句静态动作。
+- [ ] 每镜 `visual` 能撑满 15 秒（至少 110 字），写清哪只手、从哪个方向入画、握商品哪里，以及容器/材质的真实状态，不是一句静态动作。
 - [ ] 口语化，无书面腔/AI 腔（"综上""不仅…而且""值得一提"等已清除）。
 - [ ] **违规词扫描**：无医疗功效词（治疗/根治/抗癌/消炎/排毒/速效…）。
 - [ ] **绝对化用语扫描**：无 最/第一/唯一/100%/国家级/永久/绝对/史上 等。

core/backend/skills/ecommerce-video-script/references/methodology.md

@@ -69,8 +69,8 @@
 - `visual_prompt` 由你**自动生成**（小白不打字）：写清外观特征（角色：性别/年龄段/发型/穿着/气质；场景：地点/光线/风格；商品：品类/包装/颜色/摆放），用于直接喂图模型。
 - **角色与商品必须隔离出图**：角色的 `visual_prompt` 只能写人物外观与气质，生成的是纯色背景的单人角色参考图；
   禁止写商品、包装、品牌、Logo、价签、桌子、电脑、杯子、手持物或生活场景。商品由独立 product 基础资产锁定，
-  只在故事板和视频镜头里与人物合成，避免人物图把真实包装改掉。
-- **儿童用品不生成儿童角色**：任何未成年人（婴儿、宝宝、幼儿、儿童、小朋友、0–17 岁）都不能作为 `character`、故事板或视频的画面主体。
+  只在视频镜头里与人物同框，避免人物图把真实包装改掉。
+- **儿童用品不生成儿童角色**：任何未成年人（婴儿、宝宝、幼儿、儿童、小朋友、0–17 岁）都不能作为 `character` 或视频的画面主体。
   这类商品改用商品平铺、材质/包装/尺寸细节和成人手部或成年照护者局部演示；适用年龄只写在旁白和商品信息中，不把儿童写成要生图的人物。
 - `type` 三选一：`character`(人) / `scene`(环境) / `product`(商品)。一份脚本通常至少 1 个 `product`、**至少 1 个 `scene`**。
 - **场景与镜头一一对应（可复用）**：**每个 segment 的 `entity_refs` 必须恰好引用一个 `scene`**——它就是这一镜画面所处的环境。多镜同环境就复用同一个 scene id（如全程宿舍 → 只一个「宿舍书桌」scene，4 镜都引用它）；真正换了地点才新建另一个 scene。纯产品特写镜也要绑它所处环境的 scene（无明确环境则复用主场景）。这样下游「场景」基础资产能成图、且同环境背景一致。
@@ -131,22 +131,28 @@
 
 ## 六、15 秒场内的秒级分镜（硬规则）
 
-主流程一场就是 15 秒。15 秒里**必须再切 3–5 刀**，写进 `visual`，下游故事板和视频只认这段。
+主流程一场就是 15 秒。15 秒里**必须再切 3–5 刀**，写进 `visual`。
 
-`visual` 不写普通画面摘要，固定按下面的导演说明书结构输出：
+> **★ 中间没有分镜图了。** `visual` 会**原样交给视频生成模型**，不再经过一张关键帧图去补全画面。
+> 你没写的，模型自己编；你写含糊的，画面就含糊。所以 `visual` 要写到
+> 「一个不认识这个商品的摄影师照着就能拍」的程度。
+
+`visual` 不写普通画面摘要，固定按下面的导演说明书结构输出（四栏，逐栏写满）：
 
 ```
 【本镜任务】本段要让观众看懂的变化或悬念
+【光线氛围】光源方向与性质（窗光/顶光/台灯/逆光）；色温冷暖；明暗对比；整体色调（各镜保持一致）
 【声音】台词/旁白状态；音效；背景音乐；字幕（没有写无）
 【画面内容】
-0-3s：景别；机位；运镜；动作；表情；信息变化
-3-8s：景别；机位；运镜；动作；表情；信息变化
+0-3s：景别；机位；运镜；主体在画面中的位置；具体动作；信息变化
+3-8s：景别；机位；运镜；手与商品的空间关系；可见细节
 ...
 ```
 
 输入如果是 `【镜头 01】` 导演分镜稿（上传视频提炼），把原稿每镜的景别、机位、运镜、人物动作、表情、音效、背景音乐、字幕、备注折进对应栏，不要压成一句画面摘要。原稿写「无 / 不可见 / 听不清」的不要编造。
 
 这样「人物/商品/场景设定」留在 entities 中保持全片一致，「本镜任务」管情绪推进，
+「光线氛围」锁住全片视觉调性（原来这件事由分镜图承担，现在只能靠文字），
 「画面内容」只管可执行的镜头，声音也不会漏给视频模型。不得写虚构或无法发生的音效。
 
 ```
@@ -157,8 +163,13 @@
 ```
 
 - 第一条从 **0 秒**起，最后一条接到 **15s**。
-- 每一条写：**景别 + 机位 + 运镜 + 动作 + 信息变化**（至少四项），并写清谁、手从哪来、商品/容器什么样。
-- 15 秒内至少切 **两次景别**（近景 / 特写 / 手持跟拍…）。
+- 每一条写全：**景别 + 机位 + 运镜 + 动作 + 信息变化**（五项都要），并写清谁、用哪只手、
+  从哪个方向入画、握商品哪里、商品/容器什么样。
+- 15 秒内至少切 **两次景别**（大特写 / 特写 / 近景 / 中近景 / 中景 / 全景）。
+- **每镜至少出现一个运镜词**（手持跟拍 / 推近 / 拉远 / 横摇 / 环绕 / 固定机位）；
+  没有运镜词，出片会拍成呆板的静止画面。
+- **只写拍得出来的东西**：禁止「展示商品 / 呈现质感 / 体现高级感」这类评价词，禁止心理描写，
+  禁止画面里出现字幕花字标题价签，禁止一镜内跨场景跨时间。
 - 商品用法必须真实：茶要热水和蒸汽，不要把茶包丢进冷白开；手不要悬浮。
 - **一场一个动作链**：把 15 秒拆成同一件事的起因 → 操作 → 可见变化 → 反应，不能把无关的
   剧情、多个卖点、跳场景硬塞进同一场。画面提供证据，台词提供判断或转折，不要互相复述。