在 AIGC 视频（如 Sora, Runway, Pika, Kling 等）领域，“费片率”（Wasted Footage Rate）是最大的痛点。

针对 视频 CG 生成，原本的通用文本“五维量规”需要进行深度的领域化改造。我们不再关注“回答是否礼貌”，而是关注**“画面是否可生成”以及“是否会崩坏”**。

以下是专为 “视频生成脚本预审” 设计的全新五维量规及实战 Prompt。

一、 视频生成专用：五维评分量规 (Video Generation Rubric)

我们需要将通用的标准映射为视频生成的硬指标：

二、 实战案例分析

让我们用这个新标准来审视一个用户的脚本。

❌ 案例 A：必定产生“废片”的脚本

用户输入：
“展现出一种绝望中带着希望的感觉，镜头很疯狂地旋转，无数的人在跑，背景是未来的城市，然后突然变成了一朵花。”

LLM 裁判分析报告：

• 可视化性 (1分)：“绝望中带着希望”是抽象概念，AI 无法渲染。
• 物理逻辑 (1分)：“突然变成了一朵花”属于极其剧烈的主体突变，目前的视频模型很难平滑处理，容易生成恐怖谷效果。
• 镜头语言 (2分)：“疯狂地旋转”极易导致画面模糊晕眩，甚至引起观众不适。
• 主体一致性 (1分)：“无数的人”对于 AI 是灾难，面部和四肢大概率会全部扭曲熔化。
• 结论：高危废片。

✅ 案例 B：高质量 CG 脚本

用户输入：
“赛博朋克风格街道，夜景，霓虹灯雨。中景镜头，锁定一名身穿黑色风衣的机器女性，她正从左向右行走。她的右眼是发光的红色机械眼。摄像机保持水平平移跟随（Truck Shot）。高分辨率，虚幻引擎5渲染风格。”

LLM 裁判分析报告：

• 可视化性 (5分)：全是具体的视觉名词（街道、雨、风衣、机械眼）。
• 物理逻辑 (5分)：简单的行走动作，单一主体，物理规律简单。
• 镜头语言 (5分)：明确指定了“Truck Shot”（平移跟随），AI 知道怎么动。
• 主体一致性 (5分)：特征描述极其具体（右眼红色机械眼），能锁住特征。
• 结论：有效成片。

三、 视频脚本预审 Prompt 模板 (JSON版)

您可以将此 Prompt 嵌入您的后端，当用户输入脚本时，先跑一遍这个，如果分数低，拒绝生成并提示用户修改，从而节省算力成本。

# Role
你是一名资深的 AI 视频生成专家（Prompt Engineer for Video Generation）。你的任务是预审用户的脚本，判断其是否能生成高质量的 CG 视频，从而避免产生“废片”。

# Evaluation Rubric (视频生成五维量规)
请对用户脚本进行风险评估（1-5分，5分为最安全/最佳）：

1. **可视化程度 (Visualizability)**:
   - 描述的是具体的视觉元素（物体、颜色、光影）还是抽象概念？
   - 抽象概念越多，分数越低。

2. **物理/动作合理性 (Physics & Action)**:
   - 动作是否简单清晰？是否存在复杂的肢体交互（如吃面、接吻、打架）？
   - 是否包含难以实现的变形？复杂交互分数越低。

3. **镜头语言明确性 (Camera Control)**:
   - 是否指定了运镜方式（推、拉、摇、移）？
   - 运镜指令是否冲突？无运镜或冲突运镜分数低。

4. **画面复杂度控制 (Scene Complexity)**:
   - 画面元素是否过多？是否有“人山人海”等难以处理的群体描述？
   - 元素过多导致 AI 算力分散，细节崩坏风险高。

5. **风格与画质指令 (Style & Quality)**:
   - 是否指定了渲染风格（如 3D render, Cinematic, Anime）？
   - 风格缺失可能导致画面质感随机。

# Task
1. 分析用户输入的脚本。
2. 预测生成结果可能出现的**具体的崩坏现象**（Glitch Prediction）。
3. 给出评分和修改建议。

# Input Script
{user_script}

# Output Format (JSON Only)
{
  "scores": {
    "visualizability": <1-5>,
    "physics_action": <1-5>,
    "camera_control": <1-5>,
    "scene_complexity": <1-5>,
    "style_quality": <1-5>
  },
  "risk_assessment": {
    "is_waste_risk": <true/false>,  // 如果平均分低于3.5，或任意单项低于2，则为 true
    "predicted_glitches": ["例如：手部细节可能崩坏", "例如：运镜可能导致画面晕眩", "例如：抽象概念无法准确渲染"]
  },
  "refinement_suggestion": "<如果不合格，请给出一个优化后的、可直接用于生成的英文 Prompt>",
  "reason": "<简短的中文点评>"
}

四、 这个 Prompt 的“防废片”机制原理

1. 拦截抽象词：如果检测到“温馨的感觉”，Prompt 会建议改为“暖色调灯光，壁炉，一家人微笑”。
2. 拦截复杂肢体：如果检测到“双手编织毛衣”，系统会警告“手部崩坏风险高”，建议改为“毛衣的特写”或“中景展示上半身不动”。
3. 强制运镜：如果用户没写运镜，LLM 可以自动在 refinement_suggestion 里补上 Static camera 或 Slow zoom in，保证视频稳定性。

建议

如果您正在开发这个系统，建议做两个功能：

1. 红绿灯机制：

• 🟢 绿灯：直接调用视频生成 API。
• 🔴 红灯：前端弹窗提示用户：“您的脚本包含‘抽象情感’描述，AI 可能画不出来，建议使用下方的优化版脚本。”

2. 自动优化 (Auto-Refine)：直接展示 JSON 中的 refinement_suggestion 给用户，让用户一键替换。