在 AI 影视创作领域，提示词（Prompt）早已不再是简单的“一段话”，而是演变成了精密的“指令工程”。开源项目 moyin-creator 作为一款生产级的 AI 影视工具，其核心竞争力之一便是其自动化提示词编译器。

本文将深入 src/packages/ai-core 目录，通过源码解读，揭秘其如何将复杂的“动作、镜头、唇形”三层逻辑融合为一套高度可执行的 AI 指令流。

---

一、 为什么需要“三层融合”？

在传统的视频生成（如 SVD, Kling 或 Luma）中，用户往往难以平衡角色一致性、动作流畅度与镜头美感。魔音漫创通过逻辑解耦，将视频提示词拆解为三个独立的维度：

1. 动作层（Action Layer）：描述角色的身体语言、表情变化及交互逻辑。

2. 镜头层（Camera/Shot Layer）：定义摄影机位（全景、特写）、运镜轨迹（推拉摇移）及光影构图。

3. 唇形层（Lip Sync Layer）：针对对白视频，将音频节奏与嘴部运动参数注入提示词。

这种分层设计的优势在于：可预测性。源码通过一套编译逻辑，确保这三层信息在发送给大模型（如 Seedance 2.0）之前，能够实现无缝的“语义重组”。

---

二、 源码核心路径：ai-core 编译引擎

在魔音漫创的架构设计中，所有的提示词处理逻辑都封装在 packages/ai-core 中。该模块不直接与 UI 耦合，而是通过 Zustand 状态库监听不同面板（脚本面板、角色面板、导演面板）的数据变化。

1. 动作层：基于“角色圣经”的身份锚点

源码中的 Character Bible（角色圣经）模块是动作层的基础。在编译时，编译器会通过正则表达式或特定的 @Reference 语法，自动收集当前分镜对应的角色描述。

// 伪代码示例：提取角色锚点
const compileAction = (roleId, baseAction) => {
  const roleAchor = roleStore.getAnchor(roleId); // 获取6层身份锚点信息
  return `${roleAchor}, ${baseAction}`;
};

2. 镜头层：导演意图的参数化

镜头语言（Camera Language）在源码中被处理为一组预设的 Token 库。当用户在“导演面板”选择“中景 + 环绕运镜”时，编译器会自动从 config/camera_presets.json 中调用专业的摄影术语，并计算权重。

3. 唇形层：多模态引用的注入

这是魔音漫创最硬核的部分。在支持 Seedance 2.0 的逻辑中，唇形不仅仅是描述，还涉及到多模态资产的引用（如 @Audio）。

源码通过 MultimodalScanner 扫描脚本中的对白，自动计算音频时长与视频帧率的对齐关系，并生成类似 (lip-sync:1.2, mouth_movement:high) 的编译指令。

---

三、 核心逻辑：PromptCompiler 的编译流程

魔音漫创的提示词编译逻辑遵循以下四个步骤：

第一步：语境解析（Context Parsing）

系统首先解析剧本中的“场景描述（Scene）”和“分镜对白（Shot Dialogue）”，识别出谁在说话、环境是什么、情绪基调如何。

第二步：三层模板融合（Template Fusion）

编译器使用动态模板引擎，将三层数据填入预定义的结构中。在 ai-core/compiler.ts 中，逻辑如下：

const finalPrompt = template
    .replace('{{ACTION}}', actionPrompt)
    .replace('{{CAMERA}}', cameraPrompt)
    .replace('{{DIALOGUE}}', lipSyncPrompt);

第三步：约束校验（Constraint Check）

针对 Seedance 2.0 等模型，源码内置了严格的约束校验逻辑：

• 字数限制：提示词需控制在 5000 字符以内。

• 资产引用限制：单次生成支持 ≤9 张参考图、≤3 段视频、≤3 段音频。

• 非法词过滤：内置过滤引擎，防止敏感词导致 API 调用失败。

第四步：多模态资产网格化（N×N Strategy）

为了提高模型对角色一致性的认知，编译器会将角色参考图、首帧图等资产自动进行 N×N 的网格拼接处理，并在提示词中指引模型如何读取特定的网格坐标。

---

四、 实战案例：编译前后对比

• 输入（用户自然语言）：

  角色“小明”很生气地推开了门，镜头慢慢拉近到他的脸上，他说：“快走！”

• 编译后（魔音漫创三层融合指令）：

  [Action] Young man, short black hair, wearing a white shirt (Role: XiaoMing), angry expression, pushing the door forcefully.

  [Camera] Medium shot to extreme close-up, slow zoom-in, dynamic motion blur, high angle.

  [LipSync] @Audio_001.mp3, intense mouth movement, jaw tension, sync level: 0.95.

  [Context] Cinematic lighting, dramatic atmosphere, 8k resolution.

---

五、 总结与展望

moyin-creator 的源码展示了一个成熟的 AI 影视工具该如何处理人类意图与机器逻辑之间的鸿沟。通过自动三层融合逻辑，它将导演、演员、摄影师的工作在代码层面进行了高度集成。

对于开发者来说，这种解耦后的“编译器思想”非常值得借鉴：不要试图写一个万能的 Prompt，而要写一个能够根据不同维度参数自动生成 Prompt 的引擎。