我们不是在教 AI 写 Prompt，而是在尝试教 AI 像导演一样思考。

这句话，是过去一年里我们在反复打磨一个叫 MadStory 的项目时，逐渐清晰起来的一个认知。它不是一句营销口号，而是我们踩了很多坑之后，终于想明白的一件事。

今天想完整地把这个思考过程分享出来。

一、AI 视频爆发的一年，但很少有人讨论导演

把时间拨回 2024 年初。

OpenAI 用一段名为 Sora 的演示视频，把整个内容行业炸开了。人们看到一段一分钟的视频——东京街头，一个女士穿着皮衣在走，镜面水洼里倒映着霓虹——然后被告知，这是 AI 生成的，没有摄影机，没有演员，没有剧组。

恐慌和兴奋同时到来。

接下来的一年，模型迭代的速度超出了所有人的预期。Runway 推出了 Gen-3，可灵（Kling）证明了国产模型的实力，字节跳动的 Seedance 在运镜的物理感上做到了令人惊讶的连贯，Google 的 Veo 也在不断逼近电影级质感。到今天，任何一个普通人，只要愿意花几分钟注册一个账号，就能生成一段 5 秒到 15 秒的、画质堪比院线的视频片段。

模型越来越强，参数越来越大，能生成的时长越来越长，分辨率越来越高。

但在热闹的模型竞赛之外，有一个现象一直困扰着我。

我观察了大量 AI 视频作品，参加了几十个创作者社群，看了上千条用 AI 生成的短片、广告、短剧。我发现一个共同的问题：绝大多数 AI 视频，都停留在"漂亮画面"这个层级。

它们好看。光线对，色彩对，构图也挑不出什么大毛病。但你看完之后，心里什么都没有留下。

它没有叙事的张力，没有情绪的弧线，没有一个让你"想知道接下来发生什么"的钩子。它是一组精致的画面素材，而不是一个作品。

我一开始以为是模型还不够强。等模型再迭代几个版本就好了，很多人这么说。

但后来我慢慢意识到，问题可能不在模型。

视频生成越来越容易，但好内容依然稀缺。这中间缺的那一环，不是算力，不是数据，而是导演。

这一年里，所有人都在讨论模型。参数、帧率、生成时长、物理一致性。但几乎没有人讨论：当人人都能生成画面的时候，谁来决定"拍什么"和"怎么拍"？

这是一个比模型本身更本质的问题。

二、一次真实的挫败感

讲一个我们团队真实经历的事。

去年下半年，我们接到了一个品牌短片的案子。客户想要一支 15 秒的电影感视频，主题是"城市夜归人"。按照以往的流程，我们会找导演、写脚本、画分镜、组剧组、拍摄、后期。

但这一次，我们决定全程用 AI 来做。毕竟，工具都已经这么强了。

第一周，我们信心满满。

团队里有人负责写 Prompt。他在参考了大量教程之后，写了一段 300 多字的提示词，从主体描述到环境氛围，从光线方向到色调风格，从运镜方式到镜头节奏，事无巨细地铺了进去。我们觉得这段 Prompt 简直可以拿去当教科书。

然后我们把 Prompt 喂给了模型。

生成出来的画面，说实话，挺好看的。霓虹灯、湿漉漉的街道、一个模糊的人影走过。光影考究，质感细腻。

但我们看了三遍之后，团队里有人问了一句："它想表达什么？"

没人答得上来。

画面里的人走在街上，镜头跟着他。然后呢？他在做什么？他的情绪是什么？观众为什么要看这段视频？我们想传达的品牌信息，到底在哪？

我们开始改 Prompt。加更多描述，调整措辞，换关键词。Prompt 越写越长，从 300 字涨到 500 字，再到 800 字。我们甚至建了一个共享文档，专门收集和优化"好用的 Prompt 模板"。

但结果却越来越随机。有时候碰运气生成出一段还不错的，但我们不知道为什么这次好、上次差。改一个词，结果天差地别。

整整折腾了两周，我们废弃了上百条生成结果。

最后那个案子，我们妥协了。从一堆"漂亮但没有灵魂"的画面里，挑了几条相对能用的，拼在一起交了差。客户没说什么，但我知道，这不是我们想要的东西。

复盘的时候，我问团队一个问题："我们到底卡在哪了？"

有人说，是模型不够稳定。有人说，是 Prompt 没写好。有人说是参考图选得不对。

但我心里隐隐有一个不同的答案。

那天晚上我一个人在办公室，重新看了那些被废弃的画面。我突然意识到：这些画面之所以空，不是因为它们不够美，而是因为它们没有"意图"。

每一个镜头都只是"一段好看的画面"。但我们从来没有真正想清楚：这个镜头为什么要存在？它在整个叙事里承担什么功能？它应该让观众感受到什么？

我们一直在写"画面里有什么"，却从来没有回答过"为什么是这个画面"。

问题不是 Prompt 写得不够好。问题是，我们在用一种描述性的方式，去试图完成一件需要判断力的事情。

我们缺的不是更好的提示词。我们缺的是一个导演。

那一刻，这个项目的种子就埋下了。

三、导演到底在做什么

在影视工业里，导演是整个创作的核心。但"导演"这个词，对大多数非行业的人来说，其实是一个非常模糊的概念。

人们以为导演就是喊"Action"和"Cut"的人。或者以为导演就是那个"有想法"的人。

但在真正接触了专业导演的工作流程之后，我发现，导演本质上不是在做创作，而是在做决策。

一个导演在片场，或者说在前期的筹备阶段，他脑子里其实在不停地回答一连串的问题：

这个故事的内核是什么？是关于孤独，还是关于抗争，还是关于一个品牌想要传递的某种态度？

这个主角是谁？ 他的性格、他的处境、他此刻的情绪状态是什么？观众要如何与他建立共情？

这一场戏的情绪曲线是什么？从哪里开始，到哪里转折，到哪里收束？节奏是快的还是慢的？

这个镜头为什么要用特写而不是全景？ 因为这是一个情感爆发的瞬间，我们需要让观众看到角色的眼神。还是因为这是一个交代环境的镜头，我们需要让观众建立空间感？

为什么这里的运镜是缓慢推进而不是快速摇移？ 因为这是一个压抑的、积攒情绪的段落，镜头的运动要服务于这种"慢慢收紧"的感觉。

为什么这里的灯光是冷色调，而下一场突然变暖？ 因为情绪在转变，灯光是叙事的一部分，不是装饰。

为什么这个瞬间要配上一个低频的沉闷音效？ 因为声音是一种潜意识的引导，它比画面更早地抵达观众的神经系统。

你看，导演做的每一件事，都是一个有明确理由的选择。

他不是在描述画面。他是在为一个又一个问题，做出服务于整体叙事意图的决策。每一个镜头的构图、运镜、光影、声音，都是这些决策的下游产物。

这就是为什么，一个专业导演拍出来的东西，和一个业余爱好者拍出来的东西，即使用的是同一台摄影机、同一个场景、同一批演员，结果会天差地别。

差距不在工具，而在那个一直在做判断的大脑。

而我们之前在用 AI 做视频时，犯的根本错误就在这里——我们把自己当成了"描述画面的人"，而不是"做决策的人"。我们在堆砌形容词，而不是在做选择。

导演不是在写 Prompt。导演是在做决策。

这句话，是我整个思考过程里最重要的一次顿悟。

四、MadStory 的诞生

想明白这件事之后，接下来的问题就变成了：我们能不能把"做决策"这件事，拆解成一个 AI 可以理解和执行的流程？

这就是 MadStory 的起点。

我们没有从写代码开始。我们做的第一件事，是找来了几位真正在行业里做过导演、摄影指导、剪辑师的人，坐下来，花了很多时间，聊一个问题：你们在接到一个案子之后，脑子里到底在想什么？从第一秒到最后一秒，你们的思考顺序是什么？

我们把这个过程一层一层地拆。拆到最后，我们发现导演的思维流程，其实可以归纳成一条清晰的链路——在我们的系统里，它最终被拆成了八个阶段，从零数到七。但我不想在这里念设计文档。我想讲的是，这条链路的核心逻辑是什么。

它大概是这样的：

先搞清楚要做什么。这是最开始的一步，在我们系统里它叫"模式选择与意图澄清"。它逼着你回答：你是要卖一个产品，还是要讲一个品牌故事？你的观众是谁？你想让他们产生什么反应？很多人在这一步就会发现自己其实没想清楚——而这恰恰是大多数 AI 视频失败的根源。我们最早的设计里，试图跳过这一步直接出结果，后来发现不行。这是地基。

然后锁定核心创意。 明确了意图之后，要回答下一个问题：你的主体是什么？这个镜头里唯一要传达的信息点是什么？这里有一条我们踩了很多坑之后定下的硬规则——一个镜头只做一件事。因为当你在 15 秒里试图塞进三个信息点的时候，观众一个都记不住。这是导演的经验，不是模型的经验。

接下来是一连串更细的追问。 时间怎么分配，节奏怎么走，哪里是关键帧？画面怎么构图，主体放在哪，用三分法还是对称？镜头怎么动，为什么这么动？光从哪来，为什么要这个色温？声音怎么配，BGM 的情绪是什么？

这些问题里，有两个特别容易被忽略，但恰恰是区分"画面"和"作品"的关键。

一个是镜头运动。我们反复强调一个原则：镜头运动必须服务于叙事动机，而不是为了炫技。一个缓慢的推镜头，是因为情绪在收紧；一个快速的摇移，是因为节奏在爆发。系统会给每一个镜头标注一个"运动强度"，让你明确知道这个镜头的"能量级别"。这不是装饰参数，这是一个叙事判断的外化。

另一个是声音设计。这是最容易被丢掉的一环。很多人做完画面才随便配个音乐。但声音不是画面的附属品，它是叙事的另一半。一个好的声音设计，能在画面还没出现之前，就先在观众心里铺好情绪的底色。

这些问题串起来，就形成了一条从"模糊想法"到"可执行分镜方案"的完整链路。每一个环节都对应着导演在真实工作中要做的一个决策。

我没有发明新的方法论。我们做的事情，是把一套被验证了几十年的工业流程，用 AI 能理解的方式重新结构化了一遍。

这中间当然经历了大量的试错。最初的版本，我们试图让系统一次性输出所有内容，结果一团糟。后来我们改成逐阶段推进——每完成一个环节就停下来给你看当前的草案，让你确认或者修改。这更接近真实导演的工作方式——他也不是一拍脑袋就想好所有事情，而是在不断的来回讨论中，逐步把方案打磨出来。

我们还设计了一套"质量门禁"。让我说一个最典型的：在我们系统里，不管你用的是哪种模式，只要一个镜头里混入了两种以上的运动，系统会直接判定不合格。因为一个镜头只承载一个意图，这是电影语言的基本功。这些门禁不是我们拍脑袋定的，每一条背后都是踩过的坑。

MadStory 不是在帮你写 Prompt。它是在模拟一个导演，陪你做完一次完整的创作决策。

这一点，是它和市面上其他工具最本质的区别。

五、从 Prompt 工程到导演工程

做完 MadStory 的第一个版本之后，我对"AI 创作"这件事的理解，发生了一次根本性的转变。

过去一年，"Prompt 工程"这个词被提了无数次。无数教程、课程、模板在教你怎么写更好的提示词。人们相信，只要 Prompt 写得足够好，AI 就能生成足够好的内容。

但我们的实践告诉我，这条路是有天花板的。

因为 Prompt 工程，本质上是一种描述能力。你在描述你想要的画面。但描述得再精确，你也只是在告诉 AI"画面里应该有什么"，而不是"这个画面为什么应该存在"。

而真正决定一个作品好坏的，从来不是描述的精确度，而是判断力。

为什么用这个焦段而不是那个焦段？为什么这个段落要慢下来？为什么这里的情绪要从压抑转为释然？这些是需要判断的，不是需要描述的。

所以我认为，随着 AI 工具的成熟，一种新的能力会变得越来越重要——我把它叫做"导演工程"（Director Engineering）。

它的核心不是"怎么写提示词"，而是"怎么驾驭叙事"。

未来真正优秀的 AI 创作者，可能不是那个 Prompt 写得最华丽的人，而是那个最懂得如何讲故事、如何调动情绪、如何用镜头语言传达意图的人。

模型会越来越强。它会越来越擅长理解你的意图，越来越擅长生成你想要的画面。但它不会自己长出"导演思维"。因为导演思维不是一种生成能力，而是一种决策能力。它需要有人告诉它，每一个选择背后的"为什么"。

Prompt 工程教 AI 听话。导演工程教 AI 懂事。

这是一个从"执行"到"判断"的跃迁。

而这恰恰是当下 AI 视频创作领域最大的认知盲区。太多人还在卷 Prompt 的长度和精细度，却忘了问那个最基本的问题：这个故事，到底值不值得讲？

六、MadStory 只是开始

我必须诚实地承认，MadStory 现在的版本，离"替代导演"还差得很远。

它做的事情，是在创作者和模型之间，架了一座导演思维的桥。但这座桥还有很多不完善的地方。有些复杂叙事场景，它的推导还不够细腻；有些创作意图，它理解得还是不够准确。短剧的跨集一致性、复杂的多线叙事、微妙的情绪转折，这些都是我们还在持续攻克的难题。

它是一个探索，不是一个成品。

但它的方向，我是确定的。

因为我们看到的趋势很清晰：AI 正在逐步接管影视工业里的每一个环节。

今天，我们有了 AI 分镜设计（MadStory 所做的）。明天，我们会看到 AI 摄影指导，它能根据叙事意图，自动给出最优的焦段、机位和运镜方案。会有 AI 剪辑师，它懂得蒙太奇的节奏，知道在哪里切一刀，在哪里留三秒。会有 AI 制片人，它管预算、排档期、协调资源。

最终，这些角色会串成一条完整的 AI 影视制作流水线。从一句话，到一部作品。

但无论流水线多么完整，无论模型多么强大，有一件事始终不会改变。

每一个镜头背后的"为什么"，永远需要一个人来回答。

那个回答"为什么"的人，就是导演。无论他坐不坐在监视器后面，无论他手里的工具是摄影机还是 AI。

技术会越来越便宜，模型会越来越强，工具会越来越普及。但讲故事的能力——那种知道什么时候该犹豫、什么时候该沉默、什么时候该爆发、什么时候该用一个特写直击人心的能力——它不会因为技术的进步而贬值。

它会因为技术的进步，而变得更加稀缺，更加珍贵。

我们做 MadStory，不是为了取代谁，也不是为了卖一个产品。我们只是想试着回答一个问题：当 AI 接管了所有的"怎么做"，人类的"为什么"应该怎么传承下去。

我们还没有完整的答案。但我们相信，这个问题的方向是对的。

写下这篇文章的时候，我们还在继续迭代。每一天都在和模型、和创作者、和那些"好看但空洞"的废稿较劲。

这个过程不轻松。但每当看到一个创作者，用了这套流程之后，第一次生成出一个"有意图、有情绪、有灵魂"的画面，我就觉得，这件事值得做下去。

因为我们相信一件很简单的事：

AI 或许会重构影视工业，但真正值得被保存下来的，始终是人类讲故事的能力。

---

MadStory v3.4.1 是一款电影级影视分镜设计引擎，支持多平台视频生成（Seedance / Runway / Kling / Sora）及图片生成（Seedream 4.x/5.x）。能将模糊的电影构思，通过 8 阶段专业推导流程，逐步转化为包含构图、运镜、光影、声音等全维度细节的专业分镜提示词。

开源地址>> https://github.com/qomob/madstory