提示词改了三轮还是不合格：今天我把 H3 视频生成问题拆成了输入、模型与验收三层
笔名：小六 / 上海 / 1995 女 / 某互联网公司打工人
一句话结论
今天最重要的进展不是“又写了一版提示词”，而是把 H3 视频生成不合格的问题从一句模糊的“画面不对”拆成了三层：提示词有没有把主体、场景和镜头动作说清楚；工作流是不是使用了正确的输入与参数；生成结果有没有经过逐帧视觉验收。前两轮只改文字，效果有限；读完官方提示词写法、补上视觉检查，并保留失败样本后，问题才从“凭感觉改 prompt”变成了可以复查的质量闸门。
真实背景
今天的本机 Agent 事件流里，最有信息量的一条不是消息平台的自动重连，而是一段围绕 H3 视频生成的连续工作。早上先处理了一批二维码相关素材，随后发现生成结果存在伪文字、结构变形、画面失焦和主体不稳定等问题。接着又把问题推进到 ComfyUI 工作流和 MiniMax H3 提示词本身：不是简单要求“生成一个更好看的画面”，而是重新学习官方的提示词组织方式，再回头改镜头描述。
这件事和前几天反复分析长连接不同。长连接文章的主线是日志如何分窗、按协议层判断；今天的主线是生成任务如何建立可执行的质量标准。过程中还出现了几次真实的工具层摩擦：一次技能文件写入时 YAML 描述没有正确转义，导致解析失败；另一次描述过长，超过了技能索引允许的长度；在长上下文任务中，模型还触发了上下文压缩，之后继续完成了提示词学习和图像检查。
因此，今天不是“模型不听话”的故事，而是一个更常见的工程问题：输入规范、工作流配置和输出验收没有一开始就被当成同一个系统设计。
我做了什么
第一步：先把生成目标从“好看”改成可检查
以前写视频提示词时，很容易从形容词开始：电影感、真实、震撼、细节丰富。它们听起来正确，却不能直接约束模型的运动和构图。今天重新整理后，提示词至少要回答四个问题：
- 画面里谁是主体，主体正在做什么；
- 主体处于什么空间，前景、中景和背景怎样分布；
- 镜头从哪里开始，向哪里移动，运动速度和节奏是什么；
- 哪些内容明确不能出现，例如字幕、标题、伪文字、Logo、水印和界面元素。
这一步的变化很朴素：把“情绪形容词”放到后面，把主体 + 场景 + 运动 + 镜头指令 + 美学放到前面。对视频模型来说，镜头运动不是装饰词，而是任务的一部分。
第二步：回到官方写法，而不是继续凭经验堆词
今天主动读取了 H3 的官方提示词资料，并对照已有的远程 ComfyUI 工作流说明。重点不是照抄一段模板，而是确认哪些内容是模型真正需要的结构化信息：主体必须具体，动作必须能在时间上展开，镜头指令必须与主体动作一致，风格描述不能掩盖核心事件。
同时遵守一个很容易被忽略的约束：不自己凭空重写工作流 JSON。工作流应该来自官方模板或已经保存的用户工作流，修改 prompt 时按照输入名称和控件值的映射关系处理。这样能避免“文字写得很专业，但 prompt 实际没有进入正确节点”的假成功。
第三步：把验收从单张首帧扩展到多时间点
今天多次调用视觉分析检查生成结果。检查重点不再是“第一帧看起来像不像”，而是观察不同时间点是否出现以下问题：二维码或细小结构是否在运动中崩坏，主体数量是否变化，背景是否突然出现伪文字，镜头移动后是否失焦，画面边缘是否长出不需要的界面和标识。
这一步改变了验收标准：一段视频不是一张漂亮图片的延长版。首帧合格，只能说明起点合格；中间帧和尾帧才决定视频能不能交付。
第四步：保留失败原因，而不是只保留最终图
今天的日志里留下了多次视觉分析和若干工具调用失败。它们没有被简单清理掉，因为失败本身能回答“下一轮应该改哪里”：
- 如果主体在首帧就不明确，优先改主体和场景；
- 如果首帧明确、运动后结构崩坏，优先缩短动作链、减少同屏细节；
- 如果画面总出现伪文字，应该把文字承载从画面移到旁白或后期，而不是继续要求模型画出可读文字；
- 如果工具报配置或格式错误，先修输入文件，再讨论模型质量。
哪里失败 / 为什么
第一处失败，是把提示词质量问题当成了“多加几个形容词就能解决”的问题。电影感、高清、真实、专业这些词并不会自动告诉模型主体如何移动，也不会阻止模型在二维码区域生成看似文字的纹理。没有镜头动作和禁止项的风格词，约束力非常弱。
第二处失败，是技能文件的元数据写入没有一开始就做 YAML 安全检查。描述中出现冒号和较长中文片段时，曾触发 YAML 解析错误；随后又因为描述超过系统限制而被拒绝。这个失败说明文档也属于可执行配置，不能把它当普通自然语言随手写。正确做法是先控制描述长度，再对带冒号、引号和特殊字符的字段做格式检查。
第三处失败，是在上下文很长时继续堆积原始视觉分析结果。日志显示请求接近上下文阈值，系统执行了压缩。压缩最终完成，但它增加了后续工作的不确定性：如果没有阶段性结论，压缩后很容易丢掉“为什么淘汰某个版本”的依据。以后应当把每轮检查压成短记录：时间点、现象、判定、下一步修改。
第四处失败，是把视频质量问题和二维码可读性混为一谈。生成模型可以负责氛围、镜头和运动，但不适合承担精确文字、可扫描二维码和稳定 UI 的绘制。今天的经验再次证明：需要精确的内容交给素材和后期，需要氛围的内容交给生成模型，两者不要互相越界。
如何验证
下一次遇到同类问题，我会按下面的最小流程验证，而不是直接重跑：
- 先检查工作流使用的是已保存版本，确认 prompt 确实写入目标输入；
- 用五段式提示词写一版最小场景，只保留一个主体和一个镜头动作；
- 生成后至少检查首帧、中段和尾帧三个时间点；
- 记录结构稳定性、焦点、伪文字、Logo、水印和主体数量六项结果；
- 只有在“问题类别”明确后，才修改下一版 prompt。
如果三次修改都只是在换形容词，而六项检查没有任何一项改善，就应该停下来检查工作流和输入映射，而不是继续润色文字。
可复用经验
第一，提示词不是作文，是给时空系统的任务说明。 主体、动作、镜头和限制条件必须能被分别检查；越重要的约束越应该放在前面，不能埋在一串风格词里。
第二，生成质量必须由“输入闸 + 过程闸 + 输出闸”共同保证。 输入闸检查工作流和 prompt 是否生效，过程闸检查生成任务是否中断或压缩，输出闸检查多个时间点的视觉结果。少任何一层，都会出现“看起来跑成功了，实际不能交付”。
今天最后留下的不是一条神奇 prompt，而是一套更笨、却更可靠的工作顺序：先学官方结构，再用已保存工作流，生成后多点验收，失败按类别回改。对视频生成来说，少一点玄学，多一点质量记录，往往比再加十个形容词有效。