Awesome Seedance：把 463 条 AI 视频案例沉淀成提示语模板和 Agent Skill

很多人第一次做 AI 视频时，真正遇到的不是“不会写提示语”，而是不知道一条提示语为什么有效，也不知道换一个模型、时长或参考图之后会不会立刻失效。一次生成成功，可能只是抽中了；连续失败几次，也未必知道究竟是镜头、动作、人物一致性还是模型能力出了问题。

卡尔的AI沃茨在 X 上公开了一套解决这个问题的项目：LearnPrompt/awesome-seedance。原帖标题是《我把 463 个 AI 视频做成了 Skill 和提示语模版，全都开源！》，核心方法不是继续收集“看起来很酷”的提示词，而是把公开案例重新跑一遍，记录结果，按视频类型归类，再从同类案例中提炼模板和 Agent Skill。

本文根据 @aiwarts 的原帖、原帖中的本地图片与视频媒体，以及仓库当前公开的 README、中文 README 和统计文件整理。原帖发布时间为 2026 年 9 月 22 日。文章保留了原始媒体，并把“作者陈述”“仓库当前公开状态”和“本文工程化解读”分开书写。

一、先看项目现在是什么

截至 2026 年 9 月 22 日，仓库 data/stats.json 公开的统计为：

指标	当前公开值	说明
已核对案例	463	仓库统计字段 cases
跨模型复测次数	264	不是 463 条案例都完成同样次数的复测
复测案例数	254	仓库单独统计的 retestCases
提示语模板	25	覆盖 6 个模板分类
AI 视频 Skill	60	包含通用模板 Skill 和创作者变体
Seedance 2.5 案例	258	仓库统计字段 seedance25
Seedance 2.0 案例	205	仓库统计字段 seedance20
GoodCase 全站案例	1234	不只包含视频，也包含图像、UI 和文案

原帖最初强调的是“463 条案例、14 个提示语模板、25 个 AI 视频 Skills”。仓库在本次核对时已经继续更新为 25 个模板和 60 个 Skill。这不是矛盾，而是同一个持续维护项目在不同时间点的公开状态；引用数字时必须带上日期，不能把旧帖数字当成仓库当前统计。

二、它解决的是“提示语复现和评估”问题

普通提示词合集通常只完成了一半工作：把文本收集起来，但没有回答下面几个问题：

• 这条提示语是否真的能生成出原帖展示的效果？
• 它适用于 Seedance 2.0、2.5，还是只在某一个版本上成功？
• 成功的关键是镜头结构、人物参考图、动作链、时长，还是某个模型特性？
• 如果把提示语改成自己的产品、人物或场景，哪些字段可以替换，哪些字段不能动？
• 同一类视频有没有稳定的共性，可以沉淀成模板或 Skill？

awesome-seedance 的方法是把提示语当作待验证的实验输入，而不是当作可以直接转发的灵感文本：

收集原始案例
  → 核对原帖和提示语
  → 用目标模型复现
  → 记录视频、时长、参考图和失败点
  → 多模型评分与同类聚类
  → 提炼模板和 Skill
  → 持续接收新案例并重新验证

这种方法的价值不在于保证每条提示语都能成功，而在于把“我觉得这条不错”改成有证据的状态：已复现、效果下降、未复测，或者只适合某个模型和时长。

三、从 463 条案例到可复用资产

1. 先复现，而不是先总结

原帖作者描述，项目用了接近一个月时间，把 463 条 AI 视频提示语重新跑了一遍，并为此消耗了大量真实额度。这里最重要的不是消费金额本身，而是验证方式：如果只看原帖视频和提示语，很容易把原作者的模型版本、参考图、后处理和剪辑也误认为是提示语本身的能力。

复现至少要记录：

字段	作用
原始来源 URL	让案例可以回溯，不把二手转述当成一手证据
原始提示语	保留未经改写的输入
模型和版本	区分 Seedance 2.0、2.5 或其他模型
生成时长和比例	解释同一提示语在 5 秒、10 秒、15 秒中的差异
参考图	检查风格、角色、产品是否依赖图像输入
输出视频	作为可复核的结果，而不是只保留文字评价
失败点	记录动作断裂、脸部漂移、产品变形、音画不同步等问题
评分与状态	区分成功、降级、失败和未复测

如果没有这些字段，所谓“提示语库”很快就会退化成一个漂亮但无法判断可靠性的文本列表。

2. 再评分和分类

原帖提到，项目用 GPT、Claude、Grok 和 DeepSeek 等多模态模型，对复测案例和提示语进行评分、分类和标题生成，并把相同类型的视频聚类。仓库当前 README 则把“跨模型复测”作为单独的导航部分。

这里需要区分两件事：多模态模型可以帮助建立初步评分和分类，但它们的判断仍然是评估信号，不等于摄影师、剪辑师或业务用户的最终验收。视频质量至少包含：

• 画面是否符合主体和风格要求；
• 动作是否有因果、连续且完成；
• 镜头运动是否符合提示语；
• 人物、产品和参考图的身份是否稳定；
• 台词、口型、音效和节拍是否同步；
• 是否出现明显的 AI 伪影、穿模、手指错误或纹理漂移。

因此，评分系统最好保留“模型评分”和“人工复核”两个层级。多模态模型适合批量筛查，人工适合确认高价值案例、争议样本和要进入模板的案例。

3. 最后才抽象模板

模板不是把一条长提示语删短，而是从几十条同类案例里找出稳定结构，并把可变字段标出来。

一个好的模板应该明确：

固定结构：镜头顺序、时长、动作因果、输出格式
可替换字段：人物、产品、地点、年代、台词、色彩
参考输入：需要哪些图片、图片分别锁定什么
禁用项：哪些风格、镜头、变焦或动作会破坏结果
验收项：生成后要检查哪些画面和时间点

原帖中提到的 14 类早期模板，后来在仓库中继续扩展为 25 个分类模板。中文 README 当前按结构基础、真实感与 UGC、商业与产品、叙事与表演、风格化动画、动作舞蹈与特效等方向组织。

四、项目当前的五步上手路径

仓库中文 README 给出的最短路径不需要先安装 Skill：

1. 在分类模板里按图片选择一个想做的画面类型；
2. 打开对应模板，复制“直接复制”区块；
3. 替换模板中的人物、产品、场景或动作字段；
4. 把模板和参考图发给 ChatGPT、Claude、Gemini 或豆包等对话模型，让它生成适合你的完整提示语；
5. 把完成后的提示语粘贴到 Seedance、即梦或 Dreamina 中生成，效果不对时先查看模板里的常见坑。

这条路径的核心是把“提示语编写”拆成两个阶段：模板提供结构，通用 AI 对话负责填槽。用户不需要一开始就理解全部镜头语言，但仍然可以看到模板为什么要求某些字段。

五、模板和 Skill 不是同一种东西

原帖用一句很清楚的比喻区分两者：模板是单个镜头的配方，Skill 是整部短片的拍摄手册。

对比项	提示语模板	Agent Skill
适合对象	新手、偶尔做视频的人	已在使用 Codex、Claude Code 等 Agent 的用户
使用方式	复制、替换字段、粘贴到 AI 对话	安装一次，直接向 Agent 描述目标
负责范围	一条镜头或一种视频类型	分镜拆解、模型选择、转场、角色一致性和多镜头流程
输出形态	一条可粘贴的提示语	一套可执行的方法和多个提示语
上手成本	低	需要安装、理解权限和维护版本

仓库当前 README 给出的安装例子是：

npx skills add LearnPrompt/goodcase-lite --skill handheld-ugc-vlog

也可以安装完整的 seedance-prompt-library Skill，或根据分类安装单独 Skill。仓库还说明，seedance-... 类型 Skill 位于 agents/skills，模板、风格库和案例证据来自同一套数据，并会持续从数据重新生成。

安装 Skill 前仍然要审阅：它会读取哪些参考文件，是否会联网，是否会调用外部模型，是否会自动执行付费生成，以及它把中间结果保存在哪里。Skill 只是工作流封装，不是可信执行权限的替代品。

六、案例一：手持 UGC vlog 为什么要写“相机缺陷”

原帖把手持 UGC vlog 作为花费时间最多的模板之一。关键思路是：不要只写“真实、自然、像手机拍的”，而要指定拍摄设备和它的缺陷，让真实感来自可观察的摄影行为。

作者举了几个具体区别：2005 年的 DV、iPhone X 和 90 年代 VHS，不应该使用同一套抖动和画面噪声。DV 可以有带果冻感的上下摇晃、追人慢半拍；手机可能有电子防抖过度补偿后的丝滑移动；VHS 则应出现卷带纹、色彩溢出和年代感的成像缺陷。

这类提示语可以拆成：

设备与年代
  → 手持方式和镜头运动
  → 自动对焦、曝光、防抖等缺陷
  → 画面噪声、色彩和介质特征
  → 主体动作与环境反应
  → 明确禁止的电影化效果

这里有一个实用边界：真实感和电影感不一定能同时最大化。原帖指出，同一条提示语既要求消费级手持缺陷，又要求 4K 电影级布光，可能会产生互相冲突的视觉目标。更稳的写法是先确定视频的拍摄身份，再选择与之匹配的光线、清晰度、运动和后期。

七、案例二：打斗提示语要写接触点和动作链

“两个武者激烈搏斗，拳脚交加，动作凌厉”听起来很有画面，但对视频模型来说，它没有规定谁打到哪里、对方如何回应、动作按什么顺序发生。结果容易变成两个人对着空气挥拳。

原帖从复测中提炼出的改进方法是写接触点和反应链：

• 直拳打中下巴，对方头部向后仰；
• 对方格挡，滑步下潜，再用体踢反击；
• 先写一段动作完成，再进入下一段；
• 5 到 10 秒的片段最好不要塞入过多连续动作。

可以把抽象形容词改成动作关系：

错误方向：两个武者激烈搏斗，拳脚交加，动作凌厉

更可执行：
直拳 → 命中下巴 → 对手头部后仰
对手格挡 → 滑步下潜 → 低扫腿
第一人后撤半步 → 封挡 → 右腿体踢
镜头保持中景，完整展示每个接触点，不增加额外招式

动作越多不一定越精彩。视频模型需要在有限时长里同时维护人物身份、身体结构、空间关系和镜头连续性。把 8 个招式压进 5 秒，常常会换来后半段动作糊掉、人物肢体变形或接触关系断裂。

用流派写生物力学，而不是只写风格名

原帖还比较了泰拳扫踢和跆拳道横踢：两者不是简单的“不同风格标签”，而是不同的重心、髋部、腿部轨迹和力量表现。提示语写清楚流派后，模型才更容易生成不同的身体动力学。

本文的工程化补充是：动作模板应当同时记录“接触点”“对手反应”“身体重心”“镜头位置”和“禁止出现的额外动作”。这样后续换人物、换服装或换背景时，仍然可以保留动作骨架。

八、案例三：同一个模板既可以做 UGC，也可以做产品视频

原帖给出了一个 UGC 口播测评带货的使用流程：先在 awesome-seedance 找到喜欢的案例，复制提示语，让 AI 按自己的产品和场景改写，再交给 Seedance 生成。

把模板改写时，建议只替换明确的变量：

可替换字段	不应随意删除的结构
主播人物和外观	镜头顺序
产品名称、颜色和卖点	产品被拿起、展示和使用的动作链
场景、台词和品牌语气	口播与动作的时间关系
参考图和背景	产品身份锁定与手部接触边界

这类模板适合一次一条地生成。它的目标是让用户快速得到一个可用镜头，而不是自动替用户完成完整广告。若要做一条 30 秒产品片，还需要继续补充：分镜规划、多个镜头之间的产品一致性、旁白脚本、音乐节奏、字幕和最终验收。

九、Skill 为什么要比提示语模板多一层

原帖的判断是：模板仍然有用，但 Skill 也不能省。模板是“帮你把一段镜头的参数填好”，Skill 则应该理解完整视频需求并组织流程。

可以这样分层：

模板：一段镜头的提示语配方
  → 主体、场景、动作、镜头、参考图

Skill：一部短片的方法和流程
  → 拆分镜
  → 选模型
  → 选择每个镜头的模板
  → 处理转场和角色一致性
  → 组织提示语
  → 汇总生成结果并提示复核

Skill 适合这些场景：

• 每周重复制作产品展示视频；
• 固定做 UGC 口播、旅行 vlog 或电影感短片；
• 需要一次生成多个镜头和多个风格变体；
• 希望 Agent 自动选择模板、填充变量并维护角色设定；
• 团队需要共享同一套视频制作方法，而不是共享一条长 Prompt。

安装和调用流程大致是：

在 GoodCase / awesome-seedance 找到方向
  → 下载对应 Skill
  → 安装到 Codex、Claude Code 或其他 Agent
  → 描述视频目标、主体、时长和参考图
  → Agent 按 Skill 拆分镜并生成提示语
  → 人工检查每个镜头，再提交给视频模型

Skill 并不应该隐藏关键决策。一个可维护的 Skill 至少要让用户知道：它选择了哪个模板、替换了哪些变量、使用了什么参考图、每个镜头的目标时长，以及哪些失败条件需要人工处理。

原帖中提到，使用 Skill 生成的产品测评结果与单纯复制模板生成的结果存在细微差别：Skill 版本可能安排更多口播台词和卖点表达。这说明 Skill 不只是把模板复制到另一个目录，而是在“内容目标”层重新组织镜头和表达。

十、把 AI 视频学习理解为“临摹”

原帖最后把这套方法比作学画时临摹好作品：先找到喜欢的效果，拿模板改人物、动作和镜头，再观察结果发生了什么变化。

这种学习方式比背“万能提示词”更可靠，因为它把抽象的摄影和动画知识变成了可对照的实验：

实验变量	观察问题
把相机类型从 DV 换成手机	抖动、对焦和曝光是否随设备变化
增加一个动作接触点	人物的身体关系是否更清楚
把镜头运动写在开头	模型是否更稳定地遵循相机行为
把 8 个动作减到 4 个	后半段是否更完整
删除“电影级”形容词	UGC 真实感是否更强
换一张参考图	人物、服装和画风是否漂移

每次只改一个变量，才知道结果变化来自哪里。否则同时更换模型、时长、参考图和提示语结构，生成结果再好也无法复盘。

十一、从案例库建立自己的复测表

如果要把这个项目的方法迁移到团队内部，建议把每条视频案例整理成下面的表：

字段	示例
case_id	seedance-ugc-001
source_url	原始 X、GoodCase 或其他来源
prompt_hash	原提示语版本指纹
model	Seedance 2.5
duration	10s
aspect_ratio	9:16
reference_assets	人物图、产品图、分镜图
template_category	UGC、动作、商业广告
retest_status	reproduced / degraded / failed / pending
score	画面、动作、身份、音画等分项分数
failure_notes	具体失败位置和条件
template_fields	可替换变量和固定结构
last_verified_at	最后一次复测时间

对于跨模型比较，不要只记录一个总分。至少分开：

• 主体和参考图一致性；
• 动作完成度和接触关系；
• 镜头运动；
• 口型与台词；
• 音效和节拍；
• 画面瑕疵；
• 对提示语改写的敏感度。

这样才能回答“某个模型更好”究竟好在哪里，而不是用一个无法解释的数字替代判断。

十二、这个项目最值得复用的工程原则

1. 复现比收藏更重要

只有原帖截图，没有重新生成结果，不能说明提示语可用。收藏解决的是发现，复现解决的是证据。

2. 模板必须带失败边界

一个只展示成功例子的模板，会让使用者以为任何主体都能套用。真正有价值的模板应该同时记录“不适合什么”和“常见翻车点”。

3. Skill 需要可解释

Agent 可以替用户选择模板和拆分镜，但不应该让关键输入、参考图、模型和时长在黑箱里消失。可解释性是排查失败和控制成本的前提。

4. 跨模型复测不能混成一个结论

不同模型的最大时长、参考图能力、镜头遵循能力和音频能力不同。一条 15 秒提示语在 10 秒模型上失败，不必然说明提示语错误；一条在单一模型上成功，也不代表可迁移。

5. 媒体是证据，不只是展示

原始视频能够证明动作是否连贯、画面是否变形、镜头是否真正运动。只保存文字提示语，会丢掉最重要的验收上下文。

十三、使用前的版权、隐私和成本边界

这个项目鼓励复现公开案例，但复现不等于可以无条件重新发布所有素材。

• 使用真实人物、品牌、产品或用户素材前，确认肖像、商标和授权边界；
• 不要把含有私人信息、未公开客户素材或内部产品图的参考图上传到不明服务；
• 公开案例中的原始视频、提示语和图片可能分别拥有不同权利，不要只因为仓库开源就认为所有媒体都可任意商用；
• 视频生成通常按时长、分辨率、模型和失败重试消耗额度，先用短片段验证结构；
• Skill 只负责组织方法，不应自动提交大量付费生成请求；
• 生成结果要保留模型、版本、时间、提示语和参考图记录，方便复盘和删除。

最后：不要再把 AI 视频当成单次抽卡

awesome-seedance 最值得借鉴的不是某一条“神 Prompt”，而是一种把创作经验工程化的路径：把公开案例收集起来，把原始提示语保留下来，真实复现，记录失败，交给多模态模型做初步评分，再由人确认，把同类结果提炼成模板，最后把重复流程封装成 Agent Skill。

对新手来说，先从一个模板开始，替换少量变量，生成一条可以比较的结果；对专业用户来说，再把模板升级成 Skill，让 Agent 负责拆分镜、选结构和组织提示语。无论走哪条路，都要保留原始媒体和复测记录，因为真正的学习来自“改了什么，结果怎么变”，而不是来自一条看起来很长的提示语。

来源与媒体

原始 X 帖：卡尔的AI沃茨｜我把 463 个 AI 视频做成了 Skill 和提示语模版，全都开源！。本文保留了原帖公开的图片和视频，并将远程媒体下载到本站文章资源目录，方便静态页面稳定展示。

项目仓库：LearnPrompt/awesome-seedance。仓库当前公开的中文 README、英文 README 和 data/stats.json 用于核对模板、Skill、案例数量、跨模型复测和安装方式。

项目入口：GoodCase AI 视频案例、GoodCase Skills、seedance-prompt-library npm 包。

本文中的 463、264、25、60 等数字均带有来源日期和字段边界；原帖中的早期数字与仓库后续更新不同，已分别标注。多模态评分、模板分类和 Skill 生成属于项目公开方法或仓库状态，不构成本站独立复测，也不保证同一提示语在所有模型、账号、时长、参考图和时间点都能复现相同结果。