企业官网建设流程全解析

简介：Seedance 2.0提示词完全指南以可运行源码包的形式呈现，面向视频创作者、AI绘画玩家及希望进阶AI导演的用户。它系统梳理了即梦平台核心视频模型的五要素导演法，涵盖主体/角色、动作/剧情、镜头/运镜、场景/氛围/光影、风格/特效/音频的组织逻辑，并配有稳公式模板与@参考标签用法，同时给出基础参数建议、80余条可直接复制的提示词模板，以及负面提示、避坑心法和进阶技巧，帮助读者从生成废片转向精准控场。包内共3个文件，包含html页面、inscode配置和gitignore文件，压缩包仅14KB，轻量便于快速打开查看。目前已有868人学习使用该资源，适合新手系统入门，也适合进阶用户提升视频生成的控制力。

1. 先搞清楚Seedance 2.0的视频生成逻辑，再谈提示词

1.1 从Seedance 1.0到2.0：模型理解能力到底变在哪

Seedance 2.0是字节跳动旗下火山引擎在视频生成方向上打磨出来的第二代模型。相比1.0版本，2.0最核心的变化在于：它不再只是“听指令画画面”，而是具备了更强的指令拆解能力——能把一段长提示词中的多个动作、多个主体、多个镜头变化拆成独立事件并串联执行。换句话说，1.0时代你写“一只猫在窗台上打哈欠，镜头缓慢推进”，模型很可能只渲染了静态场景；同样的提示词丢给2.0，它会尽量把“打哈欠”这个动作和“镜头推进”这个运镜分开处理，再合成一段连贯视频。

这个变化直接影响了提示词的写法：以前我们写提示词更像是在给搜索引擎喂关键词，堆名词、堆形容词；现在需要像写分镜脚本一样，告诉模型“什么时候发生什么”“画面重点在哪里”“镜头怎么动”。我在实际测试中发现，2.0对一句话里的时态和顺序描述更敏感了，比如“先抬头看天空，然后低头微笑”这种带明确先后关系的句子，模型能真正渲染出动作切换，而不是把两个动作糊在一起。

另外，2.0在人物面部的稳定性和运动连贯性上的表现有明显提升，但代价是它对提示词中的“负面约束”要求更高。如果你不明确写出“不要面部变形”“不要多手指”，模型在高速运动场景下依然会出现常见的AI崩坏问题。这一点后面我会专门展开说。

1.2 提示词必须符合的模型底层约束

抛开技术细节不看，Seedance 2.0本质上还是一个扩散模型加Transformer混合架构的视频生成器，它的工作方式和短视频剪辑软件完全不同。短视频编辑是“素材拼接”，而它是从纯噪声开始一步步“雕刻”出画面。模型的每一步去噪过程都依赖文本特征对齐，所以提示词的信息密度和布局直接影响生成结果的质量。

这里有一个关键约束：模型对提示词的注意力是有限的。Seedance 2.0支持较长文本输入，但实际测试中发现，核心信息放在前面150个字左右效果最好，后面的内容会被“稀释”掉。我做过对比测试，同样一个场景，把关键指令放在开头和放在结尾，生成质量差异肉眼可见。

基于这个特性，写提示词的核心原则就变成了：优先级排序，核心在前，修饰在后，负面约束放最后。展开就是：

• 主体是谁、在做什么动作——第一优先级，放最前面
• 环境背景、光线氛围——第二优先级
• 镜头语言、运镜方向、景别切换——第三优先级
• 风格化描述（电影感、赛博朋克、纪录片质感）——第四优先级
• 负面约束（不要什么、避免什么）——放最后单独写

这个排序逻辑不是我拍脑袋想的，而是根据Seedance 2.0的对齐机制反推出来的。模型在处理长文本时会生成一个全局语义向量，越靠前的内容在这个向量中的权重越高，后续内容只在局部细节上产生微调。所以如果你把“赛博朋克风格”写在最前面，模型会把整个画面都往赛博朋克方向拉，哪怕后面写了“写实风格”也很难拉回来。

2. 提示词模板的底层结构：把一句话翻译成镜头语言

2.1 五要素框架：主体、动作、环境、镜头、风格

我在大量的Seedance 2.0生成测试里总结了一套“五要素提示词框架”，目前用下来成功率最高，适合各种视频类型。它不是死板的公式，而是一个帮助你检查提示词是否完整、信息是否冲突的思维框架。

五个要素分别是：

• 主体：谁在画面里。要写清楚是人、动物、物品还是虚拟角色。如果是人物，建议补充年龄、服装、外貌特征、肤色发色，避免模型自由发挥导致角色不一致。
• 动作：主体在做什么。注意写完整动作链，比如“推开窗户探身往外看”比“往外看”好得多，因为模型需要明确的起始动作和结束动作。
• 环境：场景与氛围。包括空间关系（室内/室外）、时间（白天/夜晚）、天气、光线方向。环境描述越具体，画面越可信。
• 镜头：运镜方式和景别。是固定镜头还是推拉摇移？是特写、中景还是全景？是主观镜头还是客观视角？这一项是视频生成和图片生成最本质的区别，必须写。
• 风格：画面的整体质感。可以指影视风格（纪录片、科幻片、文艺片），也可以是画风（写实、CG、水彩），还可以是画面比例与色彩倾向（冷色调、低饱和度、高对比）。

五个要素不是平均用力的，动作和镜头是视频生成模型最看重的两项。我见过很多人写的提示词长篇大论描述环境，结果动作就写了两个字“跳舞”，出来的视频就是人物在一个精美场景里做木偶式的僵硬动作。原因很简单：模型不知道舞蹈的起势动作、过程节奏和结束姿态是什么，它只能猜。

2.2 一个反面案例：为什么“漂亮女孩跳舞”生成出来是废片

举一个真实例子。我早期用Seedance 2.0时写过一条极其简单的提示词：“一个漂亮女孩在舞台上跳舞，灯光绚烂。”生成出来的结果：人物的脸是精致的，舞台也很华丽，但身体像提线木偶一样僵硬，动作幅度很小，而且每秒钟都在变换着装。

问题出在三个地方：

一是“漂亮女孩”太模糊。模型需要明确的面部特征和身体特征，否则它会在每个采样步骤中自己决定“漂亮”的标准，导致前后帧不一致。改成“20岁左右的亚洲女性，黑色长发扎成高马尾，穿红色短裙舞蹈服”之后，人物一致性显著改善。

二是“跳舞”没有动作链。对于舞蹈这种高度依赖连续动作的内容，需要补充“以芭蕾舞的旋转动作开场，然后踢腿跳跃，最后定格在谢幕姿势”。把动作拆成“开头、中间、结尾”，模型才有足够信息去规划运动轨迹。

三是“灯光绚烂”这种抽象描述缺少方向性。模型不知道灯光是打在人物身上还是背景墙上，不知道怎么运动。改成“舞台追光灯从正上方打下，光线随人物动作同步移动，背景是动态变化的蓝色和紫色霓虹光晕”，画面的光影层次感和人物结合度就立刻提升了。

这个案例能说明一个道理：在Seedance 2.0中，提示词不是一个“描述性文本”，而是一份“导演执行手册”。你写得多详细，模型执行得就有多精确。写得含糊，模型就自由发挥，而自由发挥在视频生成里就等于随机崩坏。

3. 可直接运行的分场景提示词源码模板

3.1 源码使用说明：这些Prompt不是文本，是可直接执行的脚本

标题里提到了“可运行源码”，这部分重点说说怎么把这些提示词变成可以跑起来的代码。Seedance 2.0目前通过火山引擎的API开放调用，也可以在一些视频生成平台直接用Web界面操作。但如果你想在自己的项目里集成视频生成能力，就需要通过API调用的方式来处理。

下面给的每一套提示词都包含完整参数，可以直接复制的代码块。这类API的通用请求类型问题，通常就是POST到视频生成接口，body里带上prompt、negative_prompt、duration、resolution等字段，再异步轮询生成结果。

这套源码的逻辑是：提示词以变量形式放在代码中，单独管理，方便批量测试和迭代。这也是我自己的做事方式——视频生成是一个极度依赖实验迭代的领域，提示词需要频繁微调，如果把提示词和调用逻辑耦合在一起，每次改提示词都要动代码，效率很低。

# 视频生成请求示例（Python方言伪代码风格，可根据实际API调整） import requests import time import json def generate_video_seedance(prompt: str, negative_prompt: str, duration: int = 5): # 使用项目的API Key，密钥仅示例，请替换 api_key = "your_seedance_api_key_here" endpoint = "https://api.volcengine.com/seedance/v2/video/generation" payload = { "prompt": prompt, "negative_prompt": negative_prompt, "duration": duration, # 支持5秒或10秒 "resolution": "1080p", "watermark": False, "cfg_scale": 7.0 # 提示词服从度参数，建议范围5.0-10.0 } headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } # 创建生成任务 response = requests.post(endpoint, headers=headers, data=json.dumps(payload)) response_data = response.json() if response_data.get("code") != 0: print(f"创建任务失败：{response_data.get('message')}") return None task_id = response_data["data"]["task_id"] print(f"任务已创建，ID：{task_id}") # 轮询任务结果 while True: status_url = f"https://api.volcengine.com/seedance/v2/video/task/{task_id}" status_resp = requests.get(status_url, headers=headers) status_data = status_resp.json() task_status = status_data["data"]["status"] if task_status == "succeeded": video_url = status_data["data"]["video_url"] print(f"生成成功，视频地址：{video_url}") return video_url elif task_status == "failed": print(f"生成失败：{status_data['data'].get('reason')}") return None else: print(f"任务状态：{task_status}，继续等待...") time.sleep(10)

提示词的封装形式也很重要。我会把常用场景的Prompt放进一个字典或配置文件里，每次要测试某个场景就把它提取出来。比如：

# prompt_templates.py SEEDANCE_PROMPT_TEMPLATES = { "dance": { "prompt": "……舞蹈动作类提示词……", "negative_prompt": "……负面约束……", "cfg_scale": 7.5 }, "fight": { "prompt": "……战斗动作类提示词……", "negative_prompt": "……负面约束……", "cfg_scale": 8.0 } }

这种做法的好处是，你可以在不修改调用逻辑的前提下，并行测试多组提示词参数，快速找到最优解。这在提示词工程里非常重要，因为同一个场景，SD（指提示词服从度）在5到10之间的效果差异非常大，你如果不批量测试，根本不知道哪个值最适合你的场景。

3.2 舞蹈与动态表现类提示词模板

舞蹈类的视频生成在Seedance 2.0上有不错的表现，尤其是现代舞和街舞这种动作幅度大、节奏感强的类型。核心是给模型明确的运动轨迹和节奏信息。

我实测下来效果最好的舞蹈提示词模板如下：

主体：一名25岁左右的亚洲女性舞者，黑长直发，身穿浅灰色宽松卫衣和黑色运动裤，脚穿白色运动鞋。 环境：空旷的工业风废弃仓库，地面有轻微反光，数道金色阳光从高处窗户斜射进来，空气中能看到漂浮的灰尘微粒。 动作：舞者从画面左侧起势，身体随节奏感快速舞动，先做一组wave动作，然后转身踢腿跳跃，落地后低头停顿，再抬头直视镜头，结束动作是双手张开并微微低头，保持2秒。 镜头：全程中景跟拍，镜头缓慢向右移动，在舞者跳跃瞬间切换为低角度仰拍，最后在舞者抬头时缓慢推到面部特写。 风格：写实纪录片质感，浅景深，画面偏冷色调但阳光区域为暖金色，高对比度，动作流畅无卡顿。

这套提示词我反复测试过很多次，生成出来的动作流畅度在5秒视频里表现得相当不错，尤其是跳跃那个节点的低角度仰拍，运镜和动作能自然衔接。关键是节奏设定要具体，我把“wave动作”和“转身踢腿”之间的时间顺序写清楚了，模型才能规划出合理的运动轨迹。

负面提示词配合如下：

人物面部扭曲，肢体比例失衡，多手指，衣服纹理闪烁，背景扭曲，动作僵硬，跳帧，画面抖动，脸部变形，画质模糊

动作类生成里最怕的是肢体变形和背景闪烁，负面提示词里这两个一定要写。我见过有人把正面提示词写得完美但漏掉了负面，生成结果一出来就翻车，重跑一次的成本和等待时间让人心疼。

3.3 战斗与特效类提示词模板

战斗场景是Seedance 2.0能拉开与同类产品差距的地方。它的运镜处理能力比较强，一些复杂的高速运动能渲染得比较有冲击力。但短板也很明显——战斗类场景涉及多个动态主体，模型容易在主体交互时产生穿模、变形等问题。

我的战斗场景测试模板：

主体：一名穿着黑色战术背心和深灰色军裤的男性战士，面容硬朗，短发，手上握着一把银白色合金刀具。 环境：废弃的城市街道，周围是倒塌的建筑残骸和废弃车辆，天空是暗红色，有浓烟弥漫，地面散落碎石和灰尘。 动作：战士从画面右方跑入，在跑动过程中用刀具格挡飞来的飞行器碎片，随即冲向前方一台约三米高的机甲，跳跃到机甲背部，用刀具插入机甲关节缝隙进行破坏，机甲晃动并发出火花，最后战士跳落地面，半蹲着抬头看向镜头。 镜头：开场是跟拍镜头，跟随战士的跑动节奏；冲刺时切换侧面镜头；跳跃时变为低角度仰拍，强化高度感；插入机甲关节特写镜头，突出火花特效；最后半蹲抬头时缓慢拉远到全景。 风格：电影级动作大片质感，快速剪辑感，色彩偏冷，爆炸火光是暖橙色，高动态范围，画面有轻微粒子噪点感。

战斗场景提示词里最容易出的问题是：模型把多个连续动作压缩成一个，比如“跳跃到机甲背部”和“插入刀具破坏”被合并成一个模糊的跳跃动作，导致交互感差。解决办法是把每个动作拆成单独的短句，并用“随即”“然后”“最后”这样的连词明确时间顺序。

负面提示词建议：

多只手，肢体穿插变形，人物与机甲融合，透视错误，武器变形，动作模糊，慢动作，镜头抖动，金属质感丢失，火花闪烁生硬

这套提示词生成出来的典型效果是：飞溅的火花和刀光的质感不错，但脸部在快速动作中容易变形成“抽象派”。所以在战斗类场景我会额外加一条负面“面部剧烈变形”，效果改善明显。

3.4 产品展示与商业广告类提示词模板

产品展示是我目前测试下来生成成功率最高的场景，因为画面构成简单、主体单一、运动路径清晰。如果你是做电商内容或者商品宣传片，这套模板值得收藏。

主体：一瓶金属质感的深蓝色香水瓶，瓶身线条流畅，瓶颈处有银色金属环，瓶盖是磨砂黑，放置在灰色大理石台面上，背景是模糊的渐变蓝灰色。 环境：极简现代摄影棚，主光源从左上角45度打下来，营造细腻的光影过渡，香水瓶后方有一块发光的白色灯板勾勒轮廓。 动作：镜头从香水瓶背后缓缓升起，翻转180度到瓶身正面，瓶身在台面上微微旋转，展示标签细节，随后有一滴晶莹的水珠从瓶身侧面滑落，最后镜头推进到瓶口的特写。 镜头：运动镜头围绕产品做环形调度，从大特写拉到完整瓶身，再推到LOGO特写，运镜平滑匀速。 风格：高端商业广告质感，超写实，光泽细腻，色彩干净，画面有明显的玻璃和金属反射细节，无颗粒感。

产品类提示词的特别之处在于，它不需要太多动作描述，重点在材质表现和镜头运动的一致性。Seedance 2.0对玻璃、金属、液体这类物质的渲染很擅长，但如果你忽略了“水滴滑落”这种细节指令，它基本不会主动生成。所以产品展示类提示词，动作细节要写得异常具体。

负面提示词：

瓶身变形，标签文字乱码，镜面反射错误，光线闪烁，玻璃折射异常，手部乱入，背景杂乱，虚化过度

文字渲染是视频生成模型共同的弱项，产品瓶身上的标签文字很容易变成“乱码”。Seedance 2.0也不例外。目前我的实测经验是：如果瓶身标签有明确英文单词，写提示词时直接把这个单词加引号写进去，生成的识别率会稍微高一点。但中文标签几乎必然翻车，建议后期用AI修图或剪辑软件替换掉标签区域。

4. 实测调优：我最常踩的坑和对应的修法

4.1 中文还是英文？Seedance 2.0的提示词语言选择

这是一个被问爆的问题。Seedance 2.0的官方文档说支持中英文提示词，但从我的实际对比测试来看，英文提示词在细节控制上明显优于中文，而中文提示词在风格氛围描写上另有优势。

我做个了百来条的对比测试，同样的场景翻译成两种语言，结论是：

• 动作描述：英文更精准。英文的动词往往包含明确的运动方向和方式，而中文的动词信息量较小，模型需要更多上下文来推断。
• 环境氛围：中文的“意境”优势确实存在，比如“雨后清晨的江南小巷”这种带有文化意象和情绪色彩的描述，中文生成的画面往往更有味道。
• 负面提示词：英文负面约束效果好于中文，同一个负面意思用英文表达出来模型执行更到位。

我的建议是：主体动作和镜头描述用英文，氛围风格用中文，两者用逗号分隔拼接。比如：

A woman with black long hair in a gray sports jacket, performing a series of street dance moves, tracking shot from low angle, 空旷的废旧厂区，清晨金色阳光，漂浮的灰尘粒子，电影感，冷色调，写实

这种中英混搭的写法一开始看起来很奇怪，但实测效果确实比纯中文或纯英文都要好。模型的文本编码器对中英文分别有独立的语义空间，混搭能同时触发两个语义空间的特征，画面层次会比单语种更丰富。

4.2 cfg_scale参数怎么调：提示词服从度的正反两面

前面源码里提到了cfg_scale参数，官方叫法叫提示词服从度。这个参数在Seedance 2.0里是影响生成风格和内容的关键。它控制的是模型在生成时“遵循提示词”和“自由创作”之间的平衡。

实际测试结论：

• cfg_scale = 5.0~6.0：生成画面偏“写意”，模型自由发挥的空间大，容易产生意想不到的构图和光影，但指令执行力差，动作和内容经常跑偏。
• cfg_scale = 7.0~8.0：最佳区间。模型能较好地执行提示词，同时保留一定的画面多样性，不容易出现呆板感。
• cfg_scale = 9.0~10.0：提示词服从度极高，但画面会变得“过拟合”——生成结果像是在“干巴巴地执行命令”，缺乏呼吸感，色彩和构图的自然度下降，面部有时会出现不自然的僵硬。

所以我的经验是：先设7.0跑一版，如果指令执行不到位再往上加，如果画面呆板就往下降。另外需要注意的是，cfg_scale和负面提示词是配合使用的，当你把cfg_scale拉高时，负面提示词的约束力也会同步增强，反过来也一样。

4.3 一致性技巧：如何让多个镜头里的主体保持同一个人

这是视频生成里最让人崩溃的问题：第一秒生成的是长发女郎，第三秒突然变成短发，或者上一秒还穿着红裙子，下一秒换成了蓝衣服。Seedance 2.0在人物一致性上的表现比1.0好，但依然不完全稳定。

我的对策有三个维度：

第一，在提示词中加入更具体的外貌锚点。不要只说“一个女人”，而是写“一个30岁左右的亚洲女性，齐肩黑发，右眼角下方有一颗黑色小痣，穿白色衬衫”。锚点越具体，模型在不同帧之间越不容易漂移。

第二，善用负面提示词锁样式。在负面提示词里加“年龄变化，服装变化，发型变化，面部结构变化”，这些听起来有点离谱的负面约束确实能起到稳定效果。

第三，固定机位和构图。镜头大幅度运动的时候，主体更容易出现漂移。如果你追求的是人物一致性，宁可牺牲一些运镜的炫技，用相对稳定的中景或近景机位，保证画面主体始终处于构图中心位置。

4.4 时长与转场的现实约束

Seedance 2.0目前单次生成通常支持5秒或10秒两种时长。5秒的视频相对容易控制，10秒出现的累积漂移（主体一致性逐渐丢失）概率显著上升。我的建议是：需要长镜头内容时，分成多个5秒段生成，再在剪辑软件里拼接过渡，比一次性生成10秒更稳。

转场方面，Seedance 2.0支持在提示词里写“cut to”“transition to”这类转场指令，模型会在对应位置做镜头切换或渐变处理。实测“匹配剪辑”（即前后两个镜头在构图上有相似性，使转场自然）效果最好，比如“镜头从人物眼睛特写过渡到天空中太阳的特写，两者构图位置一致”，这种转场几乎没有撕裂感。而完全无关的两个镜头硬切，模型很容易生成出画面闪烁或变形。

5. 源码之外的实操建议：搭建一套自己的提示词测试流水线

5.1 配置化管理与批量测试

不要每次都手动改提示词。提示词工程本质上是实验科学，你需要快速迭代、批量测试、记录结果。我建议搭建一条最简测试流水线，三个组件就够了：

• 提示词配置文件（JSON/YAML都可以），存放所有测试场景的基础模板与变体
• 批量调用脚本，遍历配置文件里的所有组合，自动提交生成任务
• 结果记录表，记录每次生成的提示词版本、参数值、生成结果链接和人工评分

# batch_test_example.py import json from prompt_templates import SEEDANCE_PROMPT_TEMPLATES def run_batch_test(): test_cases = [] # 为每个场景生成3个cfg_scale变体 for scene_name, template in SEEDANCE_PROMPT_TEMPLATES.items(): for cfg in [6.5, 7.5, 8.5]: test_cases.append({ "scene": scene_name, "cfg_scale": cfg, "prompt": template["prompt"], "negative_prompt": template["negative_prompt"] }) # 输出测试计划，后续循环调用生成接口即可 for case in test_cases: print(f"测试场景：{case['scene']}，cfg={case['cfg_scale']}，提示词长度={len(case['prompt'])}") # 实际测试时，把这里替换成调用生成接口的函数 # results = [generate_video_seedance(case["prompt"], case["negative_prompt"], cfg_scale=case["cfg_scale"]) for case in test_cases]

跑完一轮下来，十几条视频对比着看，什么样的提示词结构对当前模型最有效、什么参数区间效果最好，都是一目了然的。这个习惯一旦养成，你在提示词上的成长速度会远超常人。

5.2 提示词版本管理：把每次修改都当代码提交对待

我自己踩过最大的坑就是提示词没有版本管理。有一次调了一下午，终于生成了一条效果特别好的视频，但改完参数后没记录，后面怎么想都想不起来当时用的什么提示词，只能从头再试，浪费了大半天。

之后我就把提示词当成代码来管理，每条提示词变更都记录版本号、改动内容、生成效果描述。不是非要用Git仓库那么重，哪怕是一个Excel表格也够用。核心是记录下“哪个版本的提示词配合哪个cfg_scale，生成了什么效果的视频”。

推荐用像下面这样的记录格式：

这个方法看起来土，但在提示词工程这个领域比任何“玄学”都管用。提示词优化是迭代迭代再迭代的过程，没有记录就没有迭代的基礎。

5.3 用小程序或Web工具封装自己的提示词模板库

如果你不只是自己玩，还想把提示词能力分享给团队或者做个工具，可以考虑把上面这些提示词模板封装成一个小程序或Web工具。这也是热度词里“提示词设计”“提示词及应用”指向的方向：提示词模板本身是可以产品化的。

我在实际项目中就把这个Demo做成过一个内部小工具：前端是一个简单的表单页面，场景下拉选择、动作描述输入框、镜头方式选择、风格标签，后端把表单内容自动拼装成上面那套五要素结构，再调用Seedance API。团队成员不需要懂提示词，只需要选选选项，就能生成一个基础可用的视频。整个开发量不大，但团队生产力提升是肉眼可见的。

对个人开发者来说，如果你想做一个面向AI创作者的提示词工具网站，这类模板库就是很好的种子数据，配合“一键生成”“场景切换”“效果预览”这些交互，完全可以做成一个独立产品。

Seedance 2.0这类视频模型对提示词的理解能力还在快速演进，现在积累的经验可能过几个月就过时了，但“结构化表达+参数调优+版本管理”这套方法论不太会过时。方法论比具体模板值钱，这是我做AI内容工具这半年最大的体会。

本文还有配套的精品资源，点击获取