文本提示词在视频模型时代已经退居二线了。这不是说文字没用

先理清一件事：视频模型和图像模型的提示词工作流完全两个逻辑。图像模型吃的是描述性语言，画面细节越具体越好；视频模型吃的是「时间轴上的约束条件」，它需要在每一帧之间保持语义连续。所以输入结构应当是——把镜头运动、起止帧差异、物理表现分开交代，再叠加风格锚点。

我实测下来比较稳的结构是这样：

[镜头语言]：推镜+低机位，从地面苔藓扫到叶片上的水珠
[运动主体]：黑色甲虫从左侧进入画面，触角微颤，步速均匀
[环境物理]：雨后林间，雾气轻度流动，风把叶尖水珠晃落
[风格锚点]：微距摄影，景深压到F2.8，背景光斑化
[渲染约束]：真实材质，拒绝卡通化，拒绝夸张畸变

这个结构跑通的核心逻辑是按「时间-空间-风格」分维输入。很多人写不好视频提示词，是因为全挤在一句话里，模型不知道哪部分该动、哪部分该静止——帧间一致性和运动自然度自然崩。

输出质量的变化是显著的。以前用整段描述文字生成，总出现「运动抽搐」或「主体变形」，尤其是快速移动物体几乎不能用。改成这种视觉提示分层后，肢体漂移的情况明显减少，模型对「该动什么、动多快」的把握更精确了。

如果你是做静态图提示词的老手，转到视频方向最容易踩的坑是——把描述场景的文本直接拿来做视频生成。视频模型里，文字服务于镜头语言，而不是画面填充。让模型先理解「这是一个运动中的什么」，再理解「画面里还有什么」，顺序错了效果直接掉档。