Claude Code + Codex + Seedance AI视频全流程（二）：从零构思好故事，让AI写出能拍、好看、不翻车的剧本

许多 AI 视频创作者在起步时常犯一个严重错误：直接把自己脑海中天马行空的脑洞或一段小说文本丢给 AI，让它“随便生成”。结果往往是视频模型生成出的画面逻辑混乱、动作荒诞、人物道具凭空消失或融化。

要做出一支高完成度的 AI 视频，剧本不是写给读者看的，而是写给视频生成模型看的技术图纸。

在上一篇《多模型协同架构与“把错误挡在花钱之前”的省钱工作流》中，我们明确了降本第一原则：文字里能发现的错，绝不留到图上；图上能发现的错，绝不留到视频上。

本篇将深入剖析：如何把一个初始念头转化为高质量的逐镜头故事剧本？什么样的故事结构才适合 AI 模型拍？如何用一个独立的“挑错 Agent”破除大模型的自恋脑补？

一、合格 AI 视频故事的 5 大黄金标准

AI 视频模型（如 Seedance、Runway、Sora、Kling）本质上是基于时空潜空间插值的概率扩散模型，它们对复杂抽象因果链和高精细空间拓扑结构非常脆弱。一个合格的 AI 视频故事，必须严格满足以下 5 条物理与戏剧法则：

1. 符合现实物理逻辑与因果闭环

剧本初稿出来后，每一个情节转折都要按现实生活经验连环追问：

• “为什么会这样？”（因果是否突兀？）
• “东西从哪来的？”（道具是否有出现来源，还是凭空冒出？）
• “角色够得着吗？”（空间距离与手臂长度是否合理？）
• “现实里人真会这么做吗？”

典型翻车案例：主角正在客厅中央，下一秒手里突然端着一杯冒着热气的咖啡喝了起来。人类观众知道他是去厨房倒的，但视频模型不知道！视频模型会直接让咖啡杯从主角胸口“生长”出来。动作所依赖的道具，必须在故事中提前埋设物理轨迹。

2. 能够用一句话说清核心立意

在剧本定稿前，先问自己：“这支片子到底想表达什么？” 如果创作者自己都必须啰嗦解释两分钟才能讲清，那这个故事大概率主题散乱、情节拖沓。把这句话作为整个短片的北极星指标；说不出来，说明剧本还需要继续精简打磨。

3. 开头 3 秒必须建立视觉钩子（Visual Hook）

现代短视频与视听内容的黄金法则是：观众在 3 到 5 秒内就会决定划走还是继续看。 最抓人眼球的画面、最反常的悬念、或者最强烈的视听对比必须前置在第 1 到第 3 秒，并在剧本逐秒规划中明确写出“第几秒发生什么”。

4. 旁人的反应要像真人（三段式与时差设计）

AI 生成群戏最容易露馅的破绽就是“假人感”——当主角做了一个惊人举动时，背景里的四个人在同一秒、以同一个速度整齐划一地转头或鼓掌。现实中根本不存在绝对同步的人类反应！

为此，剧本中所有的包袱与转折必须拆解为三段式：

1. 触发问题（例如：主角不小心把盘子摔碎）；
2. 主角的即时应对（例如：主角慌张试图伸手去接）；
3. 周围人的阶梯式反应（例如：老父亲先是愣了一秒，随后愤怒皱眉；右侧小女孩过了两秒才被吓得后缩；左侧店员最后才转过头）。

细节真实感法则：真人受到惊吓时，肌肉生理反应是身体重心后缩、肩膀微耸，而不是单纯的面部表情变化。在剧本中把微动作写死，模型生成的生动度会提升一个数量级。

5. 剧情设计必须让 AI 拍得出来（9 大避坑禁区）

在构思阶段，就必须主动把当前 AI 视频模型的核心弱点全部绕开：

二、结构抉择：为什么首选“片段式”而非“连贯式”？

在短片结构设计上，有两个流派：

• 连贯式剧情（Continuous Flow）：一个长剧情一镜到底或严格镜头接续（上一镜手举起，下一镜手落下）。这对 AI 视频模型来说是地狱级难度，稍有服装细节微差、光线不连贯就会严重穿帮。
• 片段式/蒙太奇结构（Episodic / Montage）：这是 AI 视频最稳、抽卡率最低的结构！ 每一个分镜都是一个相对独立的场景切片或视点转换（例如：书桌前沉思 -> 走廊上奔跑 -> 雨夜仰望钟楼）。每个镜头之间不需要肉身动作的物理级无缝衔接，依靠叙事内核与音乐节拍穿透全片。

配歌技巧：如果计划搭配音乐，在剧本阶段就要将故事最大的转折点严格对应在原曲的**副歌（Chorus）起始点，关键顿挫动作严格卡在重拍（Downbeat）**上。

三、从想法到故事：总导演剧本创作提示词

准备好你的初步想法（哪怕只有一两句话），在 Claude Code 终端中执行以下提示词：

我想做的片子：[一句话，或者我的初步想法与粗略剧情]。
片长：[X 秒]。
配歌：[歌名、时长、BPM；不配歌就直接删掉此行]。
参考片：[有就提供参考链接或特征；没有就删掉]。

先帮我把这个想法完善成一个完整的故事。有不清楚或细节模糊的地方就主动向我提问，我们一起聊，等我明确确认了再往下写。

故事结构首选片段式，因为每个镜头之间都不用接戏，成片最稳。连贯式最容易穿帮，除非我明确要求，否则不要使用。

故事确定以后，展开成逐镜头的故事，严格满足下面 5 条要求：
1. 符合现实逻辑。每个转折都按现实经验追问一遍：为什么会这样？东西从哪来？够得着吗？现实里真会这样吗？
2. 能用一句话说清想表达什么。先把这句话写在最上方，如果说不出来就说明故事还要继续推敲。
3. 开头就要抓人。最抓眼球的画面放在最前面，写清楚第几秒出现什么关键画面。
4. 旁人的反应要像真人。每个包袱或者转折都分 3 段写：问题 → 主角怎么解决 → 旁人什么反应。反应要有先后时差，不能几个人在同一秒做同一个动作。细节也要符合生理本能，例如人吃惊时身体重心会往后缩。
5. 要让 AI 拍得出来。主动避开这些弱点：人物身体交叉、手拿小东西、文字、镜子和倒影、左右不对称特征、单镜头内剧烈换光、单人连做三个复杂动作、俯拍完全看不到脸、配角群演过多。

如果配歌，转折对副歌，关键动作对重拍。

四、破解模型自恋：独立审核 Agent 机制

当主 Agent（你的总导演 Claude）跟你深入聊了十几轮剧本后，它会产生严重的问题：认知惯性与自恋脑补。

因为它知道你想表达什么，它在阅读剧本时会自动跳过逻辑漏洞，默认观众也全明白。

为了解决这个问题，必须新开一个完全孤立的子 Agent 进行盲审（Double Blind Review）！ 在 Claude Code 中直接下达指令：“新开一个 Agent 来审这个定稿故事”。记住原则：只给它看定稿故事文本，不要给任何先前的聊天背景和结论。

sequenceDiagram
    autonumber
    actor Creator as 人类制片人
    participant Director as Claude 主 Agent (总导演)
    participant Reviewer as 独立审核 Agent (冷眼挑错者)

    Creator->>Director: 输入初始想法 & 讨论修改
    Director->>Director: 输出定稿逐镜头剧本草案
    Director->>Reviewer: 派生隔离子会话，仅喂入剧本正文
    Note over Reviewer: 无上下文记忆<br/>模拟首次看片的苛刻观众
    Reviewer->>Reviewer: 逐镜逻辑追问 & AI模型弱点排查
    Reviewer-->>Director: 输出挑错清单 (问题 / 风险等级 / 修复建议)
    Director->>Creator: 汇总修改建议并请求人类确认
    Creator->>Director: 批准修改，剧本正式定稿

独立剧本审核 Agent 提示词

这是一支短片的逐镜头故事。你是第一次看到这份剧本，你只负责挑错，绝不自行修改原文件。

按以下清单逐条审查，请保持极度挑剔的视角：
1. 只按镜头顺序阅读，先用三句话复述你看懂的故事大意。
2. 按顺序严格追问每个剧情转折：为什么会这样？东西从哪来的？主角够得着吗？现实里真会这样发生吗？
3. 能用一句话说清这份剧本想表达什么吗？
4. 开头足够抓人吗？最吸睛的悬念画面是否真正放在了前 3 秒？
5. 旁人的反应像真人吗？有没有设计动作时间先后差？
6. 哪些镜头涉嫌触碰 AI 视频模型的致命弱点？（排查：人物交叉、手拿细小物件、文字、镜子/水面折射、不对称特征、单镜头换光、单人多重复合动作、俯拍无脸、背景路人过多）。

输出格式：
对发现的每个问题列出：[镜头号] + [问题描述] + [建议改法]。
如果只是存疑没有百分之百把握，注明“可能”。
在最后必须明确给出结论：【通过】或【不通过】。

只有当独立审核 Agent 给出明确的“通过”结论后，剧本才算真正定稿。此时，你已经将 90% 的剧情穿帮隐患扼杀在了 0 成本的文字阶段！

本系列后续进阶目录

• （一）多模型协同架构与“把错误挡在花钱之前”的省钱工作流
• （二）从零构思好故事：让 AI 写出能拍、好看、不翻车的剧本（当前篇）
• （三）分镜设计与镜头语言：构图、运镜与配色的专业实操秘诀
• （四）定画风、画设定图与首尾帧控制：彻底击破角色一致性难题
• （五）七段式视频提示词工程与 Seedance 大模型 18 种翻车避坑指南
• （六）Python/ffmpeg 自动化后期与四线程 Agent 无人值守系统