提示词扩张：AI 视频模型内部的隐藏改写步骤

用 AI 视频的人大多不知道一件事：你的提示词并不会直接进视频模型。 它先进一个语言模型，被改写成一个更长、更电影化的版本——视频模型渲染的是那个。这个步骤叫提示词扩张（prompt expansion），理解它是杠杆率最高的提示词技能。

扩张在管线里的位置，背景见 AI 视频生成原理详解。这篇专讲改写本身。

太长不看版

• 多数现代视频模型在渲染前自动扩张你的提示词
• 扩张会补上你从没写过的光线、镜头、运动细节——所以这些你不必写
• 你的提示词真正的任务：写下扩张推断不出来的决策——主体、动作、场景、情绪
• 当你的措辞已经精确时，选 fast 扩张档，保护它不被"改进"成别的东西

改写到底做了什么

拿一条朴素的提示词：

一只虎斑猫伏在 Tiny Desk 麦克风前，正唱到副歌。

扩张 pass 可能把它变成这样：

一只橘色虎斑猫伏在小桌后的小型电容麦克风上，闭眼沉浸在副歌里，暖钨丝台灯在两侧排开、身后是一整面书架墙，画面边缘一架红色键盘微微发光，浅景深，缓慢推近，1970 年代灵魂乐演唱会的胶片质感，电影感。

注意加了什么：材质、光的色温、镜头运动、景深。注意保住了什么：你的主体和动作，结构原样。扩张模型的训练材料，就是"业余提示词"和"视频模型训练时用的密集描述"之间的差值——它是在把你翻译成模型的方言。

这为什么重要？因为扩张补上的每一项，都是你不必写的；而它可能写错的每一项，才是你该显式钉死的。

该写什么，该省什么

该写：只有你能做的决策

• 主体——谁/什么，连同身份关键细节
• 动作——运动本身，直白地、尽量靠前地写
• 场景——时间、地点、氛围，一句话说完
• 情绪——喜剧、紧张、敬畏；一个词就够

该省：电影感的佐料

景深、"8K"、"ArtStation 热门"、五个光线形容词——扩张模型会替你补上所有这些的合格版本。自己堆光线规格的风险在于和扩张互相矛盾，而矛盾会被平均，不会被仲裁。（同样的"谁负责什么"逻辑，见参考生成视频里的身份/动作契约。）

30 词纪律

提示词超过 30 词左右，你多半在替扩张模型干活。对比Tiny Desk 提示词库里的结构：每条有效的都是单句五槽位。分步教程里有现场组装一条的全过程。

扩张模式：fast、balanced、quality

现在的模型把这道改写暴露成一个旋钮：

| 模式 | 做什么 | 何时用 | | -------- | ---------------------- | ------------------------------ | | Fast | 最少补充，约一秒 | 提示词已经精确表达了想要的效果 | | Balanced | 适度扩写 | 默认档；适合短提示词 | | Quality | 最充分改写、补最多细节 | 提示词极简，或想要惊喜 |

取舍是控制力对丰富度。fast 模式才是真正意义上的保守：它最少改变你的本意。quality 加得最多但可能跑偏——你的"潜行"变成"谨慎行走"，你的喜剧夸张被字面化。用户抱怨"模型无视我的提示词"时，quality 档跑偏是常见元凶。

为什么短提示词有时反而赢

反直觉的是：提示词越短，扩张模型替你做的越多——而它见过的电影化写作比我们大多数人写的都多。长提示词的失败模式不是长度本身，而是每一个多余的从句都是一处可能与扩张矛盾的点，而矛盾会糊成平均。一条短而果断的提示词，给改写留下一根干净的脊柱去发挥。

常见问题

什么是 AI 视频生成里的提示词扩张（prompt expansion）？

它是大多数现代视频模型在生成前运行的一道自动改写：一个语言模型把你的短提示词扩写成更长、更具电影感的版本——补上你从没写过的光线、镜头语言和运动细节。生成的视频遵循的是扩张后的提示词，不是你的原文。

AI 视频的提示词应该写得越长越细越好吗？

没有想象中那么长。扩张会自动补齐电影感细节，你的任务是写模型推断不出来的决策：主体、动作、场景、情绪。自己堆砌光线和镜头描述反而会和扩张步骤打架，常常产出又脆又过饱和的观感。

fast、balanced、quality 三档扩张模式有什么区别？

本质是时间与扩写充分度之间的取舍。fast 只补最少细节、约一秒完成；quality 改写最充分但可能偏离你的本意；balanced 居中。当提示词已经精确表达了想要的效果时，fast 是最稳的选择。