研究了一下 AI 漫剧开源项目 Awesome Short Drama Skills
最近研究了一个叫 Awesome Short Drama Skills 的开源项目。它是一份清单,收录了 83 个给 AI 用的短剧、漫剧 skill(技能包),从小说改编、分集剧本,到分镜、视频提示词、出片都有。装进 Claude Code、Codex、豆包、千问这类 AI 助手里,就能让它按这套方法干活。
这份清单有个特别的地方:维护它的人是第三方。 清单里这些 skill 没有一个是他写的,他做的是把别人写的收集起来、分好类,再拿来实测、打分。
我带着一个问题去看:我平时用 Claude Code,主模型是 Opus 5.5,写剧本、写分镜、调视频接口,它自己都能干。那这些 skill,还有价值吗?
翻完的结论是:清单里大多数 skill 没什么用,这一点维护者自己的实测就说明了;但有那么几个,里面记着 skill 作者一次次生成视频、一次次翻车攒下来的经验。这些东西模型再强也不知道,是整份清单里最值钱的部分。
先说它是什么
skill 说白了就是一个文件夹,核心是一份说明书,写清楚某件事该按什么流程做、交什么格式、守什么标准。比如"每集 1 到 2 分钟、第 10 集设付费卡点、结尾必须留钩子"。装上以后,你用大白话提需求,AI 就照着这套方法去写。
这份清单把 83 个 skill 按类型分了组:全流程的、只管编剧的、只管分镜和视频提示词的、管选题和改编的,还有专门"去 AI 味"的。每个都附了一段维护者人工核对过的简介。
维护者是第三方,而且看得很清醒
清单的维护者在 GitHub 上叫 UnderleveledBuilder。他自己只写了一个"帮你挑 skill"的小 skill,收录的短剧 skill 全是别人的。
"awesome 清单"这类项目很多,大多是把链接堆在一起,个个都夸。这一份不一样,我翻下来,维护者处处都在给读者提醒:
简介只写事实,不夸效果。 他在数据文件开头写明:"只写从仓库里核实过的事实,不评价效果。"首页也提醒,"人工核对"只是核对过仓库说明和分类,不等于测过效果;skill 可能附带脚本,装之前先读一遍。
该点破的都点破了。 比如注明某个 skill"作者标注为测试版,整合了其他开源内容";某个 skill"基于另一个 skill 的 3.2 版改编,两者框架相同";还有一个"5 个子 skill 与另一个项目的文件结构和示例相同,仓库未注明来源"。
没测过的就说没测过。 他给了几套推荐组合,比如"小说改编短剧:先用 A,再用 B,最后用 C",但开头就写着"依据仓库说明搭配,尚未实测"。
真的去测了,而且测出不好的也照实写。 这是我最佩服的一点,下面细说。
他做的实测:装和不装,比一比
维护者从收录的 skill 里挑出编剧、选题类的,拿同一个模型(正好是 Opus 5.5)、同一份需求,让装了 skill 的和不装 skill 的各写三次,再请两个 AI 评审匿名盲比,前后做了三轮:写剧本、定选题、写全剧骨架。
他测得很讲究:
每个跑三次,全部保留,不挑最好的那次。
每对稿子换个先后顺序再比一次,两次都赢才算赢。
主评审之外,再换一家公司的模型用一字不差的提示词重判一遍,两边结论不同的标"有争议",只把两边都同意的写进结论。
评审自己的毛病他也查了:偏爱篇幅长的稿子,理由里引的"原文"有一部分在稿子里根本找不到。有一轮全部判完后,他发现约四分之一的判决把"场景少、人少,AI 好拍"当成了优点,于是改了提示词,全部重判,第一次的结果不公开。
每一轮结尾都有一段"这一轮能说明什么、不能说明什么":只测了一个模型;评审是 AI,不是观众;比的是稿子,没有真拍出来。
测出来的结果挺扎心:
写剧本,10 个 skill 里,两个评审都判"三次全赢不装 skill"的,只有 4 个。
写全剧骨架,20 个 skill 里,两个评审都排在"不装"前面的只有 4 个,都排在后面的反而有 6 个。
装了 skill 反而写得更差,是常有的事。 一个自己写 skill 的人,很难把这句话放在自家首页上;正因为是第三方,他才能照实写出来。
赢了的 skill 赢在哪?主要是两点。一是一集真能装进 1 到 2 分钟,不装 skill 的模型每集塞得太满,常常超过 2 分钟。二是情绪落在动作和物件上,而不是靠内心独白。比如一个装哑的妻子,看着丈夫的情人亮出 B 超单,剧本只写了一句"她盛好一碗汤,稳稳放到对方面前,汤面一丝都没晃"。不装 skill 的模型,碰到关键推理,常常连写三句内心独白,可视频模型拍不出内心独白,只能配旁白,脸是不动的。
还有一些毛病,装哪个 skill 都改不掉。33 份剧本里,15 份有一个叫"小满"的角色,10 份的女主姓沈;36 个选题里,18 个提到了"账"(讨账、查账、账本),离婚查账最扎堆;第一个付费卡点,33 份全在第 10 集。这是模型自己的习惯。用同一个模型的人很多,不改的话,你的剧很容易和别人撞名、撞设定。
我怎么挑
维护者的实测只覆盖了编剧、选题这二十来个,分镜、视频提示词这些没测过。剩下的,我学他的办法,不看星数和自我介绍,把 83 个的简介挨个看了一遍,挑 skill 的标准只有一条:里面有没有 skill 作者自己生成过、翻过车的痕迹。 比如带日期的失败记录、"改了什么、结果变成什么"的对照、真实的数据。按这个标准挑出十个,下载下来逐个读,其中真有料的是五六个。
先说有料的,没料的放在后面一起列。
第一份精华:视频模型的脾气
这一部分最值钱。原因很简单:这些失败发生在视频模型里,不在大模型里。Opus 再强,也不知道 Seedance、MiniMax H3 这些视频模型会怎么出错,只能靠一次次生成攒出来。
否定句会把被否定的东西画出来。 有个作者实测,提示词里写"禁止空镜开场""玉佩不发光""面无笑意",结果成片是空房间开场、玉佩全片自己发光、宣判台词配了一个露齿甜笑。原因是视频模型对"不""禁"不敏感,对词根很敏感,"发光"两个字出现了,它就画发光。另一个作者在 H3 上做了对照:为了防止镜头乱动,写了一串"不要推近、不要变焦、不要叠化",剪点照样漂;只把这几句删掉,什么都不加,剪点就回到了接近原定的位置。
一个镜头装不了太多动作。 有人在 H3 上做对照:一个 7 秒的近景塞了 9 个表情变化,脸几乎完全不动,模型不报错,只是静默地全扔了;拆成三个两三秒的镜头,每个只放一个表情,每个都到位。打戏里也一样,3 秒的镜头塞 5 个动作,模型只画第一个,后面全丢。
参考图和文字打架,图赢。 一个在即梦上批量出片的作者,发现一致性崩掉的头号原因,是给了角色参考图,又在提示词里把角色外形重新描写了一遍。模型会按文字重画一个新角色,再拿参考图"修个色",出来的东西像,但不是。群戏也一样:场景图是空房间,提示词里不管写"十五个人"还是"只站一排",生出来都是二三十人;换一张人群已经站好的场景图,一次就对。
写得越多越乱。 有个作者一集写了 24 个镜头,配了 18 种运镜,没有一个固定镜头,用户看完说"运镜有非常大的问题,穿帮,镜头太多了";改成 12 个镜头、全部固定机位,才顺了。同一个人的站位,段首说一遍、每个镜头又说一遍,只要有一处对不上,人物就"东一个西一个,突然出现在身后"。模型会执行你写的每一句话,包括你忘了删的旧句子。
还有一些很具体的:
主体只占画面高度不到一成、又几乎不动,模型会直接把他丢掉,成片最后 4 秒人整个没了;
写"这只手与她的脸同框",模型会画出两个头;
反光的道具写"映出火苗",模型不懂反射,会在道具上画一团火;
视频的最后一秒多容易崩,要留一个反应镜头垫着。
第二份精华:短剧到底该怎么写
AI 评审的口味和真实观众不一样。 前面说赢了的 skill 情绪落在动作上,比如"汤面一丝都没晃"。可另一个作者整理真实观众的反馈,发现头号差评是"说的话想半天才能明白什么意思":只给一个隐晦的物证,不挑明是什么意思,刷手机的人反应不过来,直接划走。还有用户对 AI 写的剧本连退了三次稿,原话是:"台词太少了,你自己去看一下红果短剧,那台词量是很密集的。"
两边合起来,我的理解是:台词要密,事实和利害要在一两句话里用大白话说清楚;情绪靠表情和动作演,不靠内心独白。
全剧骨架要细到"回合"。 实测里,骨架写得好的,是把 60 集拆成一个个三到四集的小回合,每个回合写清三件事:主角亮出什么证据,对手怎么反扑,这一回合停在哪。写得差的,十集只有一两行概括,交给 AI 往下写就会注水。还有一条红果官方编剧课里的经验:一个矛盾最多撑 20 到 30 集,拖过 30 集,观众就从"憋屈"变成"疲劳"。
第三份精华:平台的最新口径
这部分大多发生在 2026 年下半年,模型的训练数据里没有,只能靠人去盯。
红果是免费平台。 红果官方编剧课里讲,过去第 10 集是"付费坎",免费模式下变成了"留存坎",情绪要更快拉起来,并且一直撑住。
抖音不一样。 靠投流获客,成本高,30 到 60 集的剧,付费墙会提前到第 3 到 5 集。
开头一场定生死。 平台和制作方最先看的,是第一集第一场。开场平淡、只交代背景,剧本就直接进了"待定"。
政策收紧了。 广电的微短剧新规 2026 年 9 月 1 日施行,公安、司法、国安等题材属于一类特殊题材,要重点备案;暴力复仇、封建糟粕是专项治理的重点。
爽点的风向变了。 头部剧的羞辱戏,正从扇耳光、泼茶这种肢体冲突,转向更生活化的冲突。
哪些部分没什么用,可以直接跳过
清单本身的几样东西: 项目简介和推荐组合可以跳过,前面说了,维护者自己就标明了简介不代表效果、组合还没实测。实测的评分方法(盲比、换顺序、两个评审互相复核)做得很认真,但那是给做测评的人用的,做内容的人看结论就够了。
83 个 skill 里,大致这几类可以跳过:
把书蒸馏成规则的。 有的从麦基的《故事》蒸馏,有的从几十本编剧书提炼。这些知识 Opus 5.5 本来就有。有意思的是,一个从 47 本编剧书提炼的 skill,在写剧本那轮赢了不装 skill 的模型;但它赢在提醒模型用上本来就会的东西,比如情绪落在动作上、一集别塞满,这几句话写进你自己的要求里就够了,用不着装一整套。
整理视频模型官方手册的。 官方文档你让 AI 自己去读就行。
套一层流程壳的。 大多数"全流程" skill 都是这样:分几步、每步停下来让你确认、用文件记录进度。这是工程做法,不是经验,Claude Code 自己就会这么干。
提示词库。 有的收了几百条提示词,每条附一句"这条好在哪",但没有失败记录,看不出哪条真跑过、跑出来怎么样。
完整的平台软件。 清单里另列了 16 个,要自己部署的网页应用,不是 skill。
我挑出来的十个里,读完没什么料的:
一个改编剧本的 skill,规则很多,但几乎都是作者自己的断言,没写依据,也没写翻车记录。
一个分镜 skill,是通用的导演规矩,只收了一条"失败后按什么顺序返修"。
一个导演 skill,只有一份 9 部短片、551 个镜头的时长统计有用(平均 4.2 秒一镜,中位数 3 秒),其余是常见的导演风格模板。
一个多模型提示词工具包,方法论部分整理自官方指南和教学视频,是二手的,有参考价值,但不是作者自己试出来的。
要注意的地方
第一,这些经验会过时。 视频模型几个月一个版本,"Seedance 提示词最多写多少字"这种数字,下个版本可能就变了;平台口径变得更快。用之前,最好先拿一两段自己试一下。
第二,不同模型的脾气不一样,甚至相反。 同样是否定句,在 H3 上是"写了反而出事",在 Seedance 上,"不要继承参考视频里的人物和光线"这类写法却是有效的,而且作者说这是最重要的一条。别家说的规律,换个模型不一定成立。
第三,大多是一个作者、一部剧的经验。 样本不大,有的作者自己也在文档里标了"待验证"。能看出来他们很诚实,但这也意味着,不要把它当成定律。
最后
简单总结一下:这份清单本身不用装,当一张"去哪儿找经验"的地图就行;83 个 skill 里大多数,对会用 Claude Code 的人用处不大。清单里最值得看的,是维护者三轮实测的点评(项目 evals/runs/ 下每轮的 review.md),它会告诉你哪类 skill 装了白装、模型自己会犯哪些错。skill 里真正值得读的,是这几份文件:
phileiny/h3-storyboard-skill 的 SOURCES.md:每条规则都标了做过什么对照实验、哪些还没验证。
lixiaoxiao9888-create/manju-laoli-skill 的 CHANGELOG.md:用户和粉丝出片以后,一条条反馈、逐帧复盘的修订记录。
A-cat-with-carrots/OnlyShot 的 references/jimeng-failure-modes.md:在即梦上批量出片的失败清单。
alchaincyf/seedance-skill 的 README.md:用三维白模控制 Seedance 时,实测出来的几条规律。
lixiaoxiao9888-create/short-drama-factory 的 references/genre-map.md:按 2026 年榜单整理的题材和平台差异。
希望这篇对你有帮助。对 AI 做短剧、做视频感兴趣的朋友,欢迎在留言区一起交流。