反推 AI 视频提示词完整指南：用 Gemini 视频理解从视频逆向拆解生成提示词

这篇文章写给已经在用 Runway、可灵、Pika、Veo 或同类工具的人。这里说的“反推提示词”，更接近逆向拆镜：从成片里把主体、动作、镜头、声音、空间关系和速度感重新捞出来，同时把该留白的地方留出来。

Gemini 能同时读视频帧、音频和时间戳，再配合强约束提示词或结构化输出，把证据层和改写层拆开。最后留下的，最好是一份能喂回视频模型、能复盘、能存档、还能继续改的中间稿，而不是一大段看上去很专业的说明文字。

下面的方法基于 Google 官方视频理解、Files API、上下文缓存、媒体分辨率、结构化输出、提示工程文档，以及社区流传很广的 HYPER-GRANULAR VIDEO ANALYSIS 模板。模型名字、AI Studio 界面、费率和配额会继续变，但“先观察、再重组、最后验收”的工作流不会变。若你打算把它用于他人作品的商业复刻，版权、商标、肖像权和平台条款仍要单独判断。

先记这 3 条：

• 先把视频拆成证据，再写 prompt，不要反过来。
• unknowns 必须留着，不要把猜测装成参数。
• 验收看第二次生成出来的视频，不看分析稿写得多漂亮。

1. 学习目标

下面几件事读完应该能上手：

• 判断一段视频适不适合做反推，避免一上来就整段上传碰运气。
• 说清“可用反推”和“原文还原”的区别，别把目标设错。
• 用 Gemini 把视频拆成时间块、字段和 unknowns，而不是一段笼统总结。
• 根据素材长度、复用频次、动作密度选择 AI Studio、内嵌视频、Files API、上下文缓存和自定义 FPS。
• 把分析稿重写成一条长 prompt、一条短 prompt 和一份 shot list。
• 用一套可复查的验收表判断偏差出在主体、动作、镜头还是节奏。
• 把一次反推沉淀成字段资产，而不是散落在聊天记录里的灵感碎片。

2. Gemini 适合做的是“可用反推”，不是“原文还原”

第一次上手最容易错的，就是把目标设成“还原原文”。可视频只是结果层，不是生产日志。你看到的是成片，不是当时的完整创作过程，所以它更适合帮你找回一组高概率生成条件，而不是唯一答案。

更实际的目标，是拿回一份可复用的生成条件清单。它足够接近，也留得出修改空间，能让你第二次生成时沿着正确方向收敛，这就已经有用了。

3. 一条 8 秒视频怎么被拆回 prompt

假设你手里有一段 8 秒竖屏 AI 视频：夜晚雨巷里，一个穿银灰夹克的年轻女人向前奔跑，中途快速回头，镜头有明显手持微颤，地面有霓虹反光，音轨里能听见急促呼吸和远处轮胎碾过积水的声音。

真做下来，不用十几轮提示，先把流程压成下面这 4 步就够了：

如果 Gemini 的观察稿里出现这些信息：

那它被重写成 prompt 后，大致会长成这样：

Vertical smartphone footage of a young woman in a silver-gray jacket running through a rain-soaked neon alley at night, handheld with subtle natural micro-shake, wet reflections on the pavement, she glances back mid-stride, slight autofocus breathing during the turn, urgent pace, realistic motion physics, layered ambient audio with breath and distant tire hiss, cinematic but grounded.

如果目标平台更偏好短 prompt，再压成一条硬字段版：

young woman in silver-gray jacket running through a neon rain alley at night, vertical handheld smartphone shot, subtle micro-shake, glance back mid-run, autofocus breathing, wet reflections, realistic motion physics, urgent urban ambience

这两个版本都不是“原文还原”，但已经足够支持下一次生成。要的是这种能继续试、能继续改的逼近，不是文字考古。

4. 这条链路为什么能跑通

最后能不能像，往往取决于中间这两层有没有拆开：

1. 先把视频拆成结构化证据，避免模型自由发挥式总结。
2. 再把结构化证据改写成生成语言，避免你把整段分析稿原样塞进另一个视频模型。

很多返工都出在这两层没拆开。观察、推断、修辞、平台适配写成一锅，下一轮就不知道该改哪里。

5. 把入口、模型和采样先选对

很多教程一上来就盯着某个模型名。实际做反推时，型号的重要性通常排在任务设计后面。官方视频理解页给得更直接：所有 Gemini 模型都支持视频剪辑和自定义 FPS，但 2.5 系列在这类视频处理上的质量明显更高；与此同时，当前模型列表已经进入 3.x / 3.5 时代。与其死背教程标题里的型号，不如把模型当成执行层，用同一条工作流去比较当前可用的档位。

5.1 先定输入通道

不同入口解决的是不同问题。手工诊断、重复追问、长视频复用、高动作精查，别混着做。

这里有一个容易把人看懵的官方细节：视频理解页在“上传视频文件”一段强调总请求体超过 20 MB、视频较长或要复用时应使用 Files API；同页的输入方式总览又把内嵌数据写成小文件 <100 MB 的入口。别在这个边界上抬杠。工程上只要你满足下面任一条件，就直接切 Files API：

• 你准备围着同一条视频问两轮以上。
• 视频开始逼近长片段或接近 1 分钟。
• 请求体已经不再是“随手试一下”的量级。
• 你后面还要缓存、分段、做结构化输出或沉淀资产。

5.2 先选片段，再谈模型

第一次反推，别拿整条长片开刀。先找一个信息密度高、镜头意图单一的短片段。经验上最稳的是下面这种：

• 一个主要主体
• 一个主要动作意图
• 一个相对明确的镜头运动
• 不超过一个核心节奏变化

广告成片、混剪短片、多镜头 montage 不适合第一轮就整段喂进去。先拆片段，再做反推。

5.3 默认 1 FPS 是起点，不是答案

官方视频理解文档写得很明白：Gemini 默认按 1 FPS 抽取视频帧。对多数中低运动内容够用，但它会漏掉快动作、快切和高速镜头细节。你如果总觉得“差一口气”，先别急着怪 prompt，先怀疑采样粒度。

如果你只在 AI Studio 里操作，看不到这些参数，也没关系。最直接的替代方法只有两个：把视频切短，把问题收窄。

5.4 预算别靠感觉，要看 media_resolution

官方文档给了两组很有用的数字：

• 视频理解页把默认媒体分辨率的视频估成大约 300 tokens/秒，低媒体分辨率大约 100 tokens/秒，音频约 32 tokens/秒。
• 媒体分辨率页把视频视觉帧的预算写成同一量级：Gemini 3 中，视频 LOW / MEDIUM 约 70 token/帧，HIGH 约 280 token/帧。

这两份文档的口径不同，一个在讲“每秒总成本”，一个在讲“每帧视觉预算”，但它们都在提醒同一件事：别把整条长视频一路高精度硬跑到底。先低配扫轮廓，再把预算花在真正有问题的局部。

对于视频反推，大多数时候你不需要全程高分辨率。只有当你要读画面内密集文本，或者你确定差异出在极细小的帧内视觉信号时，再把 HIGH 打开。

6. 强系统提示词为什么有效，但别把它当咒语

Pastebin 上那份 HYPER-GRANULAR VIDEO ANALYSIS 模板之所以有用，不在于它用了多少夸张形容词，而在于它把官方多模态提示原则落得很硬：指令具体、任务拆分、输出格式固定、必要时先描述媒体再推理。

与其整段照搬，不如保住它抓住的 5 个字段：

其中最影响复现质量的一条，是“把镜头当成角色”。很多反推结果只写主体和场景，最后生成出来像内容，不像拍法。手持微颤、延迟跟拍、对焦呼吸、突然上扬的追拍，这些都不是装饰，而是视频生成里的硬信息。

7. 把工作流拆成 3 段来做

拆开以后，整条链路会稳很多。

7.1 第一轮只做观察，不急着要 prompt

第一轮先别急着要 prompt，先确认模型有没有把视频看对。提示结构可以长这样：

Analyze this clip as production notes for a video-generation team.
Return chronological blocks with timestamps.
For each block, include:
- visual framing
- subjects
- action and movement physics
- camera dynamics
- audio and pacing

Then add:
- reusable building blocks
- unknowns

Do not use IP names, actor identities, brand assumptions, or unsupported generation settings.
Only describe what is visible or audible in the clip.

这一轮里，unknowns 这一栏别省。它就是拿来拦住那些看起来专业、其实没证据的参数。

7.2 第二轮优先拿结构化中间层

Markdown 观察稿适合人眼复查，结构化中间层适合比较、存档和程序处理。最简单的做法，是让模型返回 JSON：

Return valid JSON only.
Schema:
{
    "clip_summary": "string",
    "timeline_blocks": [
        {
            "start": "MM:SS",
            "end": "MM:SS",
            "visual_framing": "string",
            "subjects": ["string"],
            "action_physics": ["string"],
            "camera_dynamics": ["string"],
            "audio": ["string"],
            "confidence": "high|medium|low"
        }
    ],
    "reusable_blocks": {
        "subject": ["string"],
        "action": ["string"],
        "camera": ["string"],
        "environment": ["string"],
        "audio": ["string"],
        "style": ["string"]
    },
    "unknowns": ["string"]
}

如果你只是临时在 AI Studio 里试，这已经够用。如果你走 API，并且真打算把这套流程变成长期资产，建议直接升级为官方的结构化输出：把 JSON Schema 放进 response_format，让模型返回语法上符合 schema 的 JSON。官方文档明确把结构化输出定义为“可预测、类型安全、便于从非结构化内容中抽取结构化数据”的机制；它适合数据提取、结构化分类和智能体工作流。要注意的一点也同样明确：结构化输出保证的是语法正确，不保证语义一定正确，所以应用层仍要做校验。

好处很直接：

• 证据层和改写层被硬拆开，哪一层错一眼就能看出来。
• 同一视频多轮分析时，你可以对比 timeline_blocks，而不是人工对整段 prose 做 diff。
• 以后要做资产库、镜头表、批量改写不同平台 prompt，这就是天然中间层。

7.3 第三轮再重组生成语言

等证据层站稳后，再让模型做生成层重组：

Using only the supported details from the analysis above, produce:
1. one full generation prompt,
2. one shorter platform-friendly prompt,
3. one shot list,
4. one note listing what should remain unspecified.

Do not invent seed values, camera specs, negative prompts, or editing steps that were not evidenced in the video.

这一轮要做的，就是把分析语言压回生成语言：去掉解释腔，保留物理对象、动作、镜头和节奏。

8. 怎样把分析稿改写成真正能投喂的视频 prompt

分析稿到 prompt，最好分 3 层落笔。否则锚点、镜头和气氛很容易写成一锅。

压成骨架，可以长这样：

[主体 + 外观] in [空间 + 光线]，执行 [主动作 + 动作目标]；
[镜头行为 + 运动物理 + 对焦变化]；
[音频 / 节奏 + 质感限制]。

Leave unspecified: [没有证据的镜头参数 / seed / 后期步骤]

这里最常见的误写有 3 种：

• 把解释意味很强的词，误当成证据。比如 amateur 更像作者判断，natural micro-shake 更像屏幕上真能观察到的镜头状态。
• 把镜头现象写成作者解说。focus briefly hunts 如果证据已经足够，可以直接压成 autofocus breathing。
• 把声音当背景气氛删掉。很多时候，声音不是装饰，而是在固定动作节奏。

还有一类信息，宁可先空着：

• 具体焦段、传感器、机型参数
• seed、负面提示词、参考图、局部重绘流程
• 后期剪辑、调色和音效层里没有直接证据的制作细节

这些东西当然会影响成片，但视频没给够证据时，硬塞进去只会让 prompt 更像行话，不会让结果更像原片。

要从正向写 prompt、拆镜头表和稳定出片这条线建立手感，可以接着读 Seedance 2.0 视频制作实战指南：从提示词到分镜的全流程教程。那篇更偏“怎么拍”这一侧。

9. 常见失败与修复

9.1 用一张验收表决定下一轮改哪里

验收别靠感觉。每轮都要知道自己修的是哪一层。

如果 5 项里有 3 项不过线，就回到分析稿，不要继续磨长 prompt。问题大多出在证据层，不在修辞层。

10. 把一次反推沉淀成字段资产库

反推做过十来次之后，最耐用的通常不是整条完整 prompt，而是一组会反复复用的字段。把它们存成可检索记录，比散落在聊天历史里靠谱得多。

一个够用的最小模板，可以长这样：

clip_id: neon-alley-run-001
source_type: ai-generated
subject:
    - young woman in silver-gray jacket
action:
    - running forward through wet alley
    - glances back mid-stride
    - visible weight shift before the turn
camera:
    - vertical handheld framing
    - subtle micro-shake
    - autofocus breathing during the turn
environment:
    - neon reflections on wet pavement
    - night alley with compressed depth
audio:
    - urgent breathing
    - distant tire hiss through puddles
finish:
    - cinematic but grounded
unknowns:
    - exact lens length
    - seed and negative prompt
evidence:
    - 00:00-00:03: handheld run-up and wet reflections
    - 00:03-00:05: glance-back plus focus breathing
verification:
    first_regen: partial_match
    next_fix: strengthen delayed camera tracking

整理完之后，回到原视频前 3 秒，对照 subject 和 camera 两栏做一次 spot-check。只要这两栏没有凭空长出新内容，这份初稿通常就站得住。

想把这些字段收进真正可搜索、可复用的资产层，可以接着读 Prompts.chat：开源提示词平台、自托管方案与 MCP 集成完全指南。那篇更适合处理 prompt 片段的沉淀和检索。

11. 练手顺序，可以这样排

练习 1：单镜头短片

素材控制在 8 秒以内，主体单一、动作清晰即可。这一轮只看拆解是否干净，不看文字漂不漂亮；subject / action / camera / audio / unknowns 五层必须各自落位。

练习 2：高动作片段

把素材切到 3 到 5 秒，重点练时间戳追问。走 API 的话，可以顺手试一版更高 FPS。如果更高 FPS 并没有帮你多拿到一条新的动作证据，问题多半不在采样，而在提问角度。

练习 3：同一分析稿投两个生成器

把同一份结构化分析稿分别改成长版和短版 prompt，投给两个不同平台，看哪个更吃叙述式、哪个更吃字段式。这种对照很容易暴露平台偏好，也能帮你区分“平台口味差异”和“字段提纯还不够”。

练习 4：多镜头视频做镜头表

选一段 20 到 30 秒、至少有 3 个镜头变化的视频。先拆成镜头表，再决定哪些镜头值得单独反推，哪些只需要做节奏和情绪参考。完成这一步后，你就不再是把所有信息塞回一个超长 prompt，而是在拆若干条可执行的镜头任务。

12. 练完之后，用这 5 个问题自测

如果你准备把这套方法拿去真的拆一条视频，先问自己这 5 个问题：

1. 我现在追的是“可用反推”，还是还在偷偷追“原文还原”？
2. 这条视频里，哪些信息是证据，哪些只是我主观补上的解释？
3. 如果第二次生成动作不对，我会先回到 action_physics，还是还在乱加风格词？
4. 这条素材到底该用 AI Studio、内嵌视频、Files API，还是 Files API 加缓存？
5. 我最后留下的是一条 prompt，还是一组以后还能继续复用的字段资产？

这 5 题里只要有 2 题答不稳，就先别追求“更像”。回到前面的工作流，把证据层重新站稳，通常比继续磨词更省时间。

13. 这套方法适合谁，不适合谁

13.1 最适合的场景

• 拆自己以前做过、但 prompt 已经散失的 AI 视频
• 学某类镜头语言和动作组织方式，而不是盲猜
• 给团队做二次创作 briefing，把“像这种感觉”变成结构化描述
• 建内部 prompt 素材库，把好片里的主体、镜头和节奏拆成可复用字段

13.2 不适合的场景

• 想做法证级的“原文还原”
• 想从结果视频里推回所有隐藏参数
• 想直接复制商业作品的完整创意流程
• 想把它当成版权、商标或合规判断工具

如果你要把这套方法放进真实商业环境，版权、商标、人物肖像和平台条款仍是另一套问题。模型能描述出来，不代表你就应该原样复刻。

这些字段真正落到出片、转场和后期拼接里是什么样，可以接着读 AI 广告制作实验：6 小时 vs 30 万美元，广告行业会被颠覆吗？。那篇更接近真实视频制作链路里的取舍。

14. 结论：把它当成“视频版 prompt diff”来用

把这件事看成“视频版 prompt diff”会好理解很多。Gemini 先把成片里可见、可听、可追问的证据摊开，后面的工作再把这些证据整理回生成模型能消费的字段和镜头指令。

返工通常发生在层级没拆开的时候。把观察、unknowns、结构化中间层、生成改写和二次验证分开以后，偏差会落到更具体的位置。最后留下来的，也不只是一条碰巧跑通的 prompt，而是一份下次还能接着改的工作底稿。

第一次上手，按下面这 6 步走，一般会顺很多：

1. 先选一段 5 到 12 秒、主体单一、动作明确的片段。
2. 用 AI Studio 或最轻量入口跑第一轮观察，不急着要最终 prompt。
3. 拿到时间块、字段和 unknowns 之后，再转成 JSON 或结构化输出。
4. 基于中间层重组成长 prompt、短 prompt 和 shot list。
5. 用第二次生成结果做验收，而不是被分析稿的文采迷惑。
6. 能复用的字段立刻进资产库，别让它烂在聊天窗口里。

参考资料

• Google Gemini 视频理解文档
• Google Gemini Files API 文档
• Google Gemini 上下文缓存文档
• Google Gemini 媒体分辨率文档
• Google Gemini 结构化输出文档
• Google Gemini 模型列表
• Google Gemini 提示工程文档
• Google Gemini 更新日志
• Google AI Studio
• 社区系统提示词模板：HYPER-GRANULAR VIDEO ANALYSIS