如何在 Claude Code 里搭建 AI 视频工作室

如何在 Claude Code 里构建一个 AI 视频工作室 July 28, 2026 · 15 min read · View source ↗ Claude Higgsfield AI Automation 我把 Claude Code 变成了一间真正在运转的电影工作室，而我要把整套系统交给你：skill、prompt、循环，以及把它们串起来的六阶段流水线。 每个阶段都依赖 harness 的不同部分：模型靠 skill、产量靠 subagent、剪辑靠 bash，而一切重复的事情靠精心设计的循环。 今天，我要教你用 Higgsfield Supercomputer、Claude Code 和 Seedance 2.0 制作像这样的短片： 这篇文章包含这些内容： 引擎：所有模型都在一个平台上，以及两条进入的路径 阶段 1：从真实的电影里提取一份风格契约 阶段 2：量产帧，锁定角色和地点 阶段 3：agent 写下每一个镜头的 prompt 阶段 4：运动，以及消灭"冻结镜头"的语法 阶段 5：subagent 舰队并行跑生成 阶段 6：配乐、用文本文件做蒙太奇、4K 母版 如果你想要这篇内容背后的完整制作工具包——prompt 板、风格圣经，以及可直接运行的 agent 简报——那就是 weeklyaiops.com 上实时 AI 运营社区存在的意义。 为什么循环就是产品 一个专业镜头过去是一场豪赌，因为每次尝试都要花真金白银和真实的天数，所以没人实验，所有东西看起来都一个样。 AI 视频坍缩了这个循环：描述一个镜头，几分钟内生成，看一遍，改三个词，再生成。 尝试的成本降得如此之低，以至于"把一切都试一遍"变成了策略。 但一个坍缩掉的循环，只有在有东西替你跑的时候才划算，因为每个镜头五十个循环、二十个镜头，就是一千个决策；而一个点一千次生成按钮的人，是一个筋疲力尽的操作员，作品依然产出一堆垃圾。 所以系统把工作拆成两半： 你拥有品味：哪些帧感觉对，哪些镜头能活下来，这部电影想成为什么。 agent 拥有吞吐量：写 prompt、提交生成、轮询任务、重试失败、组装剪辑。 在当下这个时间线上，这项技能的名字叫循环工程（loop engineering），我们正在用在这套配置上。 一个 agent 循环，是 agent 重复执行直到某个条件被满足的工作；而这次制作是三层嵌套的循环： 镜头循环：生成、看、改一个变量、再生成，直到这个镜头挣到它的位置。 舰队循环：遍历镜头清单，哪里有空槽就在哪里提交，收集赢家。 会话循环：记录每一次生成，这样下一次制作就从这一次学到的一切起步。 你只设计一次循环，agent 就整夜跑它们。这就是"使用一个模型"和"运营一间工作室"之间的区别。 你看到的每一部"agent 制作的电影"（包括这一部），都是这样拆分的：agent 规划、写 prompt、重试，人做挑选和执导。 还没有人展示过一部由 agent 从头到尾、全程无人类参与、还能看的电影，而下面这套系统也不假装自己是那种东西。 便宜的生成并没有让好视频变得容易……它把整个工作都移进了品味里。 后面的一切都围绕那句话构建。 引擎：一个平台，两扇门 这次制作会触及图像模型、视频模型、音乐生成和超分（upscaling）——那个把成片提升到 4K 的环节，这通常意味着五个订阅、五个标签页、五个渲染队列，以及五个会丢文件的地方。 higgsfield 几乎把每一个模型都放到同一个界面上，藏在一次登录和一个积分池后面，而且整个平台就是为 agentic 使用而构建的——这正是这套系统需要的，因为一个 agent 没法驱动五个不同的登录。 进入它有两条路： supercomputer 是那扇容易的门：一个运行在平台本身的 agent，替你规划制作、为每个任务自动挑选最好的模型、并把你的场景剪在一起。你描述你想要什么，它处理路由，而且它跑 skill 的方式和 claude code 一样。所以如果你不住在终端里，就从这里开始。 CLI 是那扇控制的门：它让每一个模型都可以从 claude code 或任何你已经在运行的 harness 里寻址。这意味着你自己的 agent 握住整条流水线——生成什么、什么时候、用哪个模型、以什么顺序。 而且，如果你是 AI 视频新手，完全不知道一个好镜头要迭代多少次，supercomputer 跑起来是不花钱的：规划、测试和返工都花零积分，只有渲染最终视频时才付费，所以免费计划覆盖了所有的探索。 CLI 配置是三条命令： npm install -g @higgsfield/cli higgsfield auth login npx skills add higgsfield-ai/skills 这个 skills 包教会 claude code 什么时候该用哪个模型、如何保持角色一致、以及如何提交和轮询任务。所以从这一刻起，你的终端就是工作室。 一条命令就能提交任何模型并等待结果： higgsfield generate create seedance_2_0 --prompt "slow dolly in as the sail tears loose" --start-image ./frame.png --duration 5 --resolution 1080p --wait 换个模型名，同样的结构就覆盖了整个制作：gpt_image_2 做帧，nano_banana_2 做角色编辑，sonilo_music 配 --duration 做配乐，超分器做 4K 母版。 承载整条流水线的那些 flag： --start-image 为图生视频设置第一帧，本地文件路径会自动上传。 --end-image 锁定最后一帧，这就是链式镜头连接的方式。 --wait 会阻塞直到片段完成并打印结果 url，--json 则让输出对一个 agent 可读。 higgsfield model list --json 显示你能调用的每一个模型，higgsfield model get seedance_2_0 --json 显示某个模型接受的确切设置。 而全部从 claude code 里跑，靠的是一个文本文件，而不是一个集成： 把路由规则写进你项目的 CLAUDE.md：每个任务类型用哪个模型、分辨率阶梯、并发上限。 agent 读一次规则，它生成的每个 subagent 都继承这些规则。 生成通过 bash 提交，用 higgsfield generate get 检查，并记录到每次运行一个日志文件。 下面的一切都走那扇门。 阶段 1：从电影里提取品味，而不是发明品味 把品味带进 AI 视频的最快方式，是停止凭空描述情绪，转而从那些已经打动过几百万人的镜头里提取它们。 你的来源，把这些收藏起来： frameset.app 用于电影和视频静帧，可按镜头、灯光、运动搜索。 shotdeck.com 和 fancaps.net 用于几乎任何电影的一帧一帧静帧。 savee.com 和 cosmos.so 用于图像和情绪板。 eyecannndy.com 用于转场和摄影技巧。 挑五到十个承载你想要的精确感觉的镜头。 然后执行提取动作：把每个镜头喂给一个视觉模型，比如 Gemini 3.1 Pro，让它极其细致地命名这个镜头的参数……镜头质感、光线的方向和来源、色调板、颗粒、对比度、构图（blocking）、氛围、时代标记。 输出就成了我所说的风格契约（style contract）：一段锁定的视觉语言，逐字逐句粘贴进这个项目每一个图像和视频 prompt 里，这样每一次生成都朝同一部电影靠拢。 因为你不再寄希望于模型理解"cinematic"。 你在把那个已经打动过人的镜头里测量好的原料，亲手交给它。 "cinematic" 单独一个词，是 AI 视频里最被浪费的词。模型们见过一千万张被贴上这个标签的图片，所以它毫无意义……能落地的，是强化配对："motivated warm lighting, 35mm grain, shallow depth of field, lifted blacks"（有动机的暖光、35mm 颗粒、浅景深、抬高的黑位）。 那一段话决定了后面一切东西的样子。 阶段 2：先有帧，再做运动，永远如此 永远不要凭想象生成视频。 先生成静帧，直到这一帧对了，再让赢家动起来。因为一帧的成本只是一个片段的一小部分，而且只需要几秒而不是几分钟，所以你的所有探索都发生在便宜的那一层。 帧环节看起来是这样的： 把你同一条镜头简报，带着你的风格契约，并行跑过几个扩散模型；在同一个界面上这件事很轻松：同一个 prompt、五个模型、对比。 每个节拍都试很多很多帧，不同的构图、场景内不同的瞬间、不同的天气。 精修赢家：Nano Banana 做外科手术式的编辑和一致性处理，Soul Cinema 做照片质感的角色外观，GPT-Images-2 做密集的艺术指导。 锁定必须保持一致的东西：每个角色一张参照表（正面、四分之三侧面、侧脸，分别裁剪，因为网格会让视频模型把面板误读成不同的人），每套服装或每次状态变化一张单独的表，每个地点多角度表。 如果你不想自己开车，这个环节也是 supercomputer 挣回身价的地方：它自己把同一条简报跨模型测试，看输出，并在你完全不监控的情况下迭代。 三条帧规则，比任何工具选择都更能决定成败： 物体比脸更能承载情绪，因为脸会在生成之间漂移，而物体会锁死。所以当一个故事节拍可以落在一张撕裂的帆或一根断掉的桨上，而不是一个表情上时，就把它交给物体。 一个普通的地方里有一件不可能的东西，是能让人停下滚动的那类构图。 给角色一个代价：一个走路的人影是素材，一个一瘸一拐走向某样东西的人影是故事。 不过帧只是工作的一半，因为一张不动的漂亮帧，依然是垃圾…… 阶段 3：agent 写镜头脚本 每个镜头都需要一个 prompt，而批量写 prompt 正是你要委派出去的工作。 我用 Fable 5 Medium 当脚本写手：它接收节拍表（beat sheet）和风格契约，用一个锁定的模板写下每个镜头的 prompt……场景上下文、参照、构图、摄影机、灯光、音频、风格锁定，每次都按同一顺序。 锁定，是因为镜头之间的一致性来自重复的参照图和重复的语言，从来不来自种子或运气。 脚本遵循的 prompt 规则，每一条都值得单独偷走： 每个镜头一个动词："he turns"（他转身）能生成，"he turns, walks forward, reaches out and speaks"（他转身、向前走、伸出手、说话）会塌掉。 五个小动作胜过一个小形容词："blank stare, slow blink, sips coffee, looks up"（空洞凝视、缓慢眨眼、抿一口咖啡、抬头）读起来像个人，"he looks confused"（他看起来困惑）读起来像一张库存图。 主体运动和摄影机运动永远分成两个句子，因为一句话同时承载两者，正是你得到那个大家都怪在模型头上的"抖动的胡话"的原因。 纯从文字生成的 prompt 跑 120 到 280 词，给一张参考图做动画的 prompt 保持在 80 词以下，因为超过这个数，文字就开始和图片打架，你的角色就开始漂移。 约束保持正向："stable picture, sharp clarity"（画面稳定、清晰锐利）有效，"no blur, no shaking"（不要模糊、不要抖动）会被无视。 阶段 4：运动，以及消灭"冻结镜头"的语法 现在轮到片段了。 每一个关键帧——你在阶段 2 里建好的那张锁定静帧——都过一遍 Seedance 2.0 的图生视频，把那张静帧变成一段移动的片段，作为一个隔离的 3 到 5 秒镜头。而一分钟的电影是 12 到 16 个这样的镜头拼接起来的——反正每一部真正的电影都是这么工作的……剪辑师剪的是镜头，不是条（takes）。 镜头隔离也是那个一致性作弊器：身份漂移会在连续场景超过 30 秒时显现，而隔离的节拍永远不会走到那一步。 我最初两次运动环节以同样的方式失败：人影冻结不动，摄影机从他们旁边漂过——片段在技术上动了，但肉眼可见地什么都没发生。 修复是一种语法，分三部分，每一条图生视频 prompt 都要有： 一个命名的摄影机运动。 一个场景内事件：在这五秒里，有什么事情发生了。 一个明确的"不要冻结的人影"。 同一个关键帧，两个 prompt："slow dolly in, cinematic"（缓慢推近，电影感）给你的是一张会漂移的静图；"slow dolly in as the sail tears loose and the crew scrambles to catch it"（缓慢推近，帆被撕脱，船员们手忙脚乱地去抓它）给你的是一部电影。 两种值回整节的运动技巧： 链式镜头：镜头 N 的最后一帧成为镜头 N+1 的参照帧，这样连续性就延续了下去，一张角色表都不用重新加载。 把高潮写进一次生成里的时间码：[0-4s] 广而静，[4-8s] 随张力上升推进，[8-12s] 在顶点处特写，[12-15s] 揭晓。这样你是在一个片段内部导演剪辑。 不过一个好片段只是个样品，一部电影需要六十个，而这是一个产量问题。 阶段 5：舰队 这是 claude code 挣到"工作室"这个词的阶段。 一个编排者（orchestrator）会话拥有镜头清单。 它按镜头家族生成 subagent……生物、水、室内、动作……每个 subagent 从风格契约里写自己的 prompt，通过 CLI 提交自己的生成，轮询自己的任务，并回报自己的赢家。 因为每一个模型都能从同一个终端寻址，舰队就能跨模型、并行地覆盖整个镜头清单，而你去做别的事。 舰队生死系于一条不光彩的规则……尊重并发。 视频模型会限制同时能跑多少个任务，所以 agent 检查活跃任务，只在有空槽时才提交。 一个会节流的 agent 能整夜跑完……一个天真的循环一小时后就死在速率限制上。没错，那个上限正是让整夜运行变得可预测的东西。 舰队的迭代纪律：每个镜头 3 到 4 个候选，然后每一轮只改一个变量……摄影机、灯光或速度，绝不全盘重写。因为你改了五处才失败的失败，什么都教不了你。 而且 agent 记录每一次生成：prompt、模型、结果、保留还是枪毙。 你的制作变成了一座数据库，而第二号制作从第一号学到的一切起步。 阶段 6：把蒙太奇当代码写 组装比你想的小。 音乐先行：对照剪辑的情绪弧线给配乐写简报，用乐章（movements）而不是情绪——build、peak、quiet、resolve（推进、顶点、安静、收束）——一次生成，然后让剪辑去贴合配乐。 剪辑本身是一个文本文件：每个片段一行，带它的时长和一个音频 flag，而 ffmpeg——这个 Claude Code 已经会驱动的免费命令行视频工具——读取这个文件并渲染出电影。 那个文件的每一行都是一个镜头名、要保留的秒数、以及一个音频 flag……17-scylla-deck 坐在我上一次剪辑的文件里，音频被标记为 mute，因为它生成的那声喊叫和弦乐打架；而两行之后的海浪环境声保持 live，因为它撑起了场景。 每个片段的音频，恰好在它和配乐相撞的地方被静音，在它为真实感加分的地方被保留。 这意味着整个剪辑在几秒内即可复现、可改动，没有时间线软件，没有剪辑师。 超分一次，在最后，作用在成片上，绝不在单个片段上。 探索时用 720p 生成，保留的用 1080p，只有最终母版才用 4K；你停在能回答你正在问的那个问题的最低分辨率上。 如果从终端驱动 ffmpeg 和一个超分器对你说流水线味太重了，这个阶段也是 supercomputer 的领地：把赢家片段交给它，它自己组装剪辑并渲染 4K 母版。 而最后一轮剪辑是纯粹的诚实：任何会让你掏出手机的片段，删掉，无论它花了你多少。 这套系统到底是用来做什么的 电影是 demo……系统才是资产。 同样的六个阶段能产出产品广告、批量 UGC、品牌片、发布视频，因为流水线里没有任何东西知道自己在做电影。 而且一套常备系统赢在速度：当一个时刻砸中你的利基时，窗口是以小时计的，而一个拥有风格契约、锁定角色和一支生成舰队的操作员，会在其他人都还在开标签页的时候就把东西发出去。 整个搭建，压缩版： 用一个视觉模型从真实电影里提取一份风格契约。 跨几个扩散模型批量生成帧，精修，把角色和地点锁进表格。 Fable 5 Medium 从一个锁定模板写每个镜头 prompt。 Seedance 2.0 把关键帧做成隔离的 3-5 秒镜头：摄影机运动 + 事件 + 不要冻结人影。 subagent 通过 higgsfield CLI 并行跑生成，节流、记录。 配乐、用 ffmpeg 从文本文件剪辑、母版超分一次。 跳过阶段 1，其余每个阶段产出的都是"漂亮但不知所云"的素材。 这套系统出来的第一部电影，花了一次整夜会话……你的那部，从你装好 CLI 的那个晚上开始…… 或者免费试试 Higgsfield Supercomputer（Higgsfield AI 在赞助这篇文章，但这个东西确实令人印象深刻）——它能够自主工作，从规划镜头、写 prompt、挑模型，一直到最终成片。 读这篇文章的每个人都能租到同样的模型，所以电影永远只能和你喂给系统的东西一样好。 品味进去，电影出来。 Tags: # X # Claude # Higgsfield # AI # Automation # Guide # Fable Related articles 10 SEO backlink Claude automations for 61k AI mentions in 3 months Link building is trial and error. SEO AI Claude Automation