QuickDesign CLI 技能 是做什么的?
此技能教会 Claude 如何通过 quickdesign CLI 规划并执行 AI 媒体内容生成。该 CLI 封装了 QuickDesign 的托管模型(Seedance 2.0 R2V/I2V, Kling, Sora 2, Nano Banana, GPT Image, 视频增强),使 Claude 会话可以直接在 Bash 中生成视频和图片,无需管理 API 密钥、轮询任务状态或处理存储上传。
何时调用
- 口播头像 / UGC 视频 — "制作一个 30 秒的广告,让这个人说 X", "将此脚本转换为视频", "创建一个创作者自拍片段"
- 多片段推广 / 讲解视频 — 任何总语音时长超过 15 秒(单 Seedance 片段上限)或用户希望有角度切换/构图推进的场景
- 图片编辑 / 生成 — 角度改变、状态改变、白色背景上的产品图、生活方式合成图、品牌套件风格的创意图、多产品参考组合图
- 视频增强 — 将 720p / 1080p 输出提升至 1080p / 4K
- 批量 / 批量创意制作 — "对这 5 张产品照片中的每一张都执行此操作"
不要用于:纯文本生成、代码编辑、搜索——这些有各自的工具。
核心规则(每次必读)
以下规则适用于每一次生成。违反任何一条都会产生可见的缺陷。
-
默认视频模型 = 对于所有 UGC / 口播头像 / 推广 / 讲解 / 多场景工作,无论时长或片段数量,默认使用
seedance-2.0-r2v。 不要因为脚本“足够短”而降级使用seedance-2.0-i2v——R2V 处理 4-15 秒的单个镜头和多片段一样好,并且从一开始就使用 R2V 可以保留此技能依赖的所有基本属性(@Image1引用、多--reference-image、--reference-audio语音一致性)。仅当用户明确选择("使用 Sora 2")或 R2V 在注册表中不可用时,才切换到 R2V。⚠️ “i2v”(图像转视频)这个名称有误导性。 R2V 同样可以处理单图像转视频流程——只需传递一个
--reference-image即可。不要因为任务是“图像转视频”就选择 i2v。像 “用户想要让静态图像动起来 → 图像转视频 → 因此是 seedance-2.0-i2v” 这样的智能体推理链正是这条规则要防止的无声回归。即使你正在动画化一个没有语音且不需要多引用的简单香蕉编辑,R2V 仍然是默认选择——i2v 增加了不必要的复杂性,并且如果任务的下一次迭代确实需要,它会放弃这些基本属性。参见
models/seedance-2.0-r2v.md。 -
在提示词中使用
@Image1/@Audio1/@Video1引用标签,并将每张相关照片作为单独的引用传递。nano-banana-2(图像编辑)和 Seedance 2.0 R2V(视频)都接受多个--reference-image标志。如果用户从两个角度上传了产品,则同时传递两者——用文字描述第二个是一种倒退。不要用文字重新描述人物、服装或产品;这会与参考图像竞争并导致漂移。❌ 错误 —— 对
@Image1进行冗长的逐字重复描述:来自参考图像的真实 UGC 照片,该女性有长卷棕色头发,自然光泽妆容, 光泽蜜桃珊瑚色嘴唇,金色大圆圈耳环, 珍珠短项链,温柔微笑,穿着来自第二张参考图像的米色绒面革运动鞋, 在一个舒适的极简卧室中...Banana 已经在
@Image1中“看到”了她的头发/妆容/嘴唇/珠宝,并在@Image2中看到了运动鞋的颜色/轮廓/鞋底。重新描述这些内容是在告诉模型“忽略参考,根据这段文字进行绘制”——这与视觉锚点竞争并导致漂移。✅ 正确 —— 标签完成工作,文字仅描述新增内容:
编辑 @Image1:将姿势改为 iPhone 镜子自拍。添加一件白色罗纹 背心 + 超大牛仔裤。在画面底部可见与 @Image2 匹配的运动鞋。 保持面部、头发、妆容、珠宝和 光线与 @Image1 一致。参见
references/multi-reference-pattern.md和models/下的每个模型卡片。 -
多片段语音连续性 = 使用从片段 1 提取的音频作为
--reference-audio。 首先生成片段 1 →ffmpeg -vn -acodec libmp3lame提取音频 → 将该 mp3 作为--reference-audio传递给片段 2..N。没有这一步,每个片段都会选择不同的声音。参见references/voice-continuity.md。 -
抑制分层背景音乐和硬编码字幕——仅限最简指令。 在提示词中添加两行简短内容:
没有配乐。和没有字幕或屏幕文字。这就够了。不要列举你想保留的环境音("街道噪音、咖啡馆闲谈、咖啡机")——Seedance 会自动生成自然的环境音;过度指定会让音频听起来像脚本化的。参见references/no-music-no-subtitles.md。 -
对于硬编码字幕,在生成后使用
quickdesign video subtitle。 永远不要让视频模型通过提示词生成其自己的字幕——它们会产生幻觉。专门的字幕端点会运行真实的 ASR(ElevenLabs)并渲染准确的卡拉 OK 风格字幕。参见references/auto-subtitle.md。 -
确认关卡——即使在自动模式下,也要在消耗积分前暂停。 自动模式可以减少低成本可逆工作(文件编辑、研究、计划)的摩擦。付费 AI 生成既不是低成本也不是可逆的——自动模式不会绕过这些关卡。始终:
- 在任何视频生成之前,提供计划摘要(类型/模型/时长/成本/脚本)。展示它,然后等待用户明确说“开始”(普通模式),或者在保持计划在 bash 调用上方可见的情况下立即进行,以便用户可以在花费完成前终止任务(自动模式)。计划必须在 bash 调用之前出现,绝不能之后。
- 在将 Banana 编辑结果馈送到 Seedance R2V 之前,展示 Banana 编辑结果 → 显示编辑结果,等待视觉批准。Banana ~12 积分,Seedance ~250-500 积分;错误的引用自动链接会烧掉 50 倍的成本。此关卡在自动模式下不会压缩。
- 有关完整的自动模式互动,请参见
references/confirmation-rules.md。
-
对于选择型关卡,使用
AskUserQuestion工具,而非自由形式的文本。 模型选择器、过渡风格、分辨率、香蕉编辑批准/重新生成/取消——使用AskUserQuestion并提供结构化选项列表,将你的推荐放在最前面并加上(推荐)。参见references/confirmation-rules.md。 -
当提供了头像且设置不变时,编辑头像——不要重新生成。 组合式的香蕉提示("构图一个竖屏 9:16 的 UGC 自拍框...", "生成一个创作者自拍场景...")会导致模型渲染一个受头像启发的新 AI 外观图像——丢失了原始图像的照明、颗粒感和低保真真实感。结果感觉很合成,而不是像真实创作者的编辑自拍。使用编辑式动词(
编辑 @Image1:添加 ...,原样保留 @Image1,仅更改 ...,保留 @Image1 的每个像素,除了 [区域]),不要重新列出参考已经显示的场景元素,并从提示词中去除质量提升词汇("照片级真实感", "工作室质量", "8K")——它们会触发重新生成。参见references/avatar-edit-not-regenerate.md。 -
对于 UGC 视频,公开有声或无声的选择——不要默默选择。 “UGC 视频”是模糊的:它可能是一个有语音的创作者片段(脚本驱动,语音+唇形同步),也可能是一个纯动作片段(OOTD 展示,B-roll,带有后期文字叠加的动画静图)。两者都是合法的创作形式。智能体绝不能默默选择一种:
- 强烈的有声信号(直接开始):用户写了“口播头像”,“创作者说”,“画外音”,“讲解”,“带脚本的广告”,或自己提供了脚本。构建脚本 → 放入计划摘要 → 使用
generate_audio: true和内嵌的引用语音生成。 - 强烈的无声信号(直接开始):用户写了“OOTD 展示”,“仅动作”,“无音频”,“B-roll”,“Pinterest 美学”,或想要一个静态图像动画卷轴。
- 模糊的“UGC 视频” / “推广视频” / “广告视频” ——使用
AskUserQuestion提供两个选项:有声(附带一个 4-8 个词的草稿钩子)或无声 + 后期叠加文字。推荐能更好地满足用户简报的那个选项。不要默默默认。
当选择了有声:不要在提示词中没有引用语音的情况下开始生成。如果用户没有提供,草拟 4-12 秒符合简报的对话,在计划摘要中展示,然后继续。使用通用动作提示词而没有引用语音进行生成会产生无声视频或模型胡言乱语——浪费积分。
关于字数→时长计算,参见
references/script-and-duration.md。 - 强烈的有声信号(直接开始):用户写了“口播头像”,“创作者说”,“画外音”,“讲解”,“带脚本的广告”,或自己提供了脚本。构建脚本 → 放入计划摘要 → 使用
-
多片段计划在片段 1 后停止以获取视觉批准——在用户确认片段 1 正常之前,不要展开片段 2..N。 语音连续性通过
--reference-audio将片段 1 的音频锁定到每个后续片段。如果片段 1 使用了错误的声音、错误的头像身份、错误的发音或脱轨的构图,每个并行的片段 2..N 都会继承这个缺陷。一个 4 片段计划,每个约 250 积分 = 约 1000 积分;自动展开一个有问题的片段 1 会烧掉约 750 积分,这些积分本不必花费。流程如下:
- 计划摘要 → 用户批准(规则 5)。
- 仅渲染片段 1。
- 在聊天中展示片段 1 的视频 URL + 使用
AskUserQuestion提供选项:- 看起来不错 — 渲染片段 2..N (如果片段 1 没问题则推荐)
- 重新渲染片段 1(调整提示词/参考/时长)
- 取消多片段计划
- 仅在“看起来不错”后 → 使用提取的音频并行展开片段 2..N。
此关卡在自动模式下不会压缩。无论用户多么耐心,片段 1 到片段 N 的消费乘数都一样。有关标准的多片段流程,请参见
pipelines/ugc-video.md。 -
固定机位。除非用户明确要求,不要改变角度/构图。 纪录片风格的 UGC(街头采访、厨房演示、创始人视角、客户见证、vlog 风格)读起来像是一个连续的摄像机点位,而不是多角度剪辑序列。默认选择:相同的构图(例如,中景平视),相同的距离,头像在每个片段中大致处于相同位置。片段之间的“过渡”是头像的手势/台词/微表情——而不是角度切换。
❌ 错误的默认行为(无声回归——产生“摄影师拍摄的镜头”的感觉,破坏了 UGC 的真实性):
- 片段 1 中景 → 片段 2 过肩镜头 → 片段 3 特写
- “慢慢推进说话者”
- “在高潮点切到产品特写”
- 每个
nano-banana-2片段参考使用同一个人的不同角度
✅ 正确的默认行为(保留 UGC 真实性):
- 每个片段使用相同的源帧或近乎相同的角度/照明。只有头像的手部位置、视线或表情在片段间变化。
只有当用户明确要求时才切换到多角度:“每个片段交替角度”,“在钩子处电影化切到特写”,“包括一个产品的过肩镜头”,“工作室风格多机位 UGC”。不确定时,通过
AskUserQuestion询问:固定机位(推荐用于纪录片风格的 UGC)/ 多角度(电影化剪辑)。关于静态构图与描述的摄像机运动的相关规则,请参见
references/first-frame-not-camera-motion.md。 -
审计用户提供的所有引用——仅产品不足以用于 UGC。 当简报是“为此产品制作一个 UGC 视频”,而用户仅提供了产品照片时,在生成前停止。Seedance R2V 需要针对以下内容的基础引用:产品、头像/创作者(面部、体型、氛围)和场景/地点(厨房、浴室、健身房、人行道)。文字可以详细描述产品,但如果你只用文字描述头像,Seedance 会想象出一个无特征的普通人——通常是一个感觉合成的 20 多岁白人女性——场景会读起来像库存 B-roll,而不是品牌的世界。结果无法满足“看起来不像人造”的标准。
在生成前,审计提供的媒体:
- 产品图像——几乎总是存在。作为
--reference-image传递,提示词标签为@Image1。 - 头像/创作者图像——如果用户提供了一个,将其作为单独的
--reference-image传递并标记为@Image2。如果用户没有提供,在生成前使用AskUserQuestion询问:上传创作者头像 / 从 QuickDesign 头像库中选择(5000+ 肖像)/ 仅使用文字描述创作者(有合成感风险)。 如果用户只有文字简报,推荐“从库中选择”。 - 场景/地点图像——如果用户正在拍摄“厨房场景”,“浴室镜子自拍”,“办公桌视角”等,询问他们是否有实际房间的参考照片。如果提供了,作为
@Image3传递。
Seedance R2V 调用应该如下所示:
quickdesign video generate --provider seedance \ --reference-image product.jpg \ --reference-image avatar.jpg \ --reference-image scene.jpg \ --aspect-ratio 9:16 --duration 12 --resolution 1080p \ -p '@Image2 在 @Image3 中,将 @Image1 举向摄像头。她说:"..." 没有配乐。没有字幕或屏幕上的文字。' \ -o seg1.mp4 --wait@Image1/@Image2/@Image3标签完成主要工作;文字仅描述动作和引用语音。参见references/multi-reference-pattern.md。 - 产品图像——几乎总是存在。作为
决策树——首先打开哪个文档
按工作类型分:
| 请求 | 从这里开始 |
|---|---|
| UGC / 口播头像 / 推广 / 讲解 / 多片段广告 | pipelines/ugc-video.md → models/seedance-2.0-r2v.md |
| 图片编辑(角度、状态、多产品组合) | models/nano-banana-2.md → references/multi-reference-pattern.md |
| 电影化单次拍摄、音频质量导向(4/8/12秒) | models/sora2-i2v.md(仅限用户明确选择时) |
| 预算循环 / 非语音 B-roll | models/kling-3-pro.md |
| 最终视频分辨率太低 | models/topaz-video-upscale.md(在拼接后运行) |
| 为现有视频添加字幕 | references/auto-subtitle.md |
| 品牌不在 Spy Brands 库中 / 搜索结果为零 | references/spybrands-add-on-miss.md |
| 用户正在...(内容已截断) |
[文档因长度限制被截断]