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

name, description

name	description
ecommerce-video-script	电商带货短视频·脚本生成领域技能（模型无关）。 服务对象不是人类编剧，而是 AirShelf 产品后端的「脚本生成 agent」——在运行时按需加载本技能作为领域知识。 能力：把【商品信息 + 前置条件】或【一句话主题】或【用户已有脚本】， 自动收敛成一份结构化的带货短视频脚本 JSON （默认 9:16 竖屏可改 / 总时长 15/30/45/60 秒 / 每镜固定 15 秒 / 按「表现形式 × 视频结构」套路生成）。 当任务为「生成带货脚本 / 扩写主题 / 优化已有脚本 / 商品转视频脚本」时使用本技能。 核心目标是「电商小白点一下按钮就出能吸睛、能转化的脚本」，不是影视级艺术性。

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 （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。

---

铁律（优先级最高，覆盖所有步骤）

铁律 1 · 输出契约（硬约束，与下游对接）

最终只能输出一个符合下列结构的 JSON 对象（UTF-8，无注释，无 ```json 包裹之外的任何文字）：

{
  "hook": "前3秒主打钩子(一句话)",
  "tone": "种草|测评|剧情|痛点",
  "presentation_format": "口播|短剧|Vlog",
  "video_structure": "痛点解决|前后对比|测评验证|场景种草|促销抢购|知识分享",
  "aspect_ratio": "9:16",
  "total_duration": 30,
  "segment_count": 3,
  "entities": [
    {
      "id": "c1",
      "type": "character|scene|product",
      "name": "女主",
      "visual_prompt": "给图模型的生图提示词(自动生成,小白不用打字)",
      "ref_index": 1,
      "voice_ref": "可选,角色音色参考(二期,锁音色),无则 null"
    },
    {
      "id": "s1",
      "type": "scene",
      "name": "宿舍书桌",
      "visual_prompt": "环境生图提示词:地点/光线/风格(供多镜复用同一背景)",
      "ref_index": 2,
      "voice_ref": null
    }
  ],
  "segments": [
    {
      "index": 0,
      "duration": 15,
      "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": "【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": []
    }
  ]
}

字段纪律：

• tone 必须是四选一枚举；role 必须是四选一枚举。
• 表现形式与视频结构由输入给定：presentation_format（口播|短剧|Vlog）和 video_structure（痛点解决|前后对比|测评验证|场景种草|促销抢购|知识分享）原样回填到输出里，不要自己改。 输入没给时，按商品品类与人群自行选一组最合适的，并如实填进这两个字段。
• 画幅由输入给定：aspect_ratio 默认 "9:16"（电商竖屏主场景），但不写死——输入指定了其他比例（如 "16:9"、"1:1"、"4:5"）就照用，原样透传给下游。画幅只影响 visual 的构图措辞，不改变结构与镜数。
• 总时长由输入给定：total_duration 取 15 / 30 / 45 / 60（15 秒步进），输入未指定时默认 30。不要写死成别的数。
• 每镜固定 15 秒：每个 segments[].duration 必须是 15，镜数 = total_duration / 15（15 秒 1 镜、30 秒 2 镜、45 秒 3 镜、60 秒 4 镜）。 禁止 8/10/12 这种不等长，禁止自行加减镜。15 秒也是下游出片模型的硬上限。
• 镜时长必须精确加总：sum(segments[].duration) == total_duration，一秒都不能差。
• 商品原词铁律：钩子/旁白/对白必须用上输入里给出的商品名、品牌、本次勾选卖点的原词。 禁止用「补水 / 好用 / 值得买 / 宝藏 / 闭眼入」这类空话替换真实卖点。品类话术和钩子库只是写法参考，不是正文。
• segment_count = segments 的实际长度，且 index 从 0 连续递增。
• 镜数怎么定、role 怎么按镜数分配，见 references/methodology.md「时长 → 镜数 → 黄金结构映射」。
• entities[].id 全局唯一，segments[].entity_refs 与 speaker 只能引用已声明的 id。
• 发声方式每镜自己判断（不强求统一，看这一镜的内容和场景）：
  • 旁白/口播 → 填 narration，dialogue 留空 []（大多数电商镜是这种）；
  • 角色对话 → 填 dialogue：元素为 {"speaker":"角色 entity 的 id，或 null=旁白","line":"台词"}，每条 line ≤55 字；并把各 line 拼进 narration 兜底下游配音。剧情向、多角色互动、或一句自然的吐槽/接话更带感时都可以用，不必非到「剧情」档；
  • 纯画面展示 → narration 与 dialogue 都留空（没人说话，只有画面）。
  • 判断权交给你：依据用户输入与这一镜的功能/场景决定。不是每一镜都得有对白，也不必死守旁白；但别无故给每镜都塞对白（那样很假），自然才好。
  • 发声方式还受表现形式约束：口播只用 narration、短剧必须用 dialogue、Vlog 以画外旁白为主。 以 references/playbooks/format-*.md 里那一份为准。
• 每个声明的 entity 至少被一个 segment 引用（不留孤儿 entity）。
• 场景必抽，且每镜必绑一个场景：每条脚本至少声明 1 个 type:"scene" 实体表示画面所在环境；每个 segment 的 entity_refs 必须恰好引用一个 scene。多镜在同一环境就复用同一个 scene id（绝不为同一环境写两份 visual_prompt，否则下游背景漂移）；只有真正换了环境才新建另一个 scene。纯产品特写镜也要绑它所处环境的 scene（如「宿舍书桌」「厨房台面」），没有合适环境时复用主场景。
• visual_prompt 由你自动生成，小白无需打字。
• 商品图是真实外观的最高依据：若任务消息附有商品视觉参考图，颜色、外形、材质、结构、配件和可见品牌标识必须以图为准； 旁白、type:"product" 的 visual_prompt 与每镜 visual 不得凭商品名臆测或改色（例如不能把黑色耳机写成白色）。
• 真实感不靠“唯一缺点”：禁止输出「唯一缺点／唯一不足／唯一的小遗憾」等模板句，也不得为显得客观而编造商品缺点。 用测试过程、适用边界、使用场景反差、可观察细节或使用习惯建议制造自然转折；每版优先换一个角度，避免重复套路。
• 角色基础资产隔离：type:"character" 的 visual_prompt 只能描述人物本身（年龄段、发型、穿着、气质、姿态）， 禁止出现商品名、产品、包装、品牌、Logo、价签、桌子、电脑、杯子、手持物或具体生活场景。 角色图只用于锁脸锁人；商品只能在 type:"product"、product_exposure 与秒级 visual 中出现，避免角色图擅自重绘商品。
• 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。
• 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（没有写「无」）→ 没有字幕栏，也不要提这两个字 → 【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」。
  • 画面描述里一个「字幕」都不许出现 —— 本系统出的任何视频都不带字幕，这由系统统一保证， 脚本里不需要声明。所以 visual 既不要要求加字幕 / 花字 / 标题 / 贴片 / 弹幕 / 角标 / 水印 / 购物浮层， 连「无字幕」「不加花字」这种否定说法也不要写 —— 出片模型不区分肯定否定，画面描述里出现这个词本身就更容易把文字画上屏。画面只描述实拍到的东西。 口播和台词只以声音存在；只有商品包装上原本印着的真实文字可以出现在画面里。
  • 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、备注折进导演说明书，不要压成一句画面摘要；原稿的「字幕 / 花字」一栏一律丢弃，参考视频有字幕不代表我们的成片要有。
• 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

输出 JSON 之前，先在内部逐条跑一遍 references/checklist.md 的自检清单。 发现问题先改再输出，不要带着已知问题输出。自检是内部过程，不展示给用户。

铁律 3 · 写作红线（旁白 / 文案）

详见 references/methodology.md「旁白红线」。最关键的几条：

• 口语化，像真人对着镜头说话，不准书面腔 / AI 腔。
• 口播 15 秒镜要说满：narration 64–78 字（写作目标 66–74 字，4–5 句短句）。 上限为 duration × 5.2 且不超过 78 字。禁止一句 20 字收工。 商品名全片点名 1–2 次即可，其余镜用卖点原词和可感知细节（口感/气味/动作/使用场景）。 Vlog 才允许个别镜纯画面；口播禁止整镜无声。
• 禁违规词：医疗功效（治疗/根治/抗癌…）、绝对化用语（最/第一/100%/国家级…）一律不写。
• 不浮夸、不空喊，卖点要落到「商品怎么解决痛点」。人物口吻跟输入的人物设定走，不要万能主播腔。

铁律 4 · 一键自动化（与影视母版相反）

母版分步暂停等用户确认；本技能服务电商小白，要求一次性生成完整 JSON， 中途不向用户提问、不暂停、不展示思考过程。所有提示词替用户包好。 （仅当输入信息严重缺失到无法生成时，才回退提问——见路由表「信息不足」。）

---

默认参数（不暴露给用户，直接套用）

参数	值
画幅	默认 9:16 竖屏，由输入可覆盖（16:9 / 1:1 / 4:5 等照用）
总时长	15 / 30 / 45 / 60 秒，由输入给定；未指定时默认 30
表现形式	口播 / 短剧 / Vlog，由输入给定；未指定时按品类人群自选
视频结构	痛点解决 / 前后对比 / 测评验证 / 场景种草 / 促销抢购 / 知识分享，由输入给定；未指定时按品类人群自选
分镜	每镜固定 15 秒；镜数 = 总时长 / 15
镜头功能	钩子 → 痛点 → 卖点 → CTA（黄金结构；具体骨架以视频结构套路为准）
发声方式	出片模型直接生成画面+音效+人声（不走 TTS）

---

输入模式路由（3 种输入 → 同一份 JSON）

先判断输入属于哪种模式，加载对应参考资料，最后都收敛到铁律 1 的同一份结构化输出。

模式	触发条件	处理逻辑	需读取
① 全自动	用户只给【商品信息 + 前置条件(表现形式/视频结构/时长/人群/卖点勾选)】，无主题无原稿	凭商品与前置条件，自动定镜数、选 tone、造 entity、按套路填镜	methodology.md + hook-library.md + category-playbook.md + platform-tone.md
② 一句话	用户额外给了一句主题（如「主打熬夜党救星」）	以该主题为脚本主轴扩写，其余同全自动	同上（主题优先于自动选题）
③ 改稿 / 上传脚本 / 上传视频提炼	用户给了已有脚本,或一份 【镜头 01】 导演分镜稿	脚本：保留用户原意，增强钩子/节奏/卖点证明/CTA，并归一化到 JSON。视频分镜稿：照搬镜头顺序、每镜时长比例、景别、机位、运镜、人物动作和声音层次，把人物、商品、品牌、台词换成当前商品；visual 必须把景别/机位/运镜/动作/表情/音效/背景音乐/备注折进导演说明书（丢弃原稿的字幕栏），不要压成一句画面摘要	methodology.md + hook-library.md + checklist.md
信息不足	连商品信息都缺，无法生成	唯一允许的回退：用一句话问清最少必要信息	—

进入任何模式前，必须先读取该行列出的参考资料。

套路资料（三种模式都适用）

除上表外，每次生成都必须读 references/playbooks/combo-matrix.md， 并根据输入指定的表现形式与视频结构，各读一份：

• references/playbooks/format-{口播→oral | 短剧→drama | Vlog→vlog}.md
• references/playbooks/structure-{痛点解决→pain | 前后对比→contrast | 测评验证→review | 场景种草→scene | 促销抢购→promo | 知识分享→knowledge}.md

运行时后端只会把被指定的那两份套路拼进上下文。看到哪份就用哪份， 不要凭记忆套用没加载进来的套路。 套路里的结构骨架、镜头语言、发声方式、红线，优先级高于本文件的通用默认值。

---

生成流程（内部执行，一次走完，不暂停）

1. 路由 — 判定输入模式（①/②/③），加载对应 references；再按输入的表现形式与视频结构加载那两份套路。
2. 定镜 — 读画幅（aspect_ratio 默认 9:16）与总时长（15/30/45/60，未指定默认 30）； 镜数 = 总时长 / 15，每镜 duration 一律填 15。
3. 定调（tone） — 依据视频结构 + 品类话术 + 平台调性，选定 tone；②③ 模式尊重用户已表达的倾向。
4. 抽取/创建 entities — 识别脚本需要的角色 / 场景 / 商品；为每个 entity 写一份全脚本共用的 visual_prompt（保证多镜同一角色同一张脸）；可选写 voice_ref 锁音色。
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。
9. 输出 — 仅输出铁律 1 的 JSON。

---

参考资料索引

文件	内容	何时读取
references/playbooks/combo-matrix.md	表现形式 × 视频结构 合法组合表、各组合交叉点要点、结构最短可用时长	每次生成都读
references/playbooks/format-*.md	单份表现形式套路：人物设置、镜头语言、单镜节奏、发声方式、专属红线	读被指定的那一份
references/playbooks/structure-*.md	单份视频结构套路：结构骨架、每段功能与判断标准、钩子写法、专属红线	读被指定的那一份
references/methodology.md	黄金结构模板（钩子→痛点→卖点→CTA）、时长 → 镜数映射、entity 一致性原则、商品露出规范、旁白红线（含违规词清单）	每次生成都读
references/hook-library.md	前 3 秒钩子公式库（痛点提问 / 反差 / 数字冲击 / 身份代入 …，含例句）	每次生成都读（写钩子镜时）
references/category-playbook.md	分品类话术（美妆 / 食品 / 3C / 服饰 / 家居…的语气与卖点侧重）	全自动 / 一句话模式
references/platform-tone.md	平台调性（抖音 / 快手 / 小红书 / 视频号 的节奏与风格差异）	全自动 / 一句话模式
references/checklist.md	电商版自检清单 + 输出契约校验（钩子够强、旁白≤55字、镜数=时长/15、role 齐、entity 全被引用、违规词扫描）	输出前必读