https://x.com/0xMovez/status/2104216919033192746 分析工作流

先说结论：这条工作流的关键不在于"用 AI 生成视频"，而在于让模型写出一个渲染程序，再用一圈工程闭环把程序磨成片。作者自己的原话是，prompt 只占成片的 10%，剩下 90% 是 harness（跑环境 + 自检回路）。顺带我核了一下，Opus 5.5 确实在 2026 年 9 月 22 日发布，发布当周 X 上确实刷了一波"一句话出片"的 motion graphics 展示，这篇课程是那波讨论里比较系统的一份整理。 一、底层机制：模型输出的是代码，不是 MP4 Opus 5.5 只吃文本图像、只吐文本，它没法直接给视频。所以每支片子的实体是一个 HTML 程序：里面写一个纯时间函数 draw(t) 或者 seek(t)，给定任意时刻就画出那一帧。外面用 Playwright（无头 Chromium）按 60fps 调 900 次（15 秒片），逐帧截图扔进 ffmpeg，编码成 H.264。 真正让它可维护的是确定性：不许用 setTimeout、不许在渲染模式里用 requestAnimationFrame、不许用 Math.random（要用种子噪声如 mulberry32），任何状态都不能跨帧携带。带来的好处是可跳到任意一帧单独渲染、每次重渲结果一致、改一行就是改一行，可以 diff 可以回归。 还有个细节挺有意思：作者说模型默认会自己选"零依赖路线"——一个 index.html + eval 调 seek + Playwright 截图，哪怕装了 Remotion、HyperFrames 也照样绕开。想要框架必须明说。 二、那 12 步其实是四段 第一段，装片场和立规矩。Node 22+、ffmpeg、Python（numpy/librosa 做音频分析）、Playwright。然后在项目根放一份 CLAUDE.md 当"片场公约"：渲染契约（纯时间函数、禁计时器、禁横跨帧的状态）、视觉禁令（居中标题配渐变、全部淡入、角落标签、UI 发光、通用粒子爆发都直接列入黑名单）、声音规则（默认代码合成、音效踩测量出的拍格）、以及最关键的"自检后才准给我看"。 第二段，提示词分四层递进。一句话版（"做个 15 秒 showreel，像你简历用的那样，放开干"）只用来验证管线通不通，作者也承认它测不出创意，而且大批人用同一句会撞脸。往上是品牌版：给产品 URL，要求它自己去站点抓真实截图、logo、配色字体，严禁凭想象重画 UI，再给一个五拍故事线（钩子、产品出现、三个功能瞬间、一个证明数字、logo+CTA）。再往上是参考版：给一帧截图/一支参考片/一个自家素材库，让它先用 ffmpeg 抽帧、写出 style_guide.md（取参考的语法，不取内容和角色），再写 shotlist.md，等你说 OK 才动代码。最高一层是 XML 规格版：inputs / direction / structure / build / gotchas / start，重点是逐拍状态表而不是氛围描述，像 @twoclipping 那个 90 万播放的 UI morph，核心设定就是"一个形状永不切镜"，靠尺寸、圆角、颜色在按钮→加载器→播放器→图表→命令面板之间连续变形，光标驱动每次切换，最后一帧等于第一帧形成循环。 第三段，把引擎写干净。封闭形式阻尼弹簧替代一切 easing 曲线（廉价动效是固定曲线上 A 到 B，贵的感觉是有质量、微过冲后落定）；多次换目标的数值不是重启弹簧，而是"每个变化各加一根弹簧"再叠加，这样运镜连续，也不影响任意跳帧渲染。表格指示器这种不自然的地方用前后两根不同刚度的弹簧让它拉长。运动模糊靠 ffmpeg 的 tmix 把 4 个子帧混合。 第四段，声音和自评。要么你给曲子，用 librosa 量出 BPM 和拍点写进 beats.json（状态变化踩拍、downbeat 放大的动作、peak 放音效）；要么整条音轨在代码里合成，跟画面共用同一条时间线。最后是最有价值的一环 critique loop：先只渲一张接触表（每拍一帧拼在一起）自己看，按六个维度打 1 到 10 分——前 2 秒有没有钩子、手机尺寸下读不读得出来、运动质量、变化度、品牌准确度、声音同步——然后只修最差的三项，循环到达标才做完整渲染。 三、为什么大部分人做出来都一样 因为缺参考时模型会回落到它自己的默认审美：居中文字、渐变背景、所有东西淡入。这不是模型不行，是没人告诉它不要。所以作者把这条默认审美直接写成禁令，再用"给一帧参考 + 指出你要的调性"把风格锁住。另一半就是没有反馈回路——在聊天窗口里让模型写动画，和在能跑 shell、能渲、能听、能看自己帧的 agent 里做，是两件完全不同的事。 四、边界，别混了 这条线做的是 motion graphics：展示片、产品发布片、动态海报、UI 演示。它不是真人 AI 短剧那套链路（剧本→分镜图→图生视频→配音对口型→角色一致性），短剧要靠 Veo/Kling 这类视频模型加上一致性方案，这篇里没有那些内容。另外两个提醒：一是这套配置不轻，xhigh/max effort、12 小时自主跑、订阅加 API key，省下的是外包报价（作者说他类似的片一年前花了 1000 美元以上），不是算力；二是文里"省了多少钱""多少分钟做完"都是作者自述，平台套餐价格之类变化很快，真要选型还是以官方页面为准。 五、能搬到自己项目里的三条 把生成物变成一个可重渲、可 diff、可回归的确定性程序，这一招不止视频能用——报表、图表、PDF、小游戏都吃这一套。 先出中间产物再出成品：style_guide、shotlist、逐拍状态表、接触表，都是在对齐意图，比事后返工便宜得多。 把规矩写进项目里的规则文件，而不是每轮 prompt 里重述一遍；一句话 prompt 只留给验证管线，别指望它出创意。 想深挖的话有两个方向可以接着聊：一是这套 seek(t) 引擎的最小可用版本怎么在你自己的项目里落地（比如做数据可视化动图），二是短剧那条链路的角色一致性和成本结构到底卡在哪。你说哪个。