AI 影片真正的分水嶺：從 Prompt 到專家 Skill 的製片工作流

- AI 影視的關鍵不只是模型，而是能反覆執行的專業工作流。 -

AI 影視最近兩個案例，指向同一件事

AI 影片最近有兩件事，我覺得值得放在一起看。

第一件，是 Higgsfield 公開了 95 分鐘 AI 長片《HELL GRIND》的製作專案，讓外界能查看影片背後的提示詞與製作素材。Higgsfield 官方專案頁

第二件，是我看到一位漫劇創作者在抖音談劇本創作與進階 Skill；他也公開了一套把編劇、角色與場景資產、分鏡、提示詞和品質檢查串起來的工作流程。抖音影片｜公開的漫劇製作 Skill

乍看之下，這是兩種不同的 AI 影片案例。但放在一起，我看到的是同一個轉變：AI 影視真正的分水嶺，可能已不只是模型，而是「工作流」。

我把這種變化濃縮成一句有點殘酷的話：「學得慢的，直接不用學了。」不是專業不重要，而是有些人不必再從空白頁開始，把流程每一步都重新摸索一次；他們可以先安裝一套專家整理好的 Skill，再把時間用在判斷和修正上。

以前學 AI 影片，我們常常是在學怎麼抽卡

人物不像？改 Prompt。場景跑掉？再補幾句。角色換個角度就變了樣？重抽。運鏡不對？繼續試。

所以過去一段時間，大家忙著學提示詞、運鏡術語和模型參數。但模型、介面與生成能力一直在變，今天摸熟的技巧，下一次更新後可能就被新的功能或工作方式取代。

反覆試生成並沒有消失，只是單靠「再改幾個字、再抽一次」很難穩定地做完一支片。更值得整理的，是故事如何拆解、角色和場景如何管理、鏡頭如何判斷，以及什麼結果可以留下。

專家的方法，開始被封裝成 Skill

以小說改編成短劇為例，完整工作不只有「寫一段好 Prompt」。它可能包括故事分析、劇本結構、節奏與 Hook、角色設定、場景和道具資產、分鏡規劃、生成提示，以及逐步檢查成品。

這些步驟可以整理成一套 Skill：明確說明何時使用、要收哪些輸入、依什麼規則執行、要輸出什麼，以及在哪些地方停下來檢查。AI Agent 便能按照這套流程做事，而不是每次都靠使用者在聊天視窗重講一遍。

公開的漫劇 Skill 範例，就把製作拆成劇本、台詞診斷、資產鎖定、分鏡、提示詞渲染和獨立質檢等階段。這不是保證任何人安裝後都能做出熱門作品；它展示的是，原本藏在熟手腦中的步驟，開始能以結構化方法傳給 AI 執行。

一條可理解的製作管線大致會是：

1
2
3
4
5
6
7
8
9
10
11

小說／故事
  ↓
編劇 Skill
  ↓
角色與場景 Asset
  ↓
Storyboard Skill
  ↓
大量生成與品質檢查
  ↓
剪輯與輸出

這和我先前寫過的從提示詞到 Skill：打造高效率 AI 工作流有相同的底層觀念：把反覆重講的規則、固定格式、機械式步驟和修正經驗拆開，整理成可以重複使用的模組。

為什麼 Asset 會比一段角色 Prompt 更可靠？

Higgsfield 公開《HELL GRIND》的專案素材，讓大家看到長片製作不只是每一鏡各寫一段描述。角色、場景、服裝、道具與不同狀態，都可以先整理成可重複引用的 Asset。

角色不是只有一張「長相描述」。製作時可能需要正常、淋濕、受傷或換裝等不同狀態；場景也不只是一段文字，還可能需要固定的空間關係、光線和可用角度。先把這些資料整理起來，之後做新鏡頭就不必每次從頭解釋整個世界。

這不代表模型從此不會漂移。Asset 的價值是提供更穩定的參照、減少重複整理，讓團隊更容易定位問題和重新生成；最後仍然需要有人檢查角色、場景和鏡頭是否接得起來。

《HELL GRIND》提醒我們：沒有告別抽卡，只是把抽卡工程化

《HELL GRIND》的製作數字，讓我更確定這點。Screen Daily 報導引述製作方資料指出，前 25 分鐘用了 16,181 次影片生成，最後選出 253 個鏡頭，約是每個入選鏡頭對應數十次生成的量級。Screen Daily 報導

這是單一製作案例的數字，不是每部 AI 影片都適用的固定比例。但它清楚提醒我們：AI 影片不是按一次生成，就會自動得到可用成片。生成失敗並不可怕；更重要的是流程能不能記錄素材、比較版本、辨認問題，並只重跑需要修正的鏡頭。

於是製作方式從：

1

人 → Prompt → 抽卡 → 不滿意 → 重抽

逐漸往這種工作流靠近：

1
2
3
4
5
6
7
8
9
10
11

Story Bible
  ↓
Character Bible 與場景 Asset
  ↓
Storyboard 與 Shot 規格
  ↓
多輪生成
  ↓
人工／AI 輔助 QC
  ↓
挑選、重跑與剪輯

抽卡仍然存在，只是它不再只是隨手試運氣，而是被納入一套可追蹤、可重跑、可檢查的製作管線。

未來稀缺的，可能是把專業整理成系統的人

未來真正厲害的人，不一定是 Prompt 寫得最長的人，而是最會把專業拆成可執行步驟的人。

導演知道鏡頭怎麼服務情緒；編劇知道衝突和節奏如何推進；攝影師知道光線、構圖和視角如何影響觀感；剪輯師知道什麼時候該留下、什麼時候觀眾會離開。這些專業判斷，才是建立 Skill 時最有價值的內容。

一套可用的 Skill，也不只是把 Prompt 改個名字。它通常還需要清楚的輸入與輸出、可重用的素材、檢查標準、失敗時的處理方式，以及必要的人工作業關卡。少了這些，Agent 只會更快速地重複同一種錯誤。

如果想把 AI 影片流程往更完整的製作系統延伸，也可以參考我整理的用 Codex 打造 AI 影片工廠。而在生成能力普及、產量快速增加之後，為什麼「會生成影片」本身可能不再稀缺，也可延伸閱讀生成影片普及後，真正稀缺的是什麼。

學 AI，不如開始把自己會的東西教給 AI

Prompt 的寫法會變，模型也會更新；但故事怎麼拆、角色怎麼管理、畫面怎麼判斷、什麼內容值得留下，仍然是專業的一部分。

所以現在學 AI，我不會只叫大家背更多提示詞。我更想問：哪些判斷你每天都在重複？哪些規則每次都要重新交代？哪些錯誤其實可以用檢查表提早抓到？

把這些經驗整理起來，先讓 AI 照流程執行，再由你把關品質。以前我們學會使用 AI；下一個階段，或許是把自己會的事情整理成 Skill，教會 AI 如何一起完成工作。

當越來越多人的專業被封裝成 Skill，真正的競爭才正要開始。

常見問答 (FAQ)

Q1：AI 影片製作中的 Skill 是什麼？

Skill 是一套可由 AI Agent 依循的任務規則與流程，通常會定義使用時機、輸入資料、執行步驟、輸出格式和檢查標準。它能減少每次重講流程，但不保證生成結果一定正確或符合品質要求。

Q2：有了 Skill，就不用學 Prompt 或專業知識了嗎？

不是。Skill 可以把重複的操作規則整理起來，但使用者仍要提供目標與背景，並運用故事、影像、節奏和品質判斷來驗收結果。減少的是每次從零描述流程，不是專業判斷本身。

Q3：為什麼角色與場景要先整理成 Asset？

把角色、場景、服裝、道具和狀態整理成可重複引用的 Asset，有助於維持不同鏡頭的參照一致，也讓團隊更容易找出需要修正的素材。模型仍可能產生偏差，因此 Asset 不能取代逐鏡檢查。

Q4：《HELL GRIND》的生成次數代表每個 AI 鏡頭都要生成 64 次嗎？

不代表。製作方提供給媒體的數字是《HELL GRIND》前 25 分鐘用了 16,181 次影片生成，選出 253 個鏡頭，約為 64 次生成對應一個入選鏡頭的整體比值；這是該片的製作案例，不是普遍標準。

Q5：要怎麼開始把自己的專業整理成 Skill？

先挑一個反覆執行、容易出錯的工作，記錄必要輸入、每一步的判斷規則、預期輸出和驗收條件；再把可重用的角色／場景／素材與檢查表整理好，讓 AI 先依流程執行，並在關鍵步驟保留人工審核。