一个让AI写短视频脚本的提示词如何包含起承转合与画面描述？

想让AI帮你写短视频脚本，最常遇到的问题是，它给你的东西要么平淡得像白开水，要么就是一堆信息，根本没法拍。直接说“写一个关于XX的脚本”，AI多半只会给你一篇浓缩版的说明文。因为它不知道短视频的逻辑，不懂得怎么在几十秒内抓住人心。问题出在，你没有教它。

一个好的短视频脚本，必须有“钩子”，有内容，有转折，还要有结尾，这就是我们常说的“起承转合”。而且，它还需要告诉摄影师和剪辑师，画面应该长什么样。这些都得在提示词里说清楚。

我们先来拆解一下“起承转合”在短视频里到底是什么。

“起”就是开头三秒钟的钩子。 它的任务只有一个：让观众停下来，别划走。常见的钩子是提一个颠覆认知的问题，或者展示一个出乎意料的画面。所以在给AI的提示词里，你不能只说“给我一个吸引人的开头”，这种要求太模糊。AI理解不了什么是“吸引人”。

你得把要求具体化。比如，你可以这样写：
“任务： 为一个关于‘黑洞’的科普短视频写脚本。
开头（起）： 脚本必须以一个反常识的问题开始，直接挑战观众的普遍认知。例如，‘如果我告诉你，掉进黑洞可能不会死，你会相信吗？’。这个问题的目的是在3秒内引发好奇心。”

看，这样AI就明白了，它的任务不是写一个平淡的介绍，而是要设计一个“问题”作为钩子。它会围绕这个具体的指令去思考，而不是漫无目的地生成一堆正确的废话。

接下来是“承”，也就是接续开头，开始阐述核心内容。 钩子已经把人留住了，现在你要快速给出一些信息，满足他们的好奇心。这部分是视频的骨架，要有干货，但不能太复杂，点到为止。

在提示词里，你要告诉AI在这一步该做什么。接着上面的例子，你可以这样写：
“发展（承）： 在提出问题后，用15-20秒的时间，快速解释为什么会有‘掉进黑死不了’这种说法。这里需要引用一个具体的理论，比如‘信息悖论’或者‘霍金辐射’，但必须用最简单的语言解释，就像对一个12岁的孩子说话一样。不要用专业术语堆砌。”

这个指令里有几个关键点：
1. 时间限制： “15-20秒”，这让AI知道内容的密度和节奏。
2. 具体内容： “引用一个具体的理论”，这就给了AI一个明确的抓手。
3. 语言风格： “用最简单的语言解释”，这确保了内容的易懂性。

没有这些具体的规定，AI可能会给你一段大学物理课的讲稿，根本没法用。

然后是关键的“转”，也就是转折。 这是让一个视频变得有趣、有深度的核心。平铺直叙的内容观众很快就会腻。转折可以是提出一个意想不到的观点，揭示一个普遍的误解，或者从一个完全不同的角度切入。

在提示词里，“转”是需要重点设计的。你可以这样写：
“转折（转）： 在解释完理论后，立即提出一个转折。这个转折点要指出前面理论的局限性或是一个更惊人的事实。例如，‘但这一切都只是理论。现实是，在接近黑洞的瞬间，你会被一种叫做‘意大利面化’的效应撕成碎片。’ 这个转折的目的是制造冲突感和戏剧性。”

这个指令清晰地告诉AI，现在需要“制造冲突”。它会理解到，这里的任务不是继续解释，而是要打破前面的铺垫，给观众一个“没想到吧”的瞬间。这种反差感正是短视频吸引力的来源。

最后是“合”，也就是结尾。 结尾要干脆利落，要么总结观点，要么留下一个引人深思的问题，或者直接给出行动号召。短视频最忌讳的就是啰嗦的结尾。

给AI的指令也要同样直接：
“结尾（合）： 用一句话总结整个视频的核心观点，并留下一个开放性问题让观众去评论区讨论。例如，‘所以，黑洞是宇宙的终点还是新的起点？在评论区告诉我你的想法。’ 结尾必须在5秒内完成，要强劲有力。”

通过这“起承转合”四个步骤的拆解，你给AI的不再是一个模糊的指令，而是一个清晰的、结构化的写作框架。AI就像一个员工，你给他一个明确的SOP（标准作业程序），他就能给你一个八九不离十的结果。

但是，只有文字脚本还远远不够。短视频是视觉的艺术，画面甚至比文案更重要。所以，你的提示词里必须包含对“画面”的描述。

怎么做？你得让AI扮演两个角色：一个编剧，一个导演。最好的方法是在提示词里建立一个格式，强制AI同时输出文案和画面描述。

你可以用一个简单的表格结构来规范它。比如，在整个提示词的最开始就定下规矩：
“输出格式： 请严格按照以下格式生成脚本，分为‘镜头画面’和‘旁白/文案’两列。”

然后，在“起承转合”的每一个部分，你都要对画面提出具体要求。

我们把上面关于黑洞的例子变得更完整：

“你是一位顶级的短视频科普博主，擅长用震撼的视觉和悬念十足的文案，在60秒内讲清楚一个复杂的科学知识。

任务： 创作一个关于“黑洞”的60秒短视频脚本。

核心主题： 探讨“掉进黑洞会发生什么”，重点突出“理论上的可能性”与“残酷现实”之间的反差。

输出格式：
严格按照两列格式输出：
| 镜头画面 | 旁白/文案 |
|—|—|

脚本结构（起承转合）：

1. 起（1-5秒）：制造悬念
* 画面要求： 视频开始是一个极具视觉冲击力的黑洞吞噬星球的动画特写，风格要科幻、写实。镜头快速推进，仿佛观众正在冲向黑洞。
* 文案要求： 用一个反常识的问题作为开场白。

2. 承（6-25秒）：理论解释
* 画面要求： 画面转为用简洁的动画线条，解释“信息悖论”或“霍金辐射”理论。比如，一个物体的信息像像素一样被黑洞表面记录下来。画面要明亮、清晰，科技感强，不要复杂。
* 文案要求： 用通俗的语言解释理论，说明为什么有科学家认为信息不会丢失。

3. 转（26-45秒）：残酷现实
* 画面要求： 画面风格突变。一个宇航员的模型被拉伸，像面条一样被扯开，做成“意大利面化”的特效。画面色调变暗，背景音乐变得紧张。要给出宇航员主观视角下，视野被扭曲撕裂的镜头。
* 文案要求： 制造转折，揭示理论和现实的巨大反差，直接说出“意大利面化”这个概念。

4. 合（46-60秒）：总结与互动
* 画面要求： 镜头拉远，最终定格在一个宏伟的星系画面上，黑洞位于中心，神秘而遥远。最后画面上出现文字：“你认为呢？”
* 文案要求： 总结观点，并以一个开放性问题结尾，引导用户评论。

现在，你再看这个提示词。它包含了角色扮演、任务目标、输出格式、完整的四段式结构，并且在每一个结构里，都对“画面”和“文案”提出了极其具体的要求。

这里面没有一个词是废话。比如，对画面的要求不是“好看点”，而是“黑洞吞噬星球的动画特写”、“简洁的动画线条”、“宇航员模型被拉伸”，这些都是可执行的视觉指令。AI拿到这样的提示词，它输出的脚本就会是一个可以直接拿去制作的蓝图，而不是一篇文章。

这种方法的本质，就是你把自己的思考过程、你对一个好视频的理解，全部翻译成了AI能听懂的指令。你做得越细，AI的结果就越接近你的预期。别指望AI能猜到你的心思，你必须把规则说得清清楚楚。