零基础入门 Opus 5.5 做视频：万字拆解 AI 如何用代码制作视频

Hi，朋友们，放假快乐啊～

Opus 5.5 出来这一周，我的推特时间线基本被各种AI视频刷屏了。像素动画、界面动效、游戏史短片、AI 发展史纪录片，每一个都特别精细。

然后，我就忍不住剁手氪了5x的Max。（心疼我的票子）

剁手以后，我把推特上的各种Ai视频都扒了一遍，还给我的工作台做了个demo视频，就是这个。

这篇文章就给朋友们分享下怎么用Claude Opus 5.5 做AI视频。 （你用其他Ai大模型其实也可以，但出来效果如何就不好说了。）

具体包括Opus5.5做视频的实现路径、详细的案例拆解，以及提示词如何设计，我会尽可能把我的理解讲清楚一点，如果有错漏的地方朋友们记得提醒我一下。 （避免我误人子弟｡°(°¯᷄◠¯᷅°)°｡）

如果你不想写提示词，我还准备了一个Skill，方便朋友们测试。

OK，没问题我们就开始。

01. Opus 5.5 是怎么做视频的

说到Claude Opus 5.5做视频，有些朋友可能会觉得 Claude 已经能直接生成视频了。

其实不能。

Opus 5.5 能看文字和图片，但它输出的只有文字，和视频生成模型还是有很大区别的。

那画面是从哪里来的呢？

答案是代码。Opus 会写代码，代码可以在浏览器里做出画面，再交给别的程序把画面拍成视频。

不知道朋友们小时候有没玩过那种翻页动画书，每一页画一张图，快速翻过去，画面就会动起来。

用代码做视频，基本就是这个原理。

Opus 会写一个网页，网页里有一个函数，你告诉它现在是第几秒，它就把这一秒的画面画出来。然后再用一个程序，按照每秒 24 张或者 60 张的速度，把每一帧都截图下来，最后把几千张截图拼成一个 MP4。

不管你用哪种代码实现，大差不差都是类似的逻辑。然后根据你想要的画面风格，能用的代码大概有7类。

1. JavaScript+Canvas 2D：平面画布

简单来说，Canvas 就是网页里的一块画布，JavaScript 代码可以在上面画线、画圆、填颜色、写字。

像素风、扁平插画、手绘线条这些二维画面，基本都可以用JS+Canvas来实现。

2. HTML/CSS/SVG：网页元素

HTML 负责搭结构，CSS 负责颜色、圆角、阴影这些样式，SVG 是网页里的矢量图形，用来画图标、线条、曲线。

这套代码组合，就比较适合用来做软件产品宣传片，可以做出很丝滑的动效。

3. WebGL 着色器：显卡质感

WebGL 是网页里调用显卡画画的技术，着色器就是跑在显卡上的一段小程序，它会给画面上每一个像素单独算一个颜色。

老电视的扫描线和弧面、胶片颗粒、水面反光、发光的粒子，这些很复杂的质感都可以做到。这个一般是配合Canvas使用比较多，就是把Canvas里画好的内容，多加一层着色器增加质感，实现偏现实的3D效果或炫酷粒子效果之类。

4. Three.js：3D 场景

Three.js 是一个在网页里做 3D 的工具库，模型、材质、灯光、镜头都可以用代码搭出来。它底层用的也是上面讲的 WebGL，所以水面、雾气、光束这些着色器效果，可以直接叠在 3D 场景上。

前面几种都是平面的画面，用了 Three.js 以后，镜头就可以真的在空间里动起来，推近、拉远、绕着物体转一圈都可以。产品 360 度展示、立体的 Logo 和文字、由几万个光点组成的粒子云、方块堆出来的小镇，这类画面一般都靠它来做。

不过它也有局限。完全用代码搭的模型，基本都是方块、球体、圆柱这些基础形状拼起来的，做风格化的场景没问题，但要做一台跟实物一模一样的手机就比较难了。这种情况，最好把产品的 3D 模型文件一起交给 Opus，它可以直接导入进来做动画。

5. p5.js 艺术库：手绘笔触

如果想要彩铅、水彩、蜡笔这种手绘的感觉，常用的是 p5.js，再加一个叫 p5.brush 的笔刷插件，它可以模拟真实笔刷的方向、粗细和纸张纹理。

6. HyperFrames/Remotion：成熟视频框架

前面几种都是让 Opus 从零开始写，HyperFrames 和 Remotion 是现成的代码视频框架，这些通用的部分已经做好了，Opus 只管写画面就行。

这两个工具大差不差，做出来的效果也差不多，区别主要在于控制方式。

HyperFrames 按时间线控制，Remotion 按帧控制，所以理论上来说Remotion的可控性会更好一些。

我之前做抖音视频的时候，就这两个都有用过，其实差距上不是很大。

7. Manim：Python 动画引擎

Manim 是一个用 Python 写动画的开源工具，最早是 YouTube 频道 3Blue1Brown 的作者为自己的视频写的。

它的写法跟前面几种不太一样。你不用一帧一帧去画，只要用代码写出画面里有哪些东西，比如一个圆、一段文字、一条坐标轴，再写它们怎么变化，比如画出来、移过去、变成另一个形状，Manim 就会自动把中间的过程算出来。

优点是画面上的公式和图形都非常精准，缺点也比较明显，就是整体风格比较素，想要丰富的质感和设计感，还是前面几种更合适。

总共算下来，就是7种可以实现不同画面风格的代码方案。然后除了这个以外，我们在制作时还可以用到一些工具。

比方说Playwright，可以在后台打开一个看不见的浏览器，可以用来给代码画面截图。FFmpeg就是专门的音视频处理工具，处理好的画面、音乐这些都是通过FFmpeg来实现。

补充说一点，声音其实也可以用代码合成。

实际上声音就是一串波形。用 Python 里的 numpy、scipy 这些计算库，就可以把每一个音符的波形算出来，鼓点、贝斯、钢琴、合成器、界面的点击声都能做。

OK，上面这些代码类型如果你不懂的话其实也没关系，你可以把这部分内容收藏起来。只要能知道名字和大概能实现的效果，你就可以把它发给任何一个AI，让AI来实现。

02. 代码怎么组合，做出不同风格视频

上面提到的几类代码类型，其实不单可以单独使用，也可以组合起来实现不同的风格视频。

这一部分我挑了 5 条代表案例，风格差别比较大，用到的代码组合也不一样。

每一条案例的视频和拆帧我都会po出来，如果原作者有分享提示词的也会放在案例里。我们一起来感受一下，Opus5.5做视频，实际上能做到什么程度。

案例 1：像素巫师，只用 Canvas 2D

先看最简单的一条，是 @majidmanzarpour 做的像素巫师。

抽帧以后能看得很清楚，这条 11 秒的视频，其实是一个大概 5 秒多的循环播了两遍。巫师站着轻轻晃，然后举起法杖，杖头周围开始有蓝色的火花往里转，接着法杖往前一指，放出一个光圈和一道飞弹，最后收回来，再从头开始。

技术上，这条只用了一种代码，就是 Canvas 2D。

它的像素感主要来自两个做法。

第一，画布本身就很小。所有东西都先画在一块只有 128×96 的小画布上，再整数倍放大到全屏，放大的时候关掉平滑，所以每个像素都是清清楚楚的小方块。

第二，动作故意做得一顿一顿的。巫师的姿势每秒只变十次左右，看起来就像老游戏里一张一张画出来的像素动画；火花、飞弹这些特效则每一帧都在动，画面不会显得卡。

巫师本身也没有用任何图片，是代码用一个个小方块拼出来的，法杖角度、手臂高度这些都做成了参数，所以同一个角色可以做出各种动作。

作者说他是在 Claude 网页版的普通聊天窗口里做的，没有给参考图，前后大概 30 分钟。完整提示词他贴在了评论区，我翻译了一下，你可以直接复制去试：

创建一个独立的单 HTML 文件，用原生 JavaScript 和 Canvas 2D 渲染一个正在施法的像素风巫师动画。不使用任何外部素材、库或网络请求。

渲染
- 所有内容先画在一块逻辑分辨率固定为 128×96 的离屏画布上，再按能放进窗口的最大整数倍放大，画到全屏的显示画布上，居中，设置 imageSmoothingEnabled = false 和 CSS image-rendering: pixelated。
- 所有绘制都对齐到逻辑画布的整数坐标。不要亚像素位置、抗锯齿、渐变和 shadowBlur。
- 固定调色板，大约 24 个颜色：夜空用深蓝和深紫，长袍用暖色，再加 3–4 个明亮的魔法色。每一个像素都必须来自这个调色板。

角色
- 用填充矩形和一串串像素程序化地搭出巫师，大约 24×32 个逻辑像素：带弯折的尖顶帽、长胡子、双色长袍加深色描边、杖头有宝石的法杖。
- 把姿势做成参数（法杖角度、手臂抬起高度、头部倾斜、长袍摆动）。参数平滑变化，但每一帧都量化到像素网格上，这样虽然循环以 60fps 运行，动作看起来却像每秒 8–12 张的像素动画。

动画
- 循环状态机：待机（两帧上下晃动、胡子摆动）→ 蓄力（法杖举起、宝石闪烁、火花螺旋着向内聚拢）→ 施法（一道强光爆发，飞弹横穿画面，屏幕震动 1–2 像素）→ 收招（回到原位）。关键帧之间的姿势参数用缓动过渡。
- 粒子系统预先分配好、循环复用，不产生新对象。蓄力时火花围着宝石转，施法时向外炸开，每个粒子消失前从白色经过魔法色变成深色。画粒子时位置对齐到像素网格。
- 用固定的 60Hz 时间步长更新，用 requestAnimationFrame 渲染。循环里不产生任何新对象。

场景
- 极简背景：深色夜空、几颗闪烁的 1 像素星星、月亮、石头地面。角色的剪影必须清晰可辨。
- 宝石给巫师打一圈 1 像素的轮廓光，蓄力和施法时变亮。

质量标准
- 任何窗口大小下像素都清晰，无缝循环，稳定 60fps，剪影清楚。看起来要像一段精致的 16-bit 游戏角色动画，而不是缩小了的矢量图形。

案例 2：界面变形，HTML/CSS/SVG 加弹簧和节拍

第二条是 @twoclipping 发的界面动效。

从头到尾，画面里只有一个黑白的形状。

每一次变化其实都是一个鼠标光标真的点出来、拖出来的，而且卡在音乐的节拍上。抽帧的时候还能看到，快速变形的那几帧都带着拖影。

这条用到的是 HTML/CSS/SVG，按钮、文字、图表都是真的网页元素。但它看起来比普通网页动效高级很多，是因为作者在提示词里加了三样东西：

• 弹簧动画：所有尺寸、圆角的变化都用弹簧公式算，带一点点回弹，看起来会比匀速运动舒服很多

• 节拍网格：先用 Python 分析音乐，找出每一拍在第几秒，每一次变化都落在拍子上

• 运动模糊：每一帧多截 4 张叠在一起，快速移动的东西就会带一点拖影

同样的，这是提示词，我简单翻译了一下，朋友们可以试试：

<inputs>
开工前先问我：8–12 个界面状态（按钮、加载、播放器、滑块、开关、标签页、图表、命令面板、通知这些），纯黑白还是加一个强调色，以及一首 120 BPM 左右、可以商用的免版税音乐。
</inputs>

<direction>
Dribbble 级别的界面动效。从头到尾只有一个形状，永远不切镜头：每一个状态都是同一个元素改变尺寸、圆角和颜色变过去，里面的内容在一下短暂的模糊里切换。
一个鼠标光标用真实的点击和拖拽驱动每一次变化。浅暖灰背景，黑白组件，一种干净的界面字体（Geist）。所有动画都用弹簧，最多带一点点回弹。镜头跟着缩放，让每个状态都占满画面。最后一帧和第一帧一样，可以无缝循环。
禁止：弹跳缓动、粒子爆炸、发光、组件上的渐变、粗细不统一的图标、没有动作的空档、任何看起来像模板的东西。
</direction>

<structure>
120 BPM，7 个小节，每一拍都有事情发生。
按钮 → 加载 → 对勾 → 灵动岛 → 音乐播放器（播放和暂停图标互相变形）→ 拖动进度条 → 变成音量滑块，拖过最大值时被拉长 → 开关踩着节拍翻转 → 开关的圆点变成标签页的指示条 → 标签页展开成一张自己画出来的图表，悬停时出现提示 → 收成 ⌘K 命令面板 → 输入筛选 → 回车 → 通知 → 回到按钮。
</structure>

<build>
1. 一个 HTML 文件，1440×1440。所有样式都在 seek(t) 里由时间算出来：不用 CSS 过渡，不用计时器，帧和帧之间不保存状态。
2. 弹簧用公式直接算。一个值要多次改变目标时，把每一次变化的弹簧叠加起来，这样它始终只由时间决定。
3. 标签页指示条的左右两条边用两个不同的弹簧，前沿先走、后沿后跟，移动的时候会被拉长。开关的圆点也这样做。
4. 拖拽要像真的在拖：光标按住时，数值由光标的位置算出来；松手后从当前位置弹回去。
5. 用 numpy 分析音乐，找出节拍网格，从重拍开始。每一个界面音效都放在对应动作的那一拍上。
6. 用 Playwright 渲染，每帧截 4 张，用 ffmpeg 混合出运动模糊，输出 60 帧的视频。
7. 渲整片之前，每一拍先渲一帧检查，偏离节拍、太挤、看不清的地方先修掉。
</build>

<gotchas>
被镜头缩放的元素、会渲染文字的元素，都不要加 will-change，否则文字会糊。在变形容器里切换的文字，要有自己的进场和出场时间，不然新旧文字会叠在一起。最后一帧要和第一帧完全一样，包括光标的位置和速度，否则循环的时候会卡一下。
</gotchas>

<start>
先问我要输入的内容，写任何代码之前，先把状态列表排在节拍网格上给我看。
</start>

案例 3：游戏史短片，Canvas、着色器、3D 全混在一起

第三条是 @prasenx 在 Cursor 里让 Claude 做的，一条 2 分钟的电子游戏发展史。

这条是我最喜欢的一条，太酷了，不管是节奏还是多重画风都很舒服，我真的反复看了好多遍。

然后这里面，他其实是混合了几种不同的代码。

• Canvas 2D：画像素年代的那些游戏画面

• WebGL 着色器：老电视的弧面、扫描线、发光

• Three.js（3D）：1993 年以后的走廊、城堡、方块世界

• Python 合成配乐：画面跟着音乐剪

其中着色器这一层，我让 Claude 复刻了一段。

左边是只有 Canvas 的画面，右边是加了着色器以后的：

同样 3 秒、90 帧，只有 Canvas 的版本渲染 7 秒，加上着色器以后是 48 秒。

所以你会发现，同一套像素画面，你是可以通过叠加不同代码来实现更多的质感的。

最有意思的是他的提示词，只有 7 行：

做一条 2 分钟的电影感视频，讲电子游戏的历史，要史诗、要动人，像一部纪录片预告片，全力以赴。

配乐你自己写，完全用代码合成，不要采样，不要音频文件，不要虚拟乐器。画面要跟着音乐剪。

1920x1080，60 帧。不要下载任何图片或素材，每一帧都用代码生成。最后把画面和音乐混在一起，渲染成 MP4，保存到【你指定的位置】。

他只写了想要什么效果，剩下全部是 Claude 自己决定的。

案例 4：甜酷舞蹈，视频模型出人物、代码搭场景

前面三条，画面里的东西全部是代码画的。但代码有一个短板，写实的人物、复杂的舞蹈动作，它很难画好。

这时候可以换一个分工，人物交给视频模型，画面和动效交给代码。

比方说 @Gorden_Sun 发的这条，就是先让 Grok 生成的原始视频和 Opus 5.5 做完的成片放在了一起。

原始视频是 15 秒，一个女孩站在纯绿色的背景前跳舞，除了人物什么都没有。

成片也是 15 秒，但画面完全变了。

拆开来看，Opus 在这里其实主要是完成三件事：

• 抠像：按颜色把绿色背景去掉，只留下人物

• 场景和动效：背景、大字、胶带、分屏、3D 环绕文字，全部是网页代码画的

• 节奏：背景和大字跟着音乐的拍子换，人物片段本身不用改

还有我开头发的那条视频，朋友问我是怎么做出来的。

其实用的也是同样的方式，在Claude里面接入了Flova。然后角色动画是由Oplus 5.5调用Flova实现的，然后其他就都是Opus 5.5的代码动效。

案例 5：AI 发展史，用 Remotion 讲一个完整的故事

最后一条是 @kimmonismus 做的 3 分钟 AI 发展史。

这条视频，实际上就是在 Claude Code 里用 Remotion 做的，每张图都是 SVG 和 Canvas 画的，配音用的是开源语音模型，配乐也是 Python 合成的。

作者有把完整的提示词贴在评论区，写得非常细。你可以把主题、场景换成自己的试试：

你是一位动态设计师兼创意总监，正在制作一部 3 分钟的动画短片，完全用代码搭建，最后渲染成 MP4。

这部片子
标题：「Attention Is All You Need → AGI」
讲的是 2017 年的一篇论文，怎样一步一步引出了大语言模型、推理、会用工具的 AI 智能体，以及 AGI 这个还没有答案的问题。它应该像一篇有电影感的影像随笔，而不是幻灯片或者时间线信息图。可以想象成 Kurzgesagt 遇上皮克斯电影的开场：有情绪、聪明、精准。

技术设置
用 Remotion（React）。新建一个项目，1920×1080，30fps，时长正好 180 秒（5400 帧）。
每个场景一个 composition，在一个主 composition 里按顺序排好。
不用任何外部图片素材或现成视频：所有东西都用 SVG、Canvas、CSS 和代码生成的粒子、形状来画。可以用 Google Fonts。
动手之前，先写一份 STORYBOARD.md，写清楚每个场景的时间、画面、屏幕上的文字和转场。然后一个场景一个场景地做。
每做完一个场景，渲染 3–4 张静帧（npx remotion still），用挑剔的眼光看一遍。先修好排版、重叠、可读性和节奏，再做下一个。
最后用 npx remotion render 输出到 out/film.mp4。给音乐留一个可选的 <Audio> 位置（public/music.mp3），我之后再加；如果文件不存在，就渲染无声版。

叙事主线 / 贯穿全片的母题
主角是一个会发光的词元，也就是单词「the」，它穿过每一个时代。2017 年，它是一个孤独的光点，突然通过注意力连线「看见」了所有其他单词。随着时间推移，它有了声音、感官（多模态）、推理能力、双手（工具），最后，有了一个问题。

场景（时间是大概的，你可以重新分配）
0:00–0:15　冷开场。一片黑暗。单词像星星一样散落，彼此不相连。RNN 式的逐个处理：单词一个接一个亮起，慢慢忘掉前面的。
0:15–0:35　2017 年 6 月，「Attention Is All You Need」（Vaswani 等人，Google）。每个单词同时连到其他所有单词。注意力连线绽放成一张网。论文标题像排版印刷一样出现。
0:35–0:55　2018–2020：大语言模型崛起，GPT-1、BERT、GPT-2、GPT-3。规模定律：这张网指数级增长，镜头往后拉。模型开始补全句子，流畅得有点诡异。
0:55–1:20　2022：指令微调和 RLHF，然后是 ChatGPT（2022 年 11 月 30 日）。词元有了一个聊天气泡。用户数计数器爆炸式增长。世界开始跟它对话。
1:20–1:40　2023：多模态。图像、音频和代码从四面八方流进同一张网，词元有了「感官」。每一种模态都变成词元，流过同一个注意力机制。
1:40–2:05　2024–2025：推理模型。一条看得见的思维链展开，分叉、剪枝、回溯。模型「先想再说」，时间变慢。
2:05–2:30　工具使用和智能体。词元长出了双手：它调用搜索、运行代码、打开文件，调度子智能体。很多条线程同时工作，屏幕变成一个忙碌又漂亮的工作室。
2:30–2:50　走向 AGI。所有母题汇合。2017 年的那张网重新出现，但现在是星球尺度。保持开放：不要乌托邦，也不要末日。屏幕上写：「Attention was all we needed. What comes next is up to us.」（如果你能写得更好，就改进这句话。）
2:50–3:00　回到黑暗中一个发光的词元。片名卡，结束。

制作规则
准确性很重要：年份、人名、论文标题都要正确。对某个具体事实没把握时，宁可不写也不要猜，并把所有不确定的说法列在 NOTES.md 里。
文字排版：屏幕上同时最多约 8 个单词，每段文字停留时间要够读完（至少 2.5 秒）。用一种展示字体，再用一种等宽字体表示「模型输出」。
动效：用弹簧和缓动曲线，不要线性运动。场景之间的转场要从内容里长出来（网络变形、镜头穿过一个节点），不用通用的淡入淡出。
颜色：深色背景，加一个暖色强调色，这个强调色随着时代慢慢变化。
细节和彩蛋留给认真看的人（比如真实的论文片段、小小的界面细节、看起来可信的模型输出），像高水准的动态设计作品那样。
节奏：密集和平静的时刻交替，给推理那一场和 AGI 那一拍留出呼吸的空间。

全程自主完成整条流程。做完以后，告诉我 MP4 的路径、一段简短的创作决策总结，以及 NOTES.md。

03. 提示词怎么写，才能稳定出片

前面我们已经把几种代码分别能做出什么效果、什么风格的视频过了一遍，也拆了几个完整的案例。

在讲提示词之前，还有一类视频要单独说一下。

这几天推特上刷得最多的，其实是下面这种。15 秒里镜头快切，画面很炫酷，配乐和音效也都有。

但我没有单独拿来做案例，因为这种视频基本没什么可控性。

它的提示词就一句话：

做一条 15 秒的动态图形视频，展示你是一个多么厉害的动效设计师，就像是你放进简历里的作品集。全力以赴。

拿它来测试一下 Claude 的上限，是挺好用的。

但如果你是想拿 Claude 做点用得上的东西，比方说给自媒体账号做视频、剪视频，给自己的产品做宣传广告，或者做一些有情绪、有故事的片子，这句话其实是用不上的。

你更需要的，是一个稳定、好用、能做出你想要的效果的提示词框架。

那提示词要怎么写呢？

我把这次看到的效果比较好的提示词放在一起对比，发现一个挺有意思的地方。

基本上数据比较好的几个作品，用的都不是我们平时常见的 Markdown 格式，而是XML标签：

<direction>
这里写画面风格，还有明确不要的东西
</direction>

Anthropic 的官方文档里有提过。

提示词里同时有要求、背景资料、示例这些不同内容的时候，用 XML 标签把每一类单独包起来，Claude 能更准确地分清哪部分是什么，不容易理解错。

整体的框架，其实和Markdown写法差不多：

• <role>：让 Claude 当什么角色，动效设计师、科普作者还是产品导演

• <inputs>：开工前先问你要什么，主题、时长、画幅、配色、参考图、音乐，你没给的不许它自己编

• <direction>：画面风格，还有明确的禁止清单

• <structure>：分镜和节奏，几个镜头、每个多长、怎么转场、卡在哪一拍

• <build>：技术路线，用哪几种代码、怎么渲染、怎么配乐

• <gotchas>：这种做法最容易出问题的地方

• <start>：第一步先做什么，等你确认了再往下

这里面比较容易被忽略、也比较影响效果的，是 <direction> 里的禁止清单。

Opus 在没有限制的时候，会回到它熟悉的默认风格，深色背景、居中的大字、所有东西淡入淡出。

所以为了拿到不一样的效果，提示词这里就要把「不要什么」写得具体一些。

比方说不要弹跳缓动、不要粒子爆炸、不要发光、不要组件上的渐变、不要任何看起来像模板的东西。

然后呢，这里我准备了一个通用提示词模板，朋友们直接用这个也是可以的。

<role>
你是一位动态设计师，也是一位创意程序员，擅长用代码做出有设计感的视频。
</role>

<inputs>
开工前先问我这几件事，我没给的不要自己编：
1. 主题，以及看完以后希望观众记住的一句话：【你的主题】
2. 时长和画幅：【30】秒，【1920×1080 / 1080×1920 / 1080×1080】，【30 / 60】帧
3. 风格：【像素 / 扁平插画 / 界面动效 / 彩铅手绘 / 复古电视 / 3D】，有参考视频或截图就发给你
4. 配色和字体：【主色 #颜色】，【字体】
5. 声音：【我提供的音乐文件 / 用代码合成配乐】，要不要配音：【要 / 不要】
</inputs>

<direction>
整片只用一套风格、一套配色，同一个角色或元素在每个镜头里的样子都要一致。
每个镜头只讲一件事，画面上的字少而大，每段文字至少停留 2.5 秒。
动画用缓动或弹簧，不用匀速运动。转场从画面内容里长出来，比如一条线变成下一个场景的地平线，不用默认的淡入淡出。
镜头要跟着内容动，推近、拉远、跟随，让主体在画面里足够大。
禁止：【居中大字加渐变背景的默认风格、所有元素同时淡入、满屏小字、任何看起来像模板的东西，按你的情况补充】
</direction>

<structure>
先写分镜表，每个镜头写清楚：
镜头 [N]｜[开始–结束秒]
画面：构图、元素、文字
动作：进场、主要动作、出场
镜头：推、拉、跟随还是固定
声音：这一段的音乐和音效
转场：怎么过渡到下一个镜头
如果有音乐，先分析节拍，镜头切换和关键动作都落在拍子上。
</structure>

<build>
1. 画面用【Canvas 2D / HTML+CSS+SVG / WebGL 着色器 / Three.js / Remotion / HyperFrames】来做，不用外部图片和素材。
2. 页面暴露 window.render(t)，画出第 t 秒。所有画面只由 t 算出来，随机数带固定种子，不用计时器，帧和帧之间不保存状态。
3. 用 Playwright 逐帧调用 render(t) 并截图，再用 ffmpeg 合成 MP4。
4. 配乐和音效用 Python（numpy、scipy）从零合成，每个音效放在画面动作发生的那一帧上；有配音的话，整段合成，不要一句一句拼。
5. 每做完一个镜头，先渲 3 张静帧自己检查：文字有没有溢出、元素有没有重叠、画面够不够满，修好了再做下一个。
</build>

<gotchas>
- 字体加载完再开始截图，不然前几帧会用默认字体。
- 用了 WebGL 的话，先渲一帧确认着色器真的生效了，再渲整片。
- 你听不到声音，所以要把音频的波形画成图自己检查，确认没有爆音。
</gotchas>

<start>
先问我 inputs 里的问题，然后给我分镜表，等我确认。再渲 3 张关键帧让我看风格，确认后再渲整片。
</start>

如果你连提示词也不想复制，我还把这一整套流程做成了一个 Skill，叫 xilo-opus-video，已经开源在 GitHub 上。

安装的话，把下面这句话丢给AI就可以：

帮我安装这个 Skill：https://github.com/Kianzzz/xilo-opus-video

装好以后，你只要跟它说想做个视频，它就会调用skill：

• 先问你要做什么：给一个想法也行，丢一篇文章、一个产品网址也行，甚至直接给一条参考视频，它会先抽帧分析这条视频的镜头和节奏；你给了现成的音乐，它也会先测出节拍，再按拍子排镜头

• 给你三个方案：每个方案写清楚风格、用哪几种代码、逐镜头的画面概括、声音怎么做、大概要渲染多久，三个方案会刻意拉开差别

• 每个方案出一个预览：一般是一张关键帧，卖点在动效的方案会出一段几秒的小样，你看着画面挑，不用只靠文字想象

• 你确认以后再开做：它会先把确认的方案写成一份 brief.md，里面就是前面讲的 7 块提示词，然后按这份提示词一个镜头一个镜头地做，每做完一个镜头自己出静帧检查，整片出来以后，再按上一节那几项给自己打分，改到每项 8 分以上才交给你

另外，还有几个提升视频效果的小技巧。

一是思考强度。如果你做出来的效果不太OK，可以先把这个调上去。

二是在项目文件夹里放一份 CLAUDE.md。Claude Code 每次开工都会先读这个文件，所以你可以把做视频的规矩写在里面，这个文件夹里做的每一条视频都会自动遵守，不用每次都在提示词里重复：

# 视频制作规矩

## 渲染
- 每一条视频都只由时间决定：window.render(t) 画出第 t 秒。
- 不用 CSS 动画、不用计时器，帧和帧之间不保存状态，随机数带固定种子。

## 画面
- 禁用的默认风格：居中大字加渐变背景、所有元素一起淡入、角落里的标签和边框、界面上的发光。
- 一种标题字体、一种正文字体，除非我另外说明，只用一个强调色。
- 每 2–4 秒画面上要有新东西出现。

## 声音
- 没有给音乐的话，配乐和音效都用代码合成，放在节拍上，响度 -14 LUFS。

## 给我看之前
- 先出抽帧图，自己打分，把最严重的 3 个问题改掉，每一项都到 8 分以上再给我看。

三是让Claude自查。

检查视频，先完成抽帧处理，然后站在严格的动效导演视角，专门挑毛病，别替自己说好话。

按下面几项各打 1–10 分：前 2 秒抓不抓人、缩到手机屏幕大小还看不看得清、动作是否自然（有没有匀速滑动、有没有卡住不动的空拍）、画面变化是否足够（每 2–4 秒要有新东西）、构图、声音和画面是否对得上。

列出最严重的 3 个问题，标上时间点。重点找这几类：切换时文字叠在一起、居中大字加渐变背景的默认画面、角落里多余的标签和边框、缩放以后变糊的字、循环接缝处的卡顿。

列出以后重新渲染有问题的部分，再出一张新的抽帧图和新的分数。

重复这个过程，直到每一项都在 8 分以上。

写在最后

OK，今天的内容到这里就差不多了。

简单回顾一下。Opus 5.5 自己不会生成视频，它是写代码把画面一帧一帧画出来，再拍成视频。但因为Opus5.5有很好的代码编辑能力和审美能力，所以呢它做出来的视频效果都很OK。

如果你想继续深挖，下面这几个开源仓库也可以去了解一下：

• athemeroy/awesome-opus-5-5-videos：整理了 1000 多条 Opus 5.5 做的视频，每条都标了是怎么做出来的

• guanmo-ai/awesome-ai-motion：中文的 AI 动效案例合集，带作者的原始提示词和出处

• JohnHeibel/ClaudeAnimationBase：用 p5.js 和 p5.brush 做手绘卡通动画的起步模板

• JohnHeibel/PDoomVideo：一支完整 MV 的全部源码，想看长片是怎么组织代码的可以翻一翻

最后也要感谢这些把作品和做法公开出来的作者，这篇文章很多内容，都是在他们的基础上折腾出来的。

以上就是全部，希望这篇文章，可以给朋友们一些帮助。

祝好🍀