Case A_zhihu_20434415 · 反推 AI 视频提示词完整指南

基于 Google 官方视频理解、Files API、上下文缓存、媒体分辨率、结构化输出与社区高颗粒度模板，系统讲清如何用 Gemini 从视频逆向拆回可复用的生成条件，并把结果沉淀成长期可复用的 prompt 资产。

这篇文章写给已经在用 Runway、可灵、Pika、Veo 或同类工具的人。这里说的“反推提示词”，更接近逆向拆镜：从成片里把主体、动作、镜头、声音、空间关系和速度感重新捞出来，同时把该留白的地方留出来。

Gemini 能同时读视频帧、音频和时间戳，再配合强约束提示词或结构化输出，把证据层和改写层拆开。最后留下的，最好是一份能喂回视频模型、能复盘、能存档、还能继续改的中间稿，而不是一大段看上去很专业的说明文字。

下面的方法基于 Google 官方视频理解、Files API、上下文缓存、媒体分辨率、结构化输出、提示工程文档，以及社区流传很广的 HYPER-GRANULAR VIDEO ANALYSIS 模板。模型名字、AI Studio 界面、费率和配额会继续变，但“先观察、再重组、最后验收”的工作流不会变。若你打算把它用于他人作品的商业复刻，版权、商标、肖像权和平台条款仍要单独判断。

先记这 3 条：

先把视频拆成证据，再写 prompt，不要反过来。

unknowns

必须留着，不要把猜测装成参数。

验收看第二次生成出来的视频，不看分析稿写得多漂亮。

1. 学习目标

读完这篇文章，你至少应该能做到下面几件事：

判断一段视频适不适合做反推，避免一上来就整段上传碰运气。

说清“可用反推”和“原文还原”的区别，别把目标设错。

用 Gemini 把视频拆成时间块、字段和

unknowns

，而不是一段笼统总结。

根据素材长度、复用频次、动作密度选择 AI Studio、内嵌视频、Files API、上下文缓存和自定义

FPS

。

把分析稿重写成一条长 prompt、一条短 prompt 和一份 shot list。

用一套可复查的验收表判断偏差出在主体、动作、镜头还是节奏。

把一次反推沉淀成字段资产，而不是散落在聊天记录里的灵感碎片。

2. Gemini 适合做的是“可用反推”，不是“原文还原”

第一次上手最容易错的，就是把目标设成“还原原文”。可视频只是结果层，不是生产日志。你看到的是成片，不是当时的完整创作过程，所以它更适合帮你找回一组高概率生成条件，而不是唯一答案。

更实际的目标，是拿回一份可复用的生成条件清单。它足够接近，也留得出修改空间，能让你第二次生成时沿着正确方向收敛，这就已经有用了。

3. 一条

8

秒视频怎么被拆回 prompt

假设你手里有一段

8

秒竖屏 AI 视频：夜晚雨巷里，一个穿银灰夹克的年轻女人向前奔跑，中途快速回头，镜头有明显手持微颤，地面有霓虹反光，音轨里能听见急促呼吸和远处轮胎碾过积水的声音。

真做下来，不用十几轮提示，先把流程压成下面这 4 步就够了：

如果 Gemini 的观察稿里出现这些信息：

那它被重写成 prompt 后，大致会长成这样：

Verticalsmartphonefootageofayoungwomaninasilver-grayjacketrunningthrougharain-soakedneonalleyatnight,handheldwithsubtlenaturalmicro-shake,wetreflectionsonthepavement,sheglancesbackmid-stride,slightautofocusbreathingduringtheturn,urgentpace,realisticmotionphysics,layeredambientaudiowithbreathanddistanttirehiss,cinematicbutgrounded.

如果目标平台更偏好短 prompt，再压成一条硬字段版：

youngwomaninsilver-grayjacketrunningthroughaneonrainalleyatnight,verticalhandheldsmartphoneshot,subtlemicro-shake,glancebackmid-run,autofocusbreathing,wetreflections,realisticmotionphysics,urgenturbanambience

这两个版本都不是“原文还原”，但已经足够支持下一次生成。要的是这种能继续试、能继续改的逼近，不是文字考古。

4. 这条链路为什么能跑通

最后能不能像，往往取决于中间这两层有没有拆开：

先把视频拆成结构化证据，避免模型自由发挥式总结。

再把结构化证据改写成生成语言，避免你把整段分析稿原样塞进另一个视频模型。

很多返工都出在这两层没拆开。观察、推断、修辞、平台适配写成一锅，下一轮就不知道该改哪里。

5. 把入口、模型和采样先选对

很多教程一上来就盯着某个模型名。实际做反推时，型号的重要性通常排在任务设计后面。官方视频理解页给得更直接：所有 Gemini 模型都支持视频剪辑和自定义

FPS

，但

2.5

系列在这类视频处理上的质量明显更高；与此同时，当前模型列表已经进入

3.x / 3.5

时代。与其死背教程标题里的型号，不如把模型当成执行层，用同一条工作流去比较当前可用的档位。

5.1 先定输入通道

不同入口解决的是不同问题。手工诊断、重复追问、长视频复用、高动作精查，别混着做。

这里有一个容易把人看懵的官方细节：视频理解页在“上传视频文件”一段强调总请求体超过

20 MB

、视频较长或要复用时应使用 Files API；同页的输入方式总览又把内嵌数据写成小文件

<100 MB

的入口。别在这个边界上抬杠。工程上只要你满足下面任一条件，就直接切 Files API：

你准备围着同一条视频问两轮以上。

视频开始逼近长片段或接近

1

分钟。

请求体已经不再是“随手试一下”的量级。

你后面还要缓存、分段、做结构化输出或沉淀资产。

5.2 先选片段，再谈模型

第一次反推，别拿整条长片开刀。先找一个信息密度高、镜头意图单一的短片段。经验上最稳的是下面这种：

一个主要主体

一个主要动作意图

一个相对明确的镜头运动

不超过一个核心节奏变化

广告成片、混剪短片、多镜头 montage 不适合第一轮就整段喂进去。先拆片段，再做反推。

5.3 默认

1 FPS

是起点，不是答案

官方视频理解文档写得很明白：Gemini 默认按

1 FPS

抽取视频帧。对多数中低运动内容够用，但它会漏掉快动作、快切和高速镜头细节。你如果总觉得“差一口气”，先别急着怪 prompt，先怀疑采样粒度。

如果你只在 AI Studio 里操作，看不到这些参数，也没关系。最直接的替代方法只有两个：把视频切短，把问题收窄。

5.4 预算别靠感觉，要看

media_resolution

官方文档给了两组很有用的数字：

视频理解页把默认媒体分辨率的视频估成大约

300 tokens/秒

，低媒体分辨率大约

100 tokens/秒

，音频约

32 tokens/秒

。

媒体分辨率页把视频视觉帧的预算写成同一量级：Gemini

3

中，视频

LOW / MEDIUM

约

70 token/帧

，

HIGH

约

280 token/帧

。

这两份文档的口径不同，一个在讲“每秒总成本”，一个在讲“每帧视觉预算”，但它们都在提醒同一件事：别把整条长视频一路高精度硬跑到底。先低配扫轮廓，再把预算花在真正有问题的局部。

对于视频反推，大多数时候你不需要全程高分辨率。只有当你要读画面内密集文本，或者你确定差异出在极细小的帧内视觉信号时，再把

HIGH

打开。

6. 强系统提示词为什么有效，但别把它当咒语

Pastebin 上那份 HYPER-GRANULAR VIDEO ANALYSIS 模板之所以有用，不在于它用了多少夸张形容词，而在于它把官方多模态提示原则落得很硬：指令具体、任务拆分、输出格式固定、必要时先描述媒体再推理。

与其整段照搬，不如保住它抓住的 5 个字段：

其中最影响复现质量的一条，是“把镜头当成角色”。很多反推结果只写主体和场景，最后生成出来像内容，不像拍法。手持微颤、延迟跟拍、对焦呼吸、突然上扬的追拍，这些都不是装饰，而是视频生成里的硬信息。

7. 把工作流拆成 3 段来做

拆开以后，整条链路会稳很多。

7.1 第一轮只做观察，不急着要 prompt

第一轮先别急着要 prompt，先确认模型有没有把视频看对。提示结构可以长这样：

Analyzethisclipasproductionnotesforavideo-generationteam.

Returnchronologicalblockswithtimestamps.

Foreachblock,include:

-visualframing

-subjects

-actionandmovementphysics

-cameradynamics

-audioandpacing

Thenadd:

-reusablebuildingblocks

-unknowns

DonotuseIPnames,actoridentities,brandassumptions,orunsupportedgenerationsettings.

Onlydescribewhatisvisibleoraudibleintheclip.

这一轮里，

unknowns

这一栏别省。它就是拿来拦住那些看起来专业、其实没证据的参数。

7.2 第二轮优先拿结构化中间层

Markdown 观察稿适合人眼复查，结构化中间层适合比较、存档和程序处理。最简单的做法，是让模型返回 JSON：

ReturnvalidJSONonly.

Schema:

{

"clip_summary":"string",

"timeline_blocks":[

{

"start":"MM:SS",

"end":"MM:SS",

"visual_framing":"string",

"subjects":["string"],

"action_physics":["string"],

"camera_dynamics":["string"],

"audio":["string"],

"confidence":"high|medium|low"

}

],

"reusable_blocks":{

"subject":["string"],

"action":["string"],

"camera":["string"],

"environment":["string"],

"audio":["string"],

"style":["string"]

},

"unknowns":["string"]

}

如果你只是临时在 AI Studio 里试，这已经够用。如果你走 API，并且真打算把这套流程变成长期资产，建议直接升级为官方的结构化输出：把 JSON Schema 放进

response_format

，让模型返回语法上符合 schema 的 JSON。官方文档明确把结构化输出定义为“可预测、类型安全、便于从非结构化内容中抽取结构化数据”的机制；它适合数据提取、结构化分类和智能体工作流。要注意的一点也同样明确：结构化输出保证的是语法正确，不保证语义一定正确，所以应用层仍要做校验。

好处很直接：

证据层和改写层被硬拆开，哪一层错一眼就能看出来。

同一视频多轮分析时，你可以对比

timeline_blocks

，而不是人工对整段 prose 做 diff。

以后要做资产库、镜头表、批量改写不同平台 prompt，这就是天然中间层。

7.3 第三轮再重组生成语言

等证据层站稳后，再让模型做生成层重组：

Usingonlythesupporteddetailsfromtheanalysisabove,produce:

1.onefullgenerationprompt,

2.oneshorterplatform-friendlyprompt,

3.oneshotlist,

4.onenotelistingwhatshouldremainunspecified.

Donotinventseedvalues,cameraspecs,negativeprompts,oreditingstepsthatwerenotevidencedinthevideo.

这一轮要做的，就是把分析语言压回生成语言：去掉解释腔，保留物理对象、动作、镜头和节奏。

8. 怎样把分析稿改写成真正能投喂的视频 prompt

分析稿到 prompt，最好分 3 层落笔。否则锚点、镜头和气氛很容易写成一锅。

压成骨架，可以长这样：

[主体+外观]in[空间+光线]，执行[主动作+动作目标]；

[镜头行为+运动物理+对焦变化]；

[音频/节奏+质感限制]。

Leaveunspecified:[没有证据的镜头参数/seed/后期步骤]

这里最常见的误写有 3 种：

把解释意味很强的词，误当成证据。比如

amateur

更像作者判断，

natural micro-shake

更像屏幕上真能观察到的镜头状态。

把镜头现象写成作者解说。

focus briefly hunts

如果证据已经足够，可以直接压成

autofocus breathing

。

把声音当背景气氛删掉。很多时候，声音不是装饰，而是在固定动作节奏。

还有一类信息，宁可先空着：

具体焦段、传感器、机型参数

seed

、负面提示词、参考图、局部重绘流程

后期剪辑、调色和音效层里没有直接证据的制作细节

这些东西当然会影响成片，但视频没给够证据时，硬塞进去只会让 prompt 更像行话，不会让结果更像原片。

要从正向写 prompt、拆镜头表和稳定出片这条线建立手感，可以接着读 Seedance 2.0 视频制作实战指南：从提示词到分镜的全流程教程

[2]

。那篇更偏“怎么拍”这一侧。

9. 常见失败与修复

9.1 用一张验收表决定下一轮改哪里

验收别靠感觉。每轮都要知道自己修的是哪一层。

如果

5

项里有

3

项不过线，就回到分析稿，不要继续磨长 prompt。问题大多出在证据层，不在修辞层。

10. 把一次反推沉淀成字段资产库

反推做过十来次之后，最耐用的通常不是整条完整 prompt，而是一组会反复复用的字段。把它们存成可检索记录，比散落在聊天历史里靠谱得多。

一个够用的最小模板，可以长这样：

clip_id:neon-alley-run-001

source_type:ai-generated

subject:

-youngwomaninsilver-grayjacket

action:

-runningforwardthroughwetalley

-glancesbackmid-stride

-visibleweightshiftbeforetheturn

camera:

-verticalhandheldframing

-subtlemicro-shake

-autofocusbreathingduringtheturn

environment:

-neonreflectionsonwetpavement

-nightalleywithcompresseddepth

audio:

-urgentbreathing

-distanttirehissthroughpuddles

finish:

-cinematicbutgrounded

unknowns:

-exactlenslength

-seedandnegativeprompt

evidence:

-00:00-00:03:handheldrun-upandwetreflections

-00:03-00:05:glance-backplusfocusbreathing

verification:

first_regen:partial_match

next_fix:strengthendelayedcameratracking

整理完之后，回到原视频前

3

秒，对照

subject

和

camera

两栏做一次 spot-check。只要这两栏没有凭空长出新内容，这份初稿通常就站得住。

想把这些字段收进真正可搜索、可复用的资产层，可以接着读 Prompts.chat：开源提示词平台、自托管方案与 MCP 集成完全指南

[3]

。那篇更适合处理 prompt 片段的沉淀和检索。

11. 练手顺序，可以这样排

练习 1：单镜头短片

素材控制在

8

秒以内，主体单一、动作清晰即可。这一轮只看拆解是否干净，不看文字漂不漂亮；

subject / action / camera / audio / unknowns

五层必须各自落位。

练习 2：高动作片段

把素材切到

3

到

5

秒，重点练时间戳追问。走 API 的话，可以顺手试一版更高

FPS

。如果更高

FPS

并没有帮你多拿到一条新的动作证据，问题多半不在采样，而在提问角度。

练习 3：同一分析稿投两个生成器

把同一份结构化分析稿分别改成长版和短版 prompt，投给两个不同平台，看哪个更吃叙述式、哪个更吃字段式。这种对照很容易暴露平台偏好，也能帮你区分“平台口味差异”和“字段提纯还不够”。

练习 4：多镜头视频做镜头表

选一段

20

到

30

秒、至少有

3

个镜头变化的视频。先拆成镜头表，再决定哪些镜头值得单独反推，哪些只需要做节奏和情绪参考。完成这一步后，你就不再是把所有信息塞回一个超长 prompt，而是在拆若干条可执行的镜头任务。

12. 练完之后，用这 5 个问题自测

如果你准备把这套方法拿去真的拆一条视频，先问自己这 5 个问题：

我现在追的是“可用反推”，还是还在偷偷追“原文还原”？

这条视频里，哪些信息是证据，哪些只是我主观补上的解释？

如果第二次生成动作不对，我会先回到

action_physics

，还是还在乱加风格词？

这条素材到底该用 AI Studio、内嵌视频、Files API，还是 Files API 加缓存？

我最后留下的是一条 prompt，还是一组以后还能继续复用的字段资产？

这

5

题里只要有

2

题答不稳，就先别追求“更像”。回到前面的工作流，把证据层重新站稳，通常比继续磨词更省时间。

13. 这套方法适合谁，不适合谁

13.1 最适合的场景

拆自己以前做过、但 prompt 已经散失的 AI 视频

学某类镜头语言和动作组织方式，而不是盲猜

给团队做二次创作 briefing，把“像这种感觉”变成结构化描述

建内部 prompt 素材库，把好片里的主体、镜头和节奏拆成可复用字段

13.2 不适合的场景

想做法证级的“原文还原”

想从结果视频里推回所有隐藏参数

想直接复制商业作品的完整创意流程

想把它当成版权、商标或合规判断工具

如果你要把这套方法放进真实商业环境，版权、商标、人物肖像和平台条款仍是另一套问题。模型能描述出来，不代表你就应该原样复刻。

这些字段真正落到出片、转场和后期拼接里是什么样，可以接着读 AI 广告制作实验：6 小时 vs 30 万美元，广告行业会被颠覆吗？

[4]

。那篇更接近真实视频制作链路里的取舍。

14. 结论：把它当成“视频版 prompt diff”来用

把这件事看成“视频版 prompt diff”会好理解很多。Gemini 先把成片里可见、可听、可追问的证据摊开，后面的工作再把这些证据整理回生成模型能消费的字段和镜头指令。

返工通常发生在层级没拆开的时候。把观察、

unknowns

、结构化中间层、生成改写和二次验证分开以后，偏差会落到更具体的位置。最后留下来的，也不只是一条碰巧跑通的 prompt，而是一份下次还能接着改的工作底稿。

第一次上手，按下面这

6

步走，一般会顺很多：

先选一段

5

到

12

秒、主体单一、动作明确的片段。

用 AI Studio 或最轻量入口跑第一轮观察，不急着要最终 prompt。

拿到时间块、字段和

unknowns

之后，再转成 JSON 或结构化输出。

基于中间层重组成长 prompt、短 prompt 和 shot list。

用第二次生成结果做验收，而不是被分析稿的文采迷惑。

能复用的字段立刻进资产库，别让它烂在聊天窗口里。

参考资料

Google Gemini 视频理解文档

[5]

Google Gemini Files API 文档

[6]

Google Gemini 上下文缓存文档

[7]

Google Gemini 媒体分辨率文档

[8]

Google Gemini 结构化输出文档

[9]

Google Gemini 模型列表

[10]

Google Gemini 提示工程文档

[11]

Google Gemini 更新日志

[12]

Google AI Studio

[13]

社区系统提示词模板：HYPER-GRANULAR VIDEO ANALYSIS

[14]

引用链接

[1]Google AI Studio:

https://

aistudio.google.com/

[2]Seedance 2.0 视频制作实战指南：从提示词到分镜的全流程教程:

../video/seedance-2-video-production-guide.md

[3]Prompts.chat：开源提示词平台、自托管方案与 MCP 集成完全指南:

./llm/prompts-chat-open-source-prompt-library-guide.md

[4]AI 广告制作实验：6 小时 vs 30 万美元，广告行业会被颠覆吗？:

../video/ai-advertising-production-6-hours-vs-300k.md

[5]Google Gemini 视频理解文档:

https://

ai.google.dev/gemini-ap

i/docs/video-understanding

[6]Google Gemini Files API 文档:

https://

ai.google.dev/gemini-ap

i/docs/files

[7]Google Gemini 上下文缓存文档:

https://

ai.google.dev/gemini-ap

i/docs/caching

[8]Google Gemini 媒体分辨率文档:

https://

ai.google.dev/gemini-ap

i/docs/media-resolution

[9]Google Gemini 结构化输出文档:

https://

ai.google.dev/gemini-ap

i/docs/structured-output

[10]Google Gemini 模型列表:

https://

ai.google.dev/gemini-ap

i/docs/models

[11]Google Gemini 提示工程文档:

https://

ai.google.dev/gemini-ap

i/docs/prompting-strategies

[12]Google Gemini 更新日志:

https://

ai.google.dev/gemini-ap

i/docs/changelog

[13]Google AI Studio:

https://

aistudio.google.com/

[14]社区系统提示词模板：HYPER-GRANULAR VIDEO ANALYSIS:

https://

pastebin.com/H8DeXq1G