简介AI绘画和自动化工作流正在重塑漫剧、短剧等视频内容的生产方式。传统制作中剧本扩写、分镜设计、角色一致性维护和批量生图彼此割裂人工搬运成本高且易出错。基于大语言模型的编排技术将自然语言提示词转换为结构化数据再衔接图像生成模型可显著提升产出效率。以Coze平台上的Seedance视频脚本工作流为例一套13节点的流水线将LLM文本编排、代码清洗、AI生图与视频生成无缝串联从故事梗概到分镜底图与视频提示词一站式产出同时通过固定角色设定字段和构图约束保障跨镜头的风格统一。该方案适合个人创作者和小团队快速验证创意也适合批量生产漫剧素材。 最近在Coze平台倒腾Seedance视频脚本大师工作流这套名为“漫剧大师极速版”的13节点流把LLM编排和AI生图揉进了同一条生产链路。如果你也是做漫剧、短剧、动态漫画这类内容的应该能明白我拿到压缩包那一刻的兴奋——好家伙终于不用在脚本软件和生图工具之间来回倒腾了。但真的导入之后才发现离“开箱即用”还差着一截节点缺失、衔接报错、生图风格不统一哪一环都得花时间磨。这篇文章就把我从下载到跑通的全过程包括节点拆解、LLM提示词逻辑、和Seedance的配合方式、以及导入时踩的坑一次性说清楚。1. 这套工作流到底解决漫剧制作的哪个环节1.1 漫剧生产链路里最耗时的三件事漫剧不是普通短视频。它像是介于动画和静态漫画之间的产物画面往往是绘制或生成的静帧再配上配音、字幕和一些运镜、动态效果。真正动手做过的人都知道流程里最耗时间的不是“画”本身而是前期文本编排和后期批量出图。具体来说有三件事绕不开。第一剧本到分镜。先把一个几百字的梗概扩写成完整的剧情再按镜头切成一个个场景描述每个场景里要有人物动作、表情、景别、机位。这个环节非常依赖文字功底也是最早应该交出去的体力活。我见过不少团队在这里卡住不是不会写而是写到后面自己都忘了前面设定过什么第二集的主角性格跟第一集直接割裂。第二角色一致性。漫剧通常超过十集同一个角色不能每一集都长不一样否则观众一眼就出戏。这意味着需要提前固定角色的外貌设定、服装和画风关键词并在每次生图时都严格带上。纯手动复制这些关键词很容易漏一旦漏了生出来的图就变成了“同名不同人”后面再想统一风格只能重画重生成非常折磨。第三批量生图的节奏。一集漫剧按60个镜头算就是60张底图如果还要出候选图就是两三倍。纯手动输入提示词、调尺寸、等图一天最多磨出一集而且中途还容易漏字、串设定。我在做第一季漫剧的时候一个大纲配上几十个角色光整理提示词就花了整整两天中间还因为角色描述复制错行导致五张图全部作废。1.2 13个节点的工作流是怎么被“压”出来的“漫剧大师极速版”这套工作流就是为了把上面三件事塞进同一条流水线。我拿到的版本是13个节点其中LLM节点做了剧本扩写、角色设定提取、分镜文本生成和画面提示词组装AI生图节点负责把提示词变成图片另外还有代码节点做文本清洗、条件判断和结果汇总。整个设计思路不是让AI一次性“脑补”出全部内容而是把任务拆到不同节点里让每一步的输出都能被检查和单独修改。这套工作流名字里有个“极速版”我理解它强调的不是单次生成速度有多快而是“中间环节不用人盯”的批量速度。传统人工流程里剧本、分镜、角色卡、生图提示词是四个割裂的表格来回搬运信息。工作流把这些合并成一条链你只需要在入口给一个梗概后面所有字段都会按固定结构自动流转。后面我会具体拆每一个节点这里先记住一个结论它的核心价值不是生成得有多“智能”而是把人工最容易出错、最费时间的中间环节标准化了。2. 拆解13个节点每一环在干什么2.1 一条线下来的整体执行顺序很多人拿到工作流第一件事是想看节点连成什么样。Coze里打开后你会看到节点之间用箭头依次连接没有复杂的并行分支整体是一条顺序链路开始节点进入先经过LLM文本编排再经过程序化文本处理到达AI生图最后汇总输出。我建议你先截图保存一下原始布局再去做任何改动因为一旦改乱了连线再想恢复只能重新解压压缩包。整体流程可以理解成四个阶段文本扩写阶段、角色与分镜结构化阶段、生图与校验阶段、汇总输出阶段。下面这张表是我根据自己拿到的文件整理的节点清单不同版本可能有细微差异但思路是通用的。节点序号节点类型核心作用1开始节点接收故事梗概、角色初步设定、集数等输入2LLM节点把梗概扩写成完整剧情3LLM节点按幕/场景切分剧本输出结构化分场4LLM节点提取角色外貌、服装、性格标签5代码节点清洗文本把分场拆成单镜头数组6LLM节点生成每个镜头的画面描述7代码节点组装带角色设定的画面提示词8AI生图节点生成分镜底图9代码节点整理图片链接并重命名10条件分支节点检查图片数量是否等于分镜数量11LLM节点生成配音文本和字幕12输出节点汇总剧本、分镜、图片、字幕为JSON13结束节点返回最终结果2.2 前面五个LLM节点文本是怎么一步步变“干净”的第一个LLM节点接收故事梗概我用的是“帮我扩写成一集完整漫剧剧情包含起承转合字数控制在1000字”这类指示。第二个LLM节点把完整剧情切成分场我的做法是要求它输出“场景编号、场景地点、出场角色、本场目标、对话与动作描述”五个字段。第三个LLM节点单独处理角色输出固定的JSON结构确保每个角色的外貌标签在后面的提示词里可以稳定引用。第四个节点是代码节点很多人不重视它但它其实是整条链的“对齐器”。LLM输出的文本格式经常不统一比如有时候场景标号是中文“场景一”有时候是数字“1”有时候又没有。代码节点会把所有输出统一成标准数组再给每一条加序号避免后面生图节点拿到错乱的数据。第五个LLM节点我看着最像“翻译官”。它把代码节点输出的结构化剧情描述翻成生图模型能理解的画面描述。这里有个很关键的点剧情描述是偏叙事的比如“她生气地摔门离开”但画面描述必须偏视觉得写“特写镜头女性角色皱眉眼角含泪右手猛推门背景是模糊的客厅室内暖光”。让LLM专门做这一步就是为了避免把叙事语言直接丢给生图模型那样画出来的东西会很随缘。2.3 生图、校验和收尾部分代码节点把每个镜头的提示词组装好之后会统一传给AI生图节点。我在Coze里试过几款图像生成模型有的对长提示词支持不好会直接忽略后半段。所以我在代码节点里做了个简单处理把提示词按“角色设定”“场景动作”“风格与光影”三部分用逗号分隔而且控制总长度在150个标记以内过长的描述会被截断到关键信息。生图完成后会进入另一个代码节点它负责把Coze返回的图片URL和镜头ID绑定然后按“集数_场次_镜头序号”重命名比如ep01_s02_shot03.png。这个命名习惯很重要因为后面接入Seedance做视频时镜头顺序直接决定故事逻辑命名乱掉会害得你重新对号入座。接下来是条件分支节点这是整套工作流里唯一的判断逻辑。我遇到过两种失败情况一是某个镜头生图时超时返回空二是提示词里的非法字符导致模型拒绝生成。条件分支节点会统计成功图片数量如果数量少于预期就走失败分支返回缺失的镜头ID列表如果全部通过才继续往输出节点走。这一步看起来简单但能帮你省下大量人工核对时间。最后两个节点负责汇总和返回。LLM节点生成配音文本和字幕输出节点把剧本、分镜表、提示词、图片链接、字幕全部打包成一个JSON。我在Coze里测试时会直接预览这个JSON确认所有字段都在再接入自己的业务系统。如果你是手动用也可以把它接到一个表格里方便后续整理。3. 为什么LLM要这样编排脚本生成提示词的核心逻辑3.1 拆成多个LLM节点而不是一个LLM干完所有活很多人看到这么多LLM节点的第一反应是浪费“一个LLM明明能同时干这些活为什么要拆”我一开始也这么想后来实际跑下来才发现拆开是有原因的。第一稳定。一个LLM一次性输出超长剧本加分镜加提示词很容易在中途丢设定而且一旦某段生成不满意只能整体重来。拆开之后可以单独重跑第二、第三节点其他输出不受影响。第二可控。Coze工作流的节点之间有结构化数据传递每个节点输出的字段可以被后面的节点或代码精准引用而不是靠LLM“自由发挥”拼接字段。第三好调试。哪个节点出问题看日志就知道不会在两千字的文本里大海捞针。我实际调试时经常只重跑第二个节点因为后面所有结构都固定了。用生活里的例子类比这就像做菜。一个LLM担任洗菜、切菜、炒菜、装盘的全流程确实能做出来但中途想改动一下辣椒的用量就得把整盘重做。拆成多个LLM节点后你可以在“切菜”环节单独调整刀法其他环节不会受影响。3.2 一段可复用的画像一致性提示词写法角色一致性是漫剧工作流最容易翻车的地方。我的做法是在第三个LLM节点里固定输出一套JSON结构例如{ 角色名: 林晚, 年龄: 25岁, 发型: 黑色中长发刘海偏分, 服装: 米色风衣白色内搭, 外貌特征: 细长眼左眼角有一颗泪痣, 画风标签: 国漫风格色彩柔和半写实 }然后在后续画面提示词节点里用代码把这段JSON里的字段插入到每个镜头的提示词开头。这样不管多靠后的镜头角色外貌都不会突然变样。如果你不想写代码也可以在LLM的系统提示词里要求“始终携带角色设定字段”但实测下来代码拼接比靠LLM记忆更可靠。我还给每个角色加了一个“唯一代号”比如用拼音缩写linwan放在提示词最前面。原因很有意思有些生图模型会对中文名字产生奇怪的联想比如把“林晚”理解成“夜晚的树林”导致背景被强行改成森林。改用稳定的代号后这种误判少了很多。3.3 把视频镜头语言写进提示词既然工作流后面要接Seedance做视频生成提示词就不能只考虑静态图。我在拆分镜头时会要求LLM输出景别、运镜和动作幅度三件事。比如“近景缓慢推近人物转头轻微皱眉”。这些字段后续会分别用在生图提示词和视频运动提示词里。尤其是动作幅度需要控制在一个较小范围内。视频模型对大幅度动作的处理还不够稳容易出形变所以我一般会在提示词里写“动作幅度适中避免肢体夸张扭曲”。镜头语言还有一个隐藏价值它在生图阶段就已经定好了构图。假如你打算让Seedance做“向右横移”的运镜那么生图时画面主体最好不要居中而是稍微偏左给右侧留出运动空间。这套工作流里我会在代码节点里根据运镜类型自动给构图提示词追加“主体偏左”“左侧留白”这类约束这样生图和视频两个环节才不会打架。3.4 一个完整的LLM提示词模板参考这是我跑通后一直在用的一个“画面描述转生图提示词”的模板供你参考请把下面的镜头描述转换成AI生图提示词要求 1. 包含景别、人物动作、表情、场景、光影、画风。 2. 角色设定必须原样引用不允许改写。 3. 输出为一段英文逗号分隔的关键词不要有解释。 4. 如果描述中出现“镜头推向”“横移”等运镜词用构图语言表达出来例如“主体偏左右侧留白”。 镜头描述{镜头描述} 角色设定{角色设定}模板里的占位符会由前面节点的输出自动填充。用英文关键词的好处是很多生图模型对英文理解更稳定但如果你用的模型对中文支持很强也可以保留中文。关键是把规则写死别指望LLM自己临场发挥。4. 与Seedance的联动配合从图到动态画面的衔接4.1 生图尺寸和构图如何迁就视频模型Seedance生成视频时输入图的比例基本决定了输出视频的画面。漫剧最常见的构图是9:16竖屏所以在AI生图节点里我会固定把图片尺寸设置成720x1280或者至少保持同样的宽高比。不要生图时用1:1然后视频输出时再裁切那样人物很容易被切掉半张脸。另外构图上要留出安全边距尤其是人物头部和肢体末端因为视频模型在运镜时会做轻微的缩放和位移边缘内容会被切掉。我通常在提示词里直接写“安全边距人物头部完整四肢留有余量”。有些模型有“画面扩展”参数但在AI生图节点里我一般不依赖它宁可生图时主动留白。Seedance这类视频模型通常还支持首帧和尾帧设置。如果你想让镜头从A点运动到B点可以在生图阶段生成两张图一张作为首帧一张作为尾帧然后让视频模型在两者之间补全。不过这套工作流目前只生成了单张底图所以我一般用单图加运镜提示词的方式不强行要求两帧突变。4.2 动作幅度与运镜提示词的克制写法我见过很多人直接用“角色从远处跑过来再跳到空中转体”这种描述结果生成的视频人物扭曲成一团。在漫剧场景里单向运镜加小幅动作是成功率最高的组合。比如“镜头缓缓向右平移人物抬手整理头发”这类既能让画面有动态感又不容易崩。Seedance的提示词里也建议把动作放在句子主干不要堆叠过多修饰。如果生成后画面运动过快试着把动词换得更中性比如把“猛地站起来”改成“缓缓起身”。下面这个表是我常用的静态生图提示词和视频运动提示词对照景别生图提示词参考视频运动提示词参考近景半身构图人物面部清晰背景虚化镜头缓慢推近人物轻微转头中景人物膝盖以上动作可见环境明确镜头围绕人物缓慢横移全景全身构图环境描述完整镜头向后拉远人物保持站立特写面部特写表情细腻光影质感强镜头极慢推进人物眨眼你可能会发现视频运动提示词普遍写得比生图提示词简短。这是对的。视频模型对复杂句子的解析能力不如生图模型写一长串修饰反而容易让动作变得诡异。我基本只写“景别镜头运动人物动作”三件套。4.3 批量出图后的筛选与二次生成工作流结束时会返回一批图片我通常不会全直接进Seedance。我会先做一轮人工筛选表情僵硬的、手部崩坏的、角色特征跑偏的一律留下来重新处理。Coze工作流支持把某张图的提示词带参数重跑我一般会在原提示词里加“手部自然放松”“表情自然微笑”之类的小修然后只重生成那一张。这里有个小技巧生图节点设置种子值固定时会更容易复现同一角色但也会让你改提示词之后仍保留部分特征。具体要看模型表现不是所有模型都吃种子值实测下来多数国产模型对seed的敏感度不高别把它当万能。我更依赖的是“角色设定字段画风标签”这两者的组合只要这两项不变同一角色在不同镜头里基本能保持七成以上相似度。如果你要拿底图去接Seedance还有一个环节容易遗漏去水印和清杂质。有些生图模型会在角落生成平台水印或者莫名其妙的噪点直接喂给视频模型会把水印也动态化后面想去掉就很麻烦。我一般先统一过一次轻量图片处理再做视频生成。5. 导入工作流时最想骂人的地方节点缺失与依赖安装5.1 报错文案看得人发懵请安装缺失的包下载完压缩包解压导入Coze结果界面弹出一行“请安装缺失的包以使用此工作流。要安装缺失的节点请先在你的python环境中运行”。第一次看到这种提示我第一反应是在Coze里找安装包的地方结果找了一圈也没有。后来才搞明白Coze平台本身不会要求你装Python包出现这种提示说明你下载的工作流文件里含有Coze没有内置支持的自定义节点或插件或者它根本不是纯Coze格式而是从本地节点编辑工具里导出的。这个提示里最坑的是“python环境”这几个字。如果你跟我一样是个只写提示词的创作者看到python环境四个字可能会直接愣住。但如果你懂一点后端就会明白它其实是在提示你这个工作流文件依赖一部分代码这些代码需要有一个能执行Python的运行环境。Coze云端能跑的是它内置的代码节点对于不在它白名单里的第三方依赖它不会自动帮你装。5.2 先分清云端节点和本地节点的区别很多从网上拉下来的工作流包虽然写着“Coze平台”但打开JSON之后会发现里面混着“API调用节点”或“自定义Python节点”。这类节点如果走的是Coze官方插件直接添加插件即可如果走的是你自己的服务器或本机服务那就必须在运行节点的那台机器上安装依赖。也就是说Coze只是编排层真正跑自定义代码的可能是你的后端。此时那句“在你的python环境中运行”就是提示你去本机或服务器上执行类似pip install -r requirements.txt的命令装好之后才能从Coze发起请求时正常返回结果。我自己拿到的这份压缩包里其实就有个requirements.txt里面写的都是很常规的库比如requests、numpy没有特别冷门的东西。如果你下载的包没带这个文件那就去节点配置里看它import了什么模块再逐个安装。这里还要提醒一句不要为了省事把第三方依赖装进系统全局的Python环境。我有个朋友直接装结果把系统里另一个项目的环境搞乱了花了半天收拾。正确做法是建虚拟环境一个项目一套依赖。5.3 我在实际导入时用的排查步骤如果你也遇到了类似报错别急着骂按这个顺序排查先检查工作流文件里用了哪些非官方插件节点。在Coze的节点列表里逐个对官方插件能直接搜到搜不到的十有八九是自定义节点。把工作流分成两半测试。先只保留LLM文本链不接生图节点看提示是否消失。如果消失了问题就在后半段。确认自定义节点需要什么依赖。通常包内会附带requirements.txt或说明文档没有就去原项目页看报错信息一般会写清模块名。如果确实需要本地Python环境建议用独立的虚拟环境别一股脑装进全局。我用的是python -m venv coze_env然后再pip install -r requirements.txt避免和已有环境冲突。最后回Coze测试连通性。如果自定义节点走的是HTTP请求本地需要做端口映射或内网穿透这一步最容易卡住你半天。我在排查时还遇到过一个迷惑情况报错提示某个依赖不存在但这个依赖我明明已经装过了。后来发现Coze代码节点运行环境和本地环境是两套本地装上不代表云端或你后端的执行容器里也有。遇到这种问题优先检查工作流里自定义节点实际运行的位置而不是在本地空转。5.4 一段通用的本地环境准备示例如果你是第一次接触这种东西可以照着下面的命令走一遍。假设项目解压在~/coze_seedance目录cd ~/coze_seedance python3 -m venv coze_env source coze_env/bin/activate pip install --upgrade pip pip install -r requirements.txt python main.pymain.py通常是为了启动一个本地API服务Coze的API调用节点会请求这个服务地址。跑起来后你可以在浏览器里访问http://127.0.0.1:8000/docs快速检查接口是否正常。能访问说明本地服务起来了接下来再去Coze里重新测试节点。如果你不想自己维护本地环境也有变通方案把自定义Python节点改成Coze内置的“代码节点”逻辑用平台自带的运行时跑。很多简单依赖其实不需要外部环境改写成纯Python标准库就能在Coze里跑通。改起来有点费劲但一劳永逸不用再管什么环境安装。6. 跑通之后我总结出的调参经验6.1 LLM采样参数对剧本质量的影响工作流里的LLM节点默认参数往往不是最优解。温度temperature和top_p这两个值直接决定了剧本的稳定性和创意。我的经验是大纲扩写阶段温度可以拉到0.8让剧情更有发散性但到了分镜和提示词生成阶段温度要降到0.3以下否则同一个镜头每次生成的提示词差很多不利于批量复现。如果平台有“随机种子”选项固定下来会更稳但不要指望种子能完全消除偏差。还有一个容易被忽略的参数是“最大Token数”。如果设置得太小LLM生成到一半会被截断导致输出不完整。剧本扩写节点我通常会留出2000到3000的Token余量分镜节点按镜头数量乘以100估算。Coze有预估Token显示建议留出10%到20%的冗余别刚好卡在边界上。6.2 生图模型选择的对比Coze平台里AI生图节点可选多个模型不能只看名字。我对比过几款效果差异主要在三处人物手部细节、文字渲染、复杂背景。漫剧生图建议优先选对“人物半身、特写”表现好的模型因为漫剧大量镜头是人物对话场景背景往往只需要模糊的咖啡馆、街道。如果你需要生成带特定文字的画面比如手机聊天截图、广告牌先确认模型支持文字生成否则会出现乱码。模型类型人物表现文字渲染复杂场景我的建议通用写实中等弱强不适合漫剧人物国漫风格强弱中等漫剧首选二次元专用强弱中等看题材支持文字生成的模型中等强中等有文字需求时选这个表只是参考Coze平台经常上架新模型参数和风格都会变。我建议你拿自己最常用的一集剧本固定提示词挨个模型跑一遍生成对比图库。以后选模型直接看这个库不用每次纠结。6.3 整个流程的耗时与成本预估很多人关心这套工作流跑一集要多久、烧多少钱。我先说时间在我这里从输入梗概到拿到一集完整分镜和底图大约15到25分钟主要看生图节点需要重试几次。成本上LLM部分很便宜调用几千字token不到几分钱主要费用在AI生图一集60张底图加上重试按平台的按张计费算大概在几块钱到十几块钱之间。如果还要接Seedance生成视频那就另算视频生成费用。想省成本的话可以把生图节点改成“先生成单张确认风格再批量跑全镜头”而不是一上来就全量生成。我自己的成本控制思路是分两步走先用低参数快速验证故事结构不着急生图确定这一集要做了再打开完整工作流跑批量。这样一来废弃的图片和Token都会少很多。6.4 与Seedance相关的视频生成参数心得在Coze里接Seedance时我通常会关注三个参数时长、运动幅度、分辨率。漫剧单镜头一般控制在3到5秒太长了容易露馅太短了观众看不清。运动幅度我倾向中等偏小因为漫剧本身是“伪动画”运动只是为了让画面不死板不需要真的大开大合。分辨率优先匹配生图尺寸别跨比例调整。另外Seedance生成视频时提示词里最好明确“镜头运动”和“人物动作”谁为主。比如“镜头横移人物静止”比“镜头横移人物同时走动”更稳。如果两者都要一定要把动作写得很小否则视频模型可能为了迁就镜头运动把人物边缘拉出残影。7. 这套工作流适合谁、不适合谁7.1 适合做短剧试错的个人和小团队如果你是刚入局漫剧赛道想快速验证一个故事能不能跑起来这套工作流非常合适。它把最耗时的文案和底图环节压缩到半小时内让你能在一晚上连出好几集分镜先发到平台看数据反馈。数据好再进入精修和视频化数据不好换个故事重跑成本也很低。我也推荐给那些已经有人工漫剧制作经验、但想提效的团队。尤其是有稳定剧本模板的团队把这套工作流接入自己的业务后台批量跑几十集分镜会明显感觉人力被释放出来。7.2 精装漫剧还是需要人工介入的地方但别指望它是“全自动印钞机”。真正要上线商业化的漫剧角色一致性还需要在生图后做人工检查甚至要训练专属Lora剧本质量也需要人工改写LLM生成的台词经常缺少潜台词和情绪层次。工作流能帮你把“从无到有”的效率拉满但“从有到优”还是得靠人去磨。我个人跑通之后的定位是用它在项目早期快速验证创意、生成参考素材再结合人工精修做最终成片。最后再分享一个小技巧如果你把输出节点的JSON结构直接接到自己的数据看板或表格里可以很轻松地记录每一集使用了哪些提示词、哪些图片被保留、最终哪几个镜头效果好。次数多了之后你会慢慢总结出一套属于自己的“高确定性提示词库”那时候漫剧生产才算真正跑顺了。本文还有配套的精品资源点击获取