视频生成模型的能力在快速迭代，但真正限制普通用户出片的，往往不是模型本身，而是提示词。MiniMAX H3 是 MiniMax 视频生成模型家族中一个热度很高的版本，它支持参考图驱动、镜头控制和电影级特效生成，但这部分能力强依赖提示词的写法。同样是 H3，有人生成的是稳定运镜的短片，有人生成的是缺乏主体、镜头乱跳的拼接画面。差距通常不在模型参数，而在用户是否使用了一套足够专业、足够结构化的提示词模板。
这篇文章要拆解的就是 MiniMAX H3 的 SKILL 三段式专业提示词模板。这种模板思路常见于一些提示词整理合集中，例如 BSAI 第 58 期就把 H3 的电影级特效生成经验封装成了“场景设定 + 主体动作 + 镜头特效”的三段式结构。核心价值在于：不需要自己写后端 API 调用逻辑，不需要本地跑推理模型，在官方生成入口把模板填好，就能稳定得到接近电影质感的画面。文章会按“模板结构、填写方法、实战流程、常见报错、最佳实践”的顺序展开，末尾会给出一个可直接复用的检查清单。
1. MiniMAX H3 提示词模板的价值：为什么强模型也要强模板
1.1 视频生成模型真正难的是“把描述变成画面”
MiniMAX H3 这类模型已经解决了“能不能生成”的问题。真正难的是“能不能按你的意图生成”。视频生成模型和人不一样，它不会主动追问“你说的主角穿什么衣服”“镜头是从哪个方向拍的”“环境是白天还是夜晚”。模型会把提示词里的所有信息当作一次采样依据，写得越明确，生成结果越能落到目标区间。
如果提示词只有一句话，例如“一个剑客在雨夜战斗”，模型会自行脑补大量细节：剑客可能没有脸、衣服颜色完全随机、镜头角度不稳定、特效强度不可控。这是视频生成模型最常见的失败模式：画面好看，但不是用户想要的那个画面。
H3 对提示词的理解粒度比上一代更细，能识别时间、天气、镜头运动、角色动作、特效类型这些元素。但前提是这些元素确实出现在提示词中。三段式模板的价值，就是把用户脑海里零散的画面描述，强制拆成模型最容易理解的信息块。
1.2 SKILL 模式的本质：可复用的专业指令
SKILL 这个词在 AI 工具链里越来越常见。它不是普通提示词，而是一套可复用的专业指令单元。一个 SKILL 通常包含：触发条件、输入要求、执行步骤、输出格式。在 Claude Code、Codex、Cursor 这类工具中，SKILL 被用来让模型按照固定 SOP 处理任务；在 MiniMAX H3 的提示词场景中，SKILL 则被用来固化“如何写电影级提示词”这个经验。
普通提示词是一次性对话，写完之后下次要用还得再写一遍。SKILL 则像插件一样，可以被反复调用。BSAI 第 58 期整理的这套模板，本质上就是把 H3 出片经验封装成一个三段式 SKILL：不管你这次想生成打斗、科幻、还是古风场景，只要把三段结构填满，模型就能按同一套逻辑工作。
这背后的设计动机是减少随机性。视频生成模型存在天然随机性，提示词可以约束随机性的范围。三段式模板把最容易影响画面结果的信息全部显式化，模型就不需要替用户做太多脑补。
1.3 三段式模板与传统长文本提示词的区别
传统做法是把所有细节写在一段超长文本里，中间用逗号或句号分隔。这种写法有两个问题：一是模型可能只关注到后半段信息，前半段的场景设定权重被稀释；二是用户很难发现哪一部分写错了，排错成本高。
三段式模板把提示词拆成三个明确的语义块：
- 第一段负责定环境，给模型足够的空间背景。
- 第二段负责定主体，告诉模型谁在画面上、正在做什么。
- 第三段负责定镜头和质感，控制运镜、特效和画面风格。
这样做的好处是信息密度高、条理清楚，模型能按段落读取语义。用户排查问题时也能快速定位：画面环境不对就改第一段，主体动作不对就改第二段，电影感不足就改第三段。
2. 三段式专业提示词模板完整拆解
2.1 第一段：场景设定，先把世界观定下来
第一段要回答的问题是：画面发生在什么时间、什么地点、什么天气、什么氛围。
模型生成画面时，最先确定的是环境背景。环境决定了光线方向、色调、物体材质、透视关系。如果没有场景设定，模型会让前景主体直接飘在一个模糊背景上，这是很多生成视频看起来“假”的原因。
场景设定应该包含四个维度。
| 维度 | 说明 | 示例 |
|---|---|---|
| 时间 | 清晨、正午、黄昏、夜晚 | 黄昏 |
| 地点 | 具体场所，越具体越好 | 废弃工业城市高架桥 |
| 天气 | 晴、雨、雪、雾、沙尘 | 暴雨，远处有闪电 |
| 氛围 | 整体情绪和色调倾向 | 潮湿、压抑、冷蓝色调 |
写场景设定时有一个建议：不要只写名词，要写“名词 + 状态”。例如“高架桥”是名词，模型只能确认地点；“桥面潮湿，反射橙色路灯，烟雾弥漫”则包含了材质、光线和空气状态，模型能据此确定画面的光影关系。
2.2 第二段：主体与动作，把故事讲清楚
第二段要回答的问题是：画面里的核心角色是谁、长什么样、正在做什么、动作幅度多大、有没有交互对象。
视频模型和图像模型不一样，图像模型生成一张静态图，主体不动也没关系。视频模型必须知道运动信息，否则画面会很笨重，或者主体会以不合理的方式移动。
主体描述建议按这个顺序写：
- 主体身份和外观：例如“一名身穿黑色风衣的独臂剑客，面部有旧伤疤”。
- 道具和特征：例如“手中握着一柄发着蓝光的断刃”。
- 动作及幅度：例如“从桥面高速跃起，向直升机上的机械士兵挥出横向剑气”。
- 交互对象：例如“剑气碰到机械士兵装甲时产生剧烈爆炸，士兵被击退”。
这一段最容易犯的错误是只写“动态”而不写“动作”。例如“剑客很帅”“画面很燃”这类词，模型无法转换成具体的动作序列。需要把“帅”翻译成画面语言，比如“黑色风衣在狂风中翻飞”就是画面语言。
2.3 第三段：镜头、特效与画质，把电影感拉满
第三段要回答的问题是：摄影机怎么拍、画面有哪些特殊效果、最终成片是什么质感。
这是三段式模板和普通提示词差异最大的一层。普通用户写提示词通常只写到主体和动作就结束了，但电影级特效需要额外信息来约束运镜和渲染风格。
镜头语言部分可以写景别和运镜方式。
| 镜头参数 | 可选值 | 说明 |
|---|---|---|
| 景别 | 远景、全景、中景、近景、特写 | 决定主体在画面中的比例 |
| 运镜 | 推、拉、摇、移、跟、升降 | 决定画面运动方式 |
| 镜头运动强度 | 平稳、轻微晃动、剧烈抖动 | 表现真实感和代入感 |
| 焦点 | 浅景深、深景深、焦点切换 | 决定画面的层次感 |
特效部分要写清楚特效类型、颜色、触发位置。例如“蓝色剑气、火花飞溅、装甲破碎的金属颗粒、雨水被冲击波震开”，这些都是具体可见的特效表现。
画质部分可以使用“电影级质感、细节真实、浅景深、色调整体偏蓝紫、4K”这类描述。注意，质感类描述和特效描述不冲突，前者是整体风格约束，后者是具体现象约束。
2.4 三段式速查表
写模板前先对照这个速查表，确认每一段都有内容。
| 段落 | 必须包含 | 推荐包含 | 容易遗漏 |
|---|---|---|---|
| 场景设定 | 时间、地点 | 天气、氛围、光线来源 | 地面材质、空气状态 |
| 主体动作 | 角色身份、动作 | 外观、道具、交互对象 | 动作幅度、速度感 |
| 镜头特效 | 景别、运镜 | 特效颜色、触发位置 | 画质和色调约束 |
3. 免 API 免推理的实战流程：从模板到直出电影级特效
3.1 在官方界面直接使用模板
MiniMAX H3 的提示词模板可以不写一行代码、不调用任何 API，直接在官方生成界面使用。
典型操作流程如下：
- 打开 MiniMAX 视频生成页面，选择 H3 模型。
- 如果有参考图需求，进入 ref2va 参考模式并上传参考图。
- 将三段式模板粘贴到提示词输入框。
- 根据需要设置画幅比例、生成时长、随机种子等参数。
- 点击生成，等待视频输出。
在这个流程中，三个节点最容易影响结果：模型选择、参考图模式、提示词是否完整。很多用户习惯只看提示词本身，忽略模型选择，导致 H3 的能力没有真正发挥。
如果需要在本地用脚本批量生成提示词，可以用一个简单的 Python 脚本做模板变量替换。
# fill_h3_template.py template = """ [场景设定] 时间：{time} 地点：{location} 天气：{weather} 氛围：{atmosphere} [主体与动作] 主体：{subject} 道具：{props} 动作：{action} 交互：{interaction} [镜头与特效] 景别：{shot} 运镜：{camera} 特效：{effects} 画质：电影级质感，细节真实，浅景深，4K """ filled = template.format( time="黄昏", location="废弃工业城市高架桥", weather="暴雨，远处有闪电", atmosphere="潮湿压抑，冷蓝色调", subject="一名身穿黑色风衣的独臂剑客，面部有旧伤疤", props="手中的断刃发着蓝光", action="从桥面高速跃起，向直升机上的机械士兵挥出横向剑气", interaction="剑气碰到装甲时剧烈爆炸，士兵被击退", shot="中景转近景", camera="正面跟拍，镜头先低后高，带轻微晃动", effects="蓝色剑气，火花飞溅，装甲破碎金属颗粒，雨水被冲击波震开" ) print(filled)这段脚本只负责把变量填入模板，不涉及任何 API 调用。它的价值在于批量制作不同场景提示词时，可以快速产出多个版本。
3.2 战斗打斗场景示例
下面给一个可直接使用的完整示例，主题是“超燃战斗打斗”，适合测试 H3 的特效能力。
[场景设定] 时间：黄昏 地点：废弃工业城市高架桥 天气：暴雨，远处有闪电 氛围：桥面潮湿，反射橙色路灯，烟雾弥漫，整体压抑而紧张 [主体与动作] 主体：一名身穿黑色风衣的独臂剑客，面部有旧伤疤，眼神坚定 道具：手中握着一柄发着蓝光的断刃，剑身有裂纹，能量流动 动作：从桥面高速跃起，身体在空中旋转，向直升机上的机械士兵挥出横向剑气 交互：剑气碰到机械士兵装甲时产生剧烈爆炸，装甲碎片飞溅，士兵被击退数米 [镜头与特效] 景别：中景转近景，跟随主角动作 运镜：正面跟拍，镜头先低后高，带轻微晃动 特效：蓝色剑气划破雨幕，火花飞溅，装甲破碎的金属颗粒四散，雨水被冲击波震开 画质：电影级质感，细节真实，浅景深，色调整体偏蓝紫，4K整个模板约 200 字。它不需要用户额外补充参数，H3 会按三个段落依次解析并生成连贯镜头。
3.3 验证模板是否生效的三种结果
生成完成后，需要判断模板是否真正生效。可以从三个结果维度检查。
第一种，场景表现正确：画面确实出现在高架桥上，确实是黄昏加暴雨，说明第一段被有效解析。
第二种，动作连贯正确：剑客从桥面跃起、挥剑、剑气命中后爆炸，说明第二段的主体和动作被有效解析。
第三种，电影感明显：画面有清晰运镜、浅景深、蓝紫色调，说明第三段的镜头和画质约束生效。
如果三个维度都满足，模板可以复用。只需要在后续生成时替换变量值，就能批量生成不同场景。
4. 从单条模板到 SKILL：沉淀自己的提示词资产
4.1 为什么需要把模板改成 SKILL
单条模板解决的是“这一次生成”。但实际使用场景是重复的：你每周可能要生成多条视频，每条都不一样，但模板结构是稳定的。只要把结构固化下来，就形成了一套自己的提示词工作流。
SKILL 就是这种固化产物。它把“写三段式提示词”的方法封装成一个可复用技能，后续想生成任何场景，只需描述需求，SKILL 会自动拆成三段结构。
在 AI Agent 工具中，SKILL 通常是一个包含描述、输入参数和执行步骤的配置文件。在 MiniMAX H3 的场景中，SKILL 更像一个提示词生成器，负责把用户零散想法扩写成专业模板。
4.2 SKILL 的最小结构
一个最小可用的 H3 提示词 SKILL 可以写成 YAML 结构。
name: h3-three-stage-prompt description: 将用户输入扩写成 MiniMAX H3 三段式电影级提示词 version: 1.0.0 input_required: - scene_time - scene_place - subject_action input_optional: - subject_appearance - weather - camera_move - effects workflow: - 1. 解析用户输入，提取时间、地点、氛围 - 2. 解析主体身份、动作、交互对象 - 3. 补全镜头、特效、画质信息 - 4. 按三段式结构输出完整提示词 output_format: | [场景设定] 时间/地点/天气/氛围 [主体与动作] 主体/道具/动作/交互 [镜头与特效] 景别/运镜/特效/画质这个结构在原理上与很多 Agent SKILL 一致。它不直接生成视频，而是负责提示词生成。真正出片还是交给 MiniMAX H3。
4.3 把模板变量化的改造方法
模板写好后，下一步就是变量化。所谓变量化，就是把模板中的固定词和可替换词分开。
固定词是每段描述中稳定的部分，例如“电影级质感，细节真实，浅景深”这类画质约束。可替换词是每个场景不同的部分，例如时间、地点、角色、动作、特效。
改造方法是把每个段落的描述拆成“槽位 + 默认值”。脚本或 SKILL 中的用户输入填进槽位，未提供的值使用默认值。这样做的好处是：
- 输出结构永远一致，不会因为漏写某段导致画面崩塌。
- 默认值可以沉淀经验，例如“运镜默认正面跟拍”“色调默认偏蓝紫”。
- 后续新场景只需要改槽位值，不需要重新设计提示词结构。
5. 常见问题与排查路径
5.1 服务端 529 Overloaded
现象：生成请求提交后，页面或 API 返回类似错误。
api error: 529 overloaded. This is a server-side issue, usually temporary...这条错误的意思是服务端过载。它通常出现在生成高峰期，和用户提示词无关，属于服务端临时状态。
检查方式：
- 确认当前时间是否为高峰时段。
- 检查官方状态页面或社区反馈，判断是否是大规模故障。
- 短时间重试或改到低峰时段生成。
处理建议：不要频繁重试，容易让负载更高。建议间隔几分钟后重试，或者使用稍后生成功能。
5.2 生成结果与提示词不符
现象：模板填写完整，但生成的画面和描述差距很大，例如写了夜晚画面却是白天。
排查顺序：
- 检查提示词内是否存在冲突信息。例如第一段写“黄昏”，第三段又写“正午光线”，模型可能随机选择。
- 检查主体描述是否包含明确可见特征。只有“一个剑客”这种描述，模型无法确定外观。
- 检查第三段是否缺失。如果只有场景和动作，没有镜头和画质约束，画面会比较平，缺少电影感。
处理建议：保持三段信息一致，删除冲突词；主体描述至少包含服装、道具、动作三点。
5.3 调用 API 时的模型名称错误
现象：通过 API 调用 H3 时，提示模型名称不存在或不受支持。
示例错误：
The supported API model names are ...不同接入平台的模型名称可能不一致。页面端显示的模型名和 API 端允许传入的模型名不一定相同。解决方法是先检查当前 API 文档或服务商支持的模型列表，不要直接把页面端的名称抄到 API 参数里。
5.4 本地部署与 ComfyUI 场景的显存问题
现象：使用本地部署或 ComfyUI 整合包运行 H3 时，生成过程报显存不足或推理中断。
MiniMAX H3 的本地部署对显卡显存要求较高，常见的 8G 显存显卡在默认参数下很容易爆显存。解决方法包括：
- 降低分辨率，从高分辨率降到 720P 或更低。
- 减少生成帧数，缩短视频时长。
- 开启显存优化和降低采样精度。
- 使用整合包时，确认是否已经替换为官方要求的模型推理框架。
如果是学习用途，优先使用在线入口，减少环境问题干扰。
6. 最佳实践与扩展方向
6.1 发布前提示词检查清单
生成前用下面的清单快速检查提示词，能减少大多数失败生成：
- 第一段是否包含明确的时间和地点，缺哪项补哪项。
- 第二段是否描述了外观、道具和动作，是否只有情绪词而没有画面词。
- 第三段是否包含镜头、特效、画质，是否至少写清楚一个运镜方向。
- 三段之间是否存在冲突信息，如时间、天气、色调矛盾。
- 是否使用了“高速”“剧烈”“缓慢”等明确幅度词。
- 画面主体是否唯一，如果是多人场景，是否说清了主次关系。
- 是否写了类似“4K、电影级质感、浅景深”这类画质约束词。
6.2 多镜头脚本化扩展
单条模板解决单镜头。如果要生成一个完整场景，可以把多个提示词模板串起来，每个镜头使用独立模板，镜头之间保持时间、地点、主体外观一致。
例如同一个剑客，镜头 1 是高架桥上跳跃，镜头 2 是剑气击中装甲，镜头 3 是士兵倒地特写。三段模板中，主体外观保持一致，场景设定保持一致，只调整镜头和动作。这样生成的多段视频拼接后，主体一致性比完全随机生成好很多。
这是 H3 提示词模板从“出单条”走向“出短片”的关键一步。后续可以尝试用导演台模式统一管理多镜头参数，把时间、机位、主角信息集中维护。
6.3 后续可以深入的方向
MiniMAX H3 的提示词体系还有几个值得继续学习的入口：
- ref2va 参考模式的提示词规范：参考图主要约束主体外观，文本提示词应该补充动作和环境。
- 本地部署的模型运行细节：显存优化、模型量化、推理框架适配。
- SKILL 工程化：从单条 SKILL 扩展为整套提示词资产库，按场景类型分类存储。
- 长镜头和转场控制：研究如何让 H3 在单个视频内完成多次运镜切换。
对初次接触 H3 的开发者，建议从在线入口加三段式模板开始，先积累一批稳定出片的提示词，再去研究 API 和本地部署。提示词模板的价值不只在“抄作业”，而在于它暴露了模型理解视频语言的方式。理解了模板为什么这样拆，后续写任何场景都能保持稳定输出。
