写给做 AI 多模态 / Agent / 毕设项目的同学：这是一篇工程复盘，讲我怎么从「一个分镜三张图、成本翻三倍」这条生成记录里，把图层拆分规则和导演风格这两件事重新设计了一遍。文末开放开源项目，我可以全程带大家找方向、捋思路、给落地方案。

前几天翻生成记录，看到一个数字有点刺眼。

一个分镜，本来一张配图就够了。

AI 给了三张。

一张是人物，一张是摊开的笔记本，一张是咖啡杯。三张图各调一次生图接口，还各做了一次抠图。成本翻了三倍。

更离谱的是另一个分镜。它干脆没生图，用二十三个形状图层，把一个人硬拼了出来。头发一个椭圆，左右眼各一个椭圆，嘴巴一个椭圆，再铺几根横条当代码行。

能跑。但不好看。

我盯着这两条记录想了挺久。这不是 AI 笨，是我没把规则写清楚。


一、先说我在做什么

我在做一个叫 canvas-director 的项目。

一句话：让 LLM 能编程的短视频创作。

现在的短视频工具大概分两类。一类是剪映这种，功能很强，但得你自己一帧一帧拖。另一类是一句话生成整片，很爽，但生成完是个黑箱，你想改一个字都不行。

我想做中间那一层。

画面是一个网页，画布 854×480。每一幕是一组图层——文字、图片、形状，各自带坐标、字号、颜色、动效。

这些图层是一份 JSON，人能读、能改、能 diff，也能让 LLM 直接写。

写完交给浏览器渲染成视频。

整条管线长这样：

口播文案 + 配音 → LLM 切分镜（每幕一句旁白 + 画面描述）→ 导演稿（定全局配色、字体、风格、版式）→ 资产生成（贴图、图标）→ 装配（坐标、字号、动效）→ 浏览器渲染成视频

好处是：LLM 干它擅长的（规划、措辞、排列），浏览器干它擅长的（确定性渲染）。同一份 JSON 跑一百次，结果一模一样。

不是抽卡，是工程。

二、已经做完的部分

拿到口播文案和配音，先切分镜。然后是装配，装配被我拆成了三段：

阶段 LLM 干什么 人干什么
导演稿 定全局：配色、字体、风格、每幕版式 定调性，看叙事顺不顺
资产 按清单生成贴图、图标 挑图、换图
装配 出坐标、字号、动效 最后审美把关

导演稿这一步我觉得挺关键。

以前是让 LLM 一步到位出图层 JSON，结果它一边想叙事一边想坐标，两头都顾不上。拆开之后，先立全局视觉系统，再逐幕落地，画面的一致性好了不少。

编辑器也做完了。左边分镜列表，中间画布，右边属性面板。图层能拖能缩放能旋转，文字能就地改，动效有独立的编辑入口。

跑通了，能出片。

但就是开头那个问题——成本控制不住。

三、问题出在哪

我把提示词翻出来看了一遍。

问题在装配那一段。原文里写着这么一句：

允许并鼓励使用 image 图层。

「鼓励」这两个字，是我写的。

当时的想法很朴素：多给点图，画面丰富一点。我没写一个字去限制图片数量。

LLM 很听话。它把一段画面描述，拆成了主体、道具、点缀，一个元素一张图。

我又去翻导演稿的提示词。那边写着「每幕 1\~3 个资产」。

又是一个没写上限的规则。

两个提示词叠在一起，结果是：十幕的片子，能生出二三十张图。每一张都是真金白银。

四、第一件事：拆图的判据是什么

我先想清楚一个问题——到底什么时候该拆？

一开始我以为答案是「画面丰富就拆」。后来发现不对。

真正决定能不能拆的，是动效。

一个图层，只能挂一套动效参数。它要么一起淡入，要么一起滑入。你想要标题先出、配图后滑进来、右上角的齿轮一直转着——这是三套动效，就必须是三个图层。

反过来，如果这几个元素是同进同出、待在那儿不动的，那它们合成一张图，画面反而更连贯。

所以规则其实就一句话：

这个元素，需不需要在时间轴上独立出场？

需要，才拆。不需要，就合成一张。

顺带我也把老问题一起解决了：文字，永远不交给图片。

让生图模型写中文字，出来通常是糊的。标题、要点、金句、数字，一律用文字图层——能描边、能渐变、能逐字出现，还清晰。

写进提示词的时候，我还加了一句成本说明。

因为 LLM 不知道一次生图多少钱。它得知道「每多一个图层就多一次调用」，才有动机去合并。

这条看着像废话。但只要不写，它就会很慷慨地给你拆。

这里要先打个预防针：这一切都还是 提示词层面的软约束。LLM 大体上会听，但不会每次都听。真要卡死成本，后面还得在校验环节加一道硬上限，比如超过两张就直接砍掉多余的图层。这一步我暂时没做，想先看看 PPT 风格实际跑出来什么样。

五、第二件事：给这套东西起名字

规则有了，接下来要落地成可选项。

我一开始想叫 style_preset，风格预设，听起来挺通用。

后来放弃了。因为在这个项目里，「风格」这个词已经被用了三次：

- 项目表上有个 style 字段，存画风关键词，比如「扁平插画、暖色调」

- 请求参数里有个 style_keywords，是这次生成要注入的画风词

- 还有个服务叫 style_prompt_service，把中文画风词翻成英文的生图正负向词

现在再加一个「选哪套提示词模板」的东西，如果也叫 style 系，三个月后我自己都分不清谁是谁。

所以最后定成了director_style，导演风格。

理由两个。一个是界面上按钮就叫「导演风格」，代码和界面用同一个词，不容易走偏。另一个是项目里已经有一堆 director 的东西了——导演稿、canvas_director.json、make_director。多一个 director_style，读起来是连贯的，不是凭空冒出来一个词。

顺便说清一件事：这个字段，和画风关键词是两回事。

画风关键词管「画面长什么样」，导演风格管「用哪套创作提示词」。

一个是内容参数，一个是模板选择。

我把它的值域做成了枚举。目前两个值：illustration（插画故事板）和 ppt（PPT 简报）。从取值上就和自由文本的画风词天然分开了，不会有人填错。

六、第三件事：风格存在哪

这条我觉得最值得说。

弹窗选完风格，这个选择要跟着项目一直走下去。因为后面还有一堆地方要用到它：单幕重新生成图层的时候、整片智能装配的时候、复制提示词拿去外部 AI 用的时候。

最容易踩的坑是：每次调用都传一遍参数。

传参的问题在于它会断。哪个接口忘了传，那一幕就用了默认风格，前后不一致。用户看到的是「怎么这一页跟别的不一样」，你却很难定位到底哪儿漏传了。

所以我没传参。

我把它写进了分镜文件里。选了「PPT 简报」，就落进 canvas_storyboard.json 的 director_style 字段。后面所有环节，谁需要就自己去读。

只有一个真源，没有第二个地方能改它。风格想漂也漂不了。

老项目的数据里没有这个字段。这种情况代码自动回落到默认的插画风格，不报错。

七、剩下的工程细节，一段话带过

剩下几块我就不展开了，列一下核心工程决策，感兴趣的同学可以对号入座：

- 交互时机：不在表单里塞选项，改成点【生成】时弹窗选择双风格卡片。生成后分镜面板标注当前风格，支持后期切换，同时弹窗风险提醒，保证画面叙事统一。

- 版式原型：复用原有八大版式，新增「要点条列页」「章节过渡页」两类 PPT 常用版式，统一存入全局版式字典，无需单独适配两套校验逻辑，兼容性更强。

- 落地形态：后端通过 DIRECTOR_STYLES 注册表统一管理风格配置，包含名称、说明、多阶段提示词、默认版式，前端接口拉取配置，异常场景内置兜底方案，模板缺失自动回落默认风格并告警，避免服务报错。

- 向后兼容：无 director_style 字段的老旧项目数据，自动适配默认风格，存量项目不受迭代影响，稳定性拉满。

八、为什么第一个新风格选 PPT 简报

做新风格的时候，可以选的方向挺多——手绘水彩、3D 卡通风、黑板粉笔、国风。我第一个选了 PPT 简报。

原因很实际。

这个工具主要用在教培和知识类内容上。这类内容的画面，很多时候就是「一页讲清一个点」，标题加几条要点，最多来个数字或流程。这些内容压根不需要一幅大插画。

而「以文字为主、配图为辅」恰好也是 成本最低 的形态。

PPT 风格的资产，优先让 LLM 直接写 SVG 图标——不用调生图接口，一分钱不花，风格还统一。整幕可以一张配图都没有，就靠文字、色块和几根分隔线排版。

同样是十幕的片子，插画风格可能要二十几张图，PPT 风格可能两三张就够，甚至零张。

而且它把我那条拆图规则用到了极致：不需要独立动效的元素，交给文字和色块。图片只在真的需要点缀的时候才出场。

内容对得上，成本又压得住。所以先做它。

九、验证到什么程度

没做完整的 A/B 对比。我做的验证是这些：

- 后端四个改动文件，语法检查全过

- 单独写了个小脚本，把注册表、风格名容错、三个阶段的模板解析、默认版式原型都跑了一遍

- 前端类型检查，我改的那个文件零报错

- 接口层面：风格清单接口返回正常；带新参数调生成接口能正确走到参数校验；老项目数据读出来不报错

- 成本侧：拿同一个文案跑两种风格的 token 预估，PPT 的模板更长，输入 token 确实上去了（导演稿 1919 变 1972，单幕装配 2375 变 2630）

最后那条其实是在确认一件事：模板真的按风格切了，而不是两个风格偷偷用了同一份提示词。

没验证的部分我也说清楚：生图成本的真实节省数字还没跑出来，现在只有 token 维度的对比；图层数量上限的硬校验也还没加。这两件事都在 backlog 上。

十、开源开放，我带大家深耕落地

写这篇的时候我有个感觉，这套东西的价值可能不在「生成」，在「规则」。

模型的能力其实是够用的。真正决定出片质量、决定成本高低的，是你有没有把约束讲清楚。

一个「鼓励」写下去，成本翻三倍。一条「是否需要独立动效」讲明白，成本和画面一起变好。

这类规则我还在一条一条补。

canvas-director 主打开放可编辑的视频管线与标准化格式。

我定义了 Canvas Video Format，将短视频标准化为可读、可改、可迭代的 JSON 图层结构，配套独立可部署的浏览器渲染器，所有人都可以直接克隆、运行、二次开发。项目采用 MIT 开源协议，完整格式文档、渲染器代码、示例案例全部公开。

针对想入局多模态、AI 视频方向的本科生、研究生，我可以全程 提供方向、梳理思路、输出落地方案，带你从零落地完整项目，适配毕设、科创项目、科研论文、工程实战等不同场景。

目前可深耕的核心方向非常清晰：

- 渲染器封装：打包独立可部署的前端播放器，完善工程化能力（当前最高优先级）

- 格式体系优化：迭代图层结构、动效模型、时间轴规则，完善标准化设计

-场景测试迭代：适配多类型文案、多风格画面，打磨管线稳定性

- 科研论文合作：基于整套工程体系，可落地论文研究方向，全程指导思路与方案

- 实战体验优化：上手试用项目，反馈使用问题，我针对性优化迭代

这次的拆图规则优化，就是从真实工程问题中迭代出来的。真正落地实操，才能发现行业通用的痛点与优化点。

如果你也在做 AI 视频、多模态生成相关项目，欢迎交流。我可以帮你定位项目痛点、优化技术方案、梳理迭代方向。

也想问问大家：你做 AI 视频开发时，遇到的成本失控问题是什么？是资产生成冗余、反复重试损耗，还是微小改动就要整片重跑？评论区聊聊。

附：文中数据来源

- 三张图的案例，出自本机项目 output/2026-09-21/canvas_25/ 的生成记录

- 成本与 token 对比数据，见 doc/hist/20260921-canvas视频导演风格与PPT简报提示词-工作总结.md