100x-prompt-compose

What does 100x-prompt-compose do?

一句话定位

输入一个提示词模板 id（或需求描述）+ 变量，输出逐字渲染、按目标模型（Veo/Seedance/ 即创）包装好的最终生成提示词。属于 100x 体系"提示词+模型"这一步，衔接上游人物/场景/ 搜索关键词类 skill 与下游 AI 生成模型。

何时触发

用户说：

• "帮我组装提示词" / "填个模板出提示词" / "这条视频用什么模型" / "生成视频提示词" / "选个模板配变量"
• "compose a video prompt" / "fill in this template" / "which model should I use for this" / "generate an AI video prompt"
• 或直接给一段产品/人设/场景描述，要求出一条能直接喂给图片/视频生成模型的提示词

输入

最小输入（类别 A，硬性必填）：template_id（14 个模板之一，见 templates.json） 或一段足以唯一匹配到某个模板的需求描述（品类+use_when场景，见 workflow.md Phase 1 步骤 1）；该模板 variables[] 里 label 不含"(可选)"的变量必须全部给出 （不代猜、不编造具体外观/台词内容）。

软性补充（类别 B，缺失走降级，见 workflow.md Phase 1 步骤 2/4）：label 含 "(可选)"的变量；视频模板的 model 选择（缺失时问一次，仍未答复则默认 model_hint[0]）。

上游可选产出（类别 C，缺失静默跳过，不阻塞，也绝不要求用户先跑别的 skill）： existing_refs_input（此前调用已建立的产品/人物锁编号，见公理 2）。

输出

结构见 schema.json：ComposedPromptBundle = template_id/category + variables_used + rendered_body（逐字插值后的中文正文，已含 realism_suffix）+ reference_locks（产品/人物锁的建立或引用记录）+（视频模板）model + video_unit （按模型包装后的最终提示词 + 时长）+ meta。可选再渲染一段人类可读摘要（模板名/ 变量表/最终提示词）。

核心约束（4 条公理，详见 axioms.md）

1. 最终提示词须逐字替换模板正文，不得意译删减——rendered_body 必须是 templates.json 对应模板 body 的逐字插值结果（含方括号占位展开），不是"意思对 就行"的自由改写
2. 参考图编号引用须指向已声明的锁，不可虚指——产品/人物首次出现锁外观，后续必须写 "参考图N产品/人物"，N 必须真实存在于已建立的编号集合（已知局限：这里能验证的 只是"格式对不对"和"编号是否真实存在"，验证不了"首次锁定描述本身是否真的具体 （产品外观要素齐全 / 人物年龄+种族+性别+穿着+外貌五要素齐全）"——persona: "a person"、product_lock: "a thing" 这类空洞占位文字目前能通过校验，因为 schema.json/scripts/validate.js 都只查字符串非空+格式+编号存在性，不做语义 内容判断；评估过用最短长度等启发式去堵，但会同时误杀模板自身的合法短示例，故未 实现，如实记录在 axioms.md 公理 2"已知边界"段，仍完全依赖调用者按 workflow.md Phase 1 步骤 2"缺失时追问、不脑补"的纪律执行）
3. 场景变量禁止写光线词，光线由后缀统一控制——scene/scenes/place/rooms 类变量命中闭集光线词表即拒绝，天气词允许
4. 视频按所选模型执行时长上限与禁词表，零容忍——veo 8.0s/seedance 10.0s + 各自 禁词表 + 结尾固定句；即创无专用来源材料，只校验叙事镜头分类，不做时长/禁词硬校验 （已知局限：当前暂未包含即创模型的专用公理材料，详见 sources.md）；已知局限（真实语料实测确认，非纸面假设）：veo/seedance 禁词表是纯词法的词边界匹配，分不清"作为 AI 套路形容词使用的 professional"（禁词表本意拦的对象，如"professional lighting"）和"作为说话人 真实职业身份如实描述的 professional"（比如把说话人真实职业如实翻译成英文后 含这个词）——如实描述真实身份也会被判 FAIL，只能换一个不撞词的同义词改写， 详见 axioms.md 公理 4"已知边界"段

三阶段流程

详见 workflow.md：Phase 1 接收+校验（选模板 → 变量到位 → 场景无光线词 → [视频]选模型 → 引用编号上下文） → Phase 2（逐字渲染 → 方括号展开 → 引用锁记账 → [视频]模型包装 → 逐项自检） → Phase 3 用户触发的返工（L1 单变量 / L2 换模型 / L3 整体；没有"非英文台词"分支——模板库硬规要求台词面向美区 TikTok 用美式英文，无 例外，见 workflow.md Phase 3 表格最后一行）。

独立调用保证

类别 A 缺失（模板选不出 + 硬性变量缺失）→ 固定拒绝话术追问，不代猜、不编造具体 外观/台词内容。类别 B 缺失走降级（可选变量按模板自身语义处理；model 缺失问一次 后默认）。类别 C（existing_refs_input）缺失静默跳过——本 skill 不要求用户"先跑一次 IMG-01 建产品锁"才能开始，首次出现直接允许用文字描述代替参考图。

禁用词

让我 / 希望 / 或许 / 大概 / 可能 / 也许 / 让我们；AI 客服味（as an AI / I'd be happy to / feel free to）；不编造脚本/文案里没有的功效认证/用户见证；不编造用户没给过的 产品外观/人物细节去凑变量；veo/seedance 视频包装禁用词见 profiles/veo.md/ profiles/seedance.md（AI 套路词 cinematic/stunning/flawless 等 + 双引号 + markdown 围栏，具体清单见对应文件，不在此重复列出以免和脚本常量表脱节）。

路由（推荐，非强依赖）

• 还没有产品/人设/场景素材，只有一份文案 → 人物/场景类 skill（若已建）
• 想先找视觉参考图再决定怎么填模板 → 搜索关键词类 skill（若已建）
• 提示词已经出好，想批量做多个变体 → 提示词裂变类 skill（若已建）
• 想回入口重新分诊 → 100x 体系总入口（若已建）

以上均为"产出后按需推荐"，不是前置依赖；对应 skill 尚未建好时不影响本 skill 独立 工作。

出厂自检

运行 node scripts/validate.js --selftest 验证。公理 1（模板重建）、公理 2（引用锁 完整性）、公理 4（模型专属时长/禁词/结尾句）是跨文件/跨条目/大词表判据， schema.json（vanilla JSON Schema）表达不出来，真正执行判定的是 scripts/validate.js：

npm install                                                    # 首次使用先装 ajv
node scripts/validate.js <bundle.json> [bundle2.json ...]    # 校验产出
node scripts/validate.js --selftest                           # 跑内置回归用例

来源

本 skill 结合提示词模板库与各主流模型（Veo / Seedance）的适配规则构建： templates.json 提供 14 组标准化提示词模板；profiles/veo.md 与 profiles/seedance.md 提供目标模型的包装规范。判据体系包含引用完整性、闭集词表检测与模型时长及禁词校验。 详细设计决策与来源说明见 sources.md。