AI剧本生成：用GPT/Claude/Kimi写短剧剧本的提示词工程
用GPT/Claude/Kimi写短剧剧本的提示词工程，核心不是套模板，而是先理解每个模型的叙事偏好，再设计分段引导策略。本文拆解三大模型在短剧创作中的真实差异，提供可直接复制的提示词框架与对比表格，帮你把AI写出的“能看”剧本推向“能拍”。
一、为什么你直接用“帮我写一集短剧”得到的结果总是不能看
直接把“写一集逆袭短剧”丢给大语言模型，出来的东西大概率有三个毛病：转折太硬、情绪断层、对白像念课文。问题不在模型本身，而在喂法。
这里面有一个被大多数人忽略的底层事实：大语言模型写故事时，并不是在“创作”，而是在高维叙事空间里做最近邻检索。马里兰大学与Google DeepMind联合发表的StoryScope研究，用10,272个写作提示生成了61,608篇故事，提取了304个叙事维度特征后发现，仅凭叙事特征就能以93.2%的准确率区分人类与AI写作。这意味着AI短剧剧本有极其明显的“叙事惯性”——你如果不主动干预，它一定会滑向默认模式。
更关键的是，每个模型的默认模式不一样。Claude倾向于“波澜不惊”的平推式情节推进，GPT热衷于用梦境序列制造转折，Kimi则在叙事特征上几乎没有指纹，处在AI写作分布的“通用中心”。
所以，用GPT/Claude/Kimi写短剧剧本的提示词工程，第一步不是学写提示词，而是先搞清楚你手里的模型“天生爱怎么写”，然后再决定“要怎么逼它改”。
二、三个模型的叙事指纹到底长什么样
2.1 Claude：克制到近乎冷漠的“外科医生”
StoryScope研究给Claude贴的标签是“flat event escalation”——事件升级曲线异常平坦。翻译成短剧语言就是：它不太会主动制造情绪波峰。一集60秒的短剧，Claude可能会用30秒做氛围铺垫、20秒推进对话、最后10秒轻描淡写地收尾。对于文艺短片这或许是优点，但对于需要“3秒抓人、15秒一个反转”的竖屏短剧，这种节奏会直接导致完播率崩盘。
但Claude有一个其他模型难以匹敌的优势：长文本的逻辑一致性。在超过30集的多集剧本中，Claude对角色关系、伏笔回收、时间线的把控是三个模型中最稳的。它擅长在复杂人物网络中保持每个角色的行为逻辑不漂移。
2.2 GPT：爱做梦的“社交型编剧”
GPT的叙事指纹非常鲜明：它倾向于用“gossip”作为情节推进机制，也就是说，角色之间的对话和信息交换是它最舒适的叙事方式。这对短剧其实是好事——短剧的核心本来就是对话驱动的冲突。GPT还有一个众所周知的习惯：频繁使用梦境序列来制造转折。这在短剧里往往是灾难性的，因为梦境转折意味着观众需要重新建立叙事认知，而在60秒的篇幅里，认知重置等于划走。
GPT真正的强项在于：它对复杂指令的遵循度极高。你可以给它一套包含十几条约束的提示词，它大概率能全部执行到位。
2.3 Kimi：没有“个性”的“万能替补”
Kimi在叙事指纹上的“平淡”反而是一种优势。StoryScope的数据显示，Kimi的叙事特征最接近AI写作的通用中心，没有特别突出的偏好，也没有特别顽固的惯性。这意味着用Kimi写短剧，你不需要像对付GPT的“梦境癖”或Claude的“平推癖”那样花力气纠偏。Kimi真正的武器是超长上下文处理能力——它能一口气吃下一整本小说，提取核心剧情线和情绪节奏，快速输出短剧大纲。如果你手头有一部几十万字的小说要改编成竖屏短剧，Kimi在前期素材消化阶段的效率是其他两个模型比不了的。
三、短剧剧本的提示词工程：从分层生成开始
3.1 一口气生成 vs 分层生成：质量差十倍
短剧剧本的分层提示词工程，本质是把“写一集短剧”这个模糊指令，拆解成五到六个有明确输入输出边界的子任务。每一个子任务只让模型做一件事，做完确认了再进入下一层。
第一层是题材锚定与核心设定。这一层解决的是“这个故事到底讲什么、给谁看、每集多长”。Kimi在这一层表现突出，因为你可以把大量参考资料一次性喂进去，让它做信息提炼。
第二层是分集大纲与钩子设计。这一层需要模型输出每集的核心事件和集末钩子。GPT在这一层最可靠，因为它对“每集结尾标注悬念钩子”这类结构化输出要求的执行最精准。
第三层是单集剧本展开。这一层需要Claude的长文本一致性能力来保证角色在多集之间的言行不矛盾。
第四层是分镜脚本细化。把剧本转换成“镜头号、景别、时长、画面描述、AI视频提示词”的表格结构，这一层GPT的结构化输出能力再次占优。
第五层是视觉提示词分离。把图片提示词和视频提示词拆成两个文件，图片管“画面是什么”，视频管“画面怎么动”。
3.2 单集微结构：60秒里的三幕剧
竖屏短剧的每一集都是一个完整的微型三幕剧。前10到15秒是钩子段，必须完成“承接上集悬念”加“抛出本集核心冲突”两个动作。中间30到35秒是冲突升级段，必须有至少一次信息反转或关系张力升级。最后10到15秒是钩子收尾，要么释放一个小爽点然后抛新悬念，要么在最紧张的一刻硬切。
给AI写提示词时，不要笼统地说“写一集60秒短剧”，而要按时间轴分段下达指令。比如：“第0-10秒：一个强冲突开场。第10-40秒：两次信息反转。第40-55秒：情绪峰值。第55-60秒：硬切悬念。”这种秒级结构化的提示词，能把GPT的“突然转折”习惯约束在一个精确的时间窗口内，避免它把反转铺散到整集。
四、三个模型的分层提示词策略（附可复制模板）
4.1 用GPT写短剧：用“约束清单”压制梦境倾向
GPT适合承担“结构输出”和“分镜细化”任务。给它下指令时，负面清单比正面描述更重要。
系统级提示词模板（可直接复制）：
你是一位竖屏短剧编剧，每集时长60-90秒。
禁止以下写法：
-
禁止使用梦境、幻觉、想象作为情节转折手段。
-
禁止任何角色在单集内连续说超过2句话。
-
禁止使用“突然”“竟然”“没想到”作为转折引导词。
-
禁止出现“他们不知道的是……”这类旁白式剧透。
-
禁止每集结尾以平静收场，必须硬切在冲突峰值或悬念句上。
输出格式要求：每集按“0-10秒钩子 / 10-40秒冲突升级 / 40-55秒情绪峰值 / 55-60秒硬切”四段输出。
这套负面清单的作用，是把GPT的叙事探索空间压缩到短剧需要的窄轨道上。GPT对约束的遵循度是三个模型中最高的，你给它的禁止项越多，它的输出就越可控。
4.2 用Claude写短剧：用“节奏曲线”打破平推惯性
Claude需要的是正面的节奏引导。它的默认行为是平推，所以你要在提示词里明确告诉它“哪里必须制造波峰”。
系统级提示词模板（可直接复制）：
你是一位短剧编剧，风格锚点：短句硬实、情绪藏于动作、极简台词、留白式叙事。
节奏要求：每一集必须遵循“紧→松→更紧”的波形。具体来说：
-
开场即冲突，不需要任何环境描写。
-
每30秒必须出现一次“信息增量”（新事实、新关系揭示、或新威胁）。
-
每集的高潮点必须安排在总时长的75%位置，不在结尾。
-
结尾最后5秒只放一个动作或一句台词，不放解释性内容。
台词规则：单句不超过15字。删除所有“因为……所以”“虽然……但是”类关联词。
示例：❌“他因为看到她受伤而感到非常难过，所以决定一定要为她报仇。” ✅“她手臂在流血。他瞳孔收缩。他转身。门关上。”
Claude对“节奏波形”这类空间化描述的响应很好。把节奏要求写成“哪里松、哪里紧”的地图，比写“要有冲突”有效得多。
4.3 用Kimi写短剧：用“素材消化”发挥长文本优势
Kimi最被低估的用法，是在剧本创作的前期阶段替代人工做素材处理。如果你要把一部小说、一个真实事件、或者一批竞品短剧的分析报告转化为剧本素材，Kimi的200万字上下文窗口意味着你可以直接上传原始材料，让它输出结构化的素材拆解。
前期素材处理提示词模板（可直接复制）：
请阅读我上传的文档，完成以下任务：
-
提取全部有戏剧冲突潜力的场景，标注冲突类型（身份冲突/情感冲突/利益冲突）。
-
为每个主要角色输出一张“人设卡”，包含：核心欲望、核心恐惧、标志性动作、口头禅。
-
按“情绪强度”给所有场景排序，标记出前5个最适合作为单集高潮点的场景。
-
输出一条一句话故事线，不超过30字。
Kimi的输出可能不如GPT的结构那么规整，但它的信息覆盖面和中文语感在三个模型中是最接近“人写的”。用它做素材预处理，再把人设卡和场景清单交给GPT或Claude做剧本展开，是目前效率最高的分工方式。
五、三大模型短剧剧本创作能力横向对比
| 对比维度 | GPT | Claude | Kimi |
|---|---|---|---|
| 叙事默认倾向 | 社交对话驱动，倾向用信息交换推进情节，偶发梦境转折 | 平推式推进，事件升级曲线平坦，但角色行为高度一致 | 无明显叙事指纹，接近AI写作通用中心，风格中性 |
| 短剧节奏控制 | 对秒级时间轴指令遵循度高，适合结构化分段输出 | 需要明确的节奏波形引导，否则容易中段平淡 | 节奏感知依赖提示词的精确程度，但执行稳定性好 |
| 长文本一致性 | 在30集以内表现稳定，超过后偶有角色逻辑漂移 | 多集角色一致性最强，适合复杂人物关系网络 | 素材消化阶段无对手，剧本展开阶段一致性中等 |
| 钩子设计能力 | 结构化钩子输出精准，但需要明确禁止“梦境钩” | 钩子偏含蓄，适合情感型悬念，不适合强冲突卡点 | 钩子设计依赖素材质量，中文语感自然但反转力度偏弱 |
| 最强使用场景 | 分集大纲、分镜脚本、结构化输出、约束密集的提示词任务 | 多集连续剧本、角色对白打磨、长线伏笔管理 | 小说/素材改编的前期拆解、人设卡生成、竞品分析 |
| 主要风险 | 梦境转折、过度旁白、结尾软化 | 节奏平坦、冲突升级不足、爽点释放偏弱 | 反转设计偏保守、缺乏“狠劲” |
六、把三个模型串成一条产线的具体分工
不要把三个模型当作互斥选项。真正高效的短剧剧本生产流程，是让每个模型只做它最擅长的那一段。
第一步：素材消化 → Kimi。 把小说原文、事件资料、或者竞品短剧的剧本文本一次性上传，让它输出角色卡片和场景冲突清单。
第二步：结构搭建 → GPT。 把Kimi输出的角色卡片和场景清单作为输入，让GPT生成20集分集大纲，每集标注核心事件和集末钩子。GPT对“每集1-2句话概括+悬念钩子标注”这类结构化输出最稳定。
第三步：剧本展开 → Claude。 把分集大纲逐集喂给Claude，让它写出完整台词和动作描述。Claude在保持角色声音一致性方面的优势，在多集展开阶段会充分体现。
第四步：分镜转换 → GPT。 把Claude写出的剧本再次转成“镜头号/时长/景别/画面描述/视频提示词”的表格。这一步GPT的格式化输出能力是三个模型中最强的。
第五步：一致性审查 → Claude。 用Claude通读全部剧本，检查角色行为逻辑是否有跨集矛盾、时间线是否自洽、伏笔是否全部回收。这是Claude作为“长文本一致性引擎”的终极用途。
七、AI短剧剧本提示词工程中三个最容易踩的坑
坑一：把“写剧本”和“写分镜”放在一个提示词里。 剧本是给导演和演员看的，分镜是给AI视频生成工具看的。把两者混在一起的直接后果是：GPT会写出“她转身，镜头缓缓推近，背景音乐渐强，她眼中含泪”——这句描述里既有剧本动作，又有分镜指令，又有音乐指导，没有一个是完整的。正确做法是剧本和分镜分成两个独立的提示词会话。
坑二：用“写得好”作为质量标准。 “写得好”对模型来说不是一个可执行的指令。有效的质量标准必须翻译成可观察的行为。比如，不说“写得更自然”，而是说“删除所有超过15个字的台词”“每个场景只保留一个可被摄影机捕捉的动作细节”。
坑三：不给模型看“好剧本长什么样”。 三个模型都能从示例中学习。在系统提示词里附上一段你认可的短剧剧本片段，让模型模仿其句长、对话密度和节奏感，效果远好于用形容词描述风格。这本质上是在给模型提供“写作锚点”，比任何抽象的风格指令都有效。
八、常见问题
问：用AI写短剧剧本，哪个模型写出来的最像人写的？
如果只看中文语感的自然度，Kimi略占优势。但“像人写的”不等于“能拍”。GPT的分镜转换能力和Claude的多集一致性才是决定剧本能否进入拍摄阶段的关键能力。三个模型各有所长，不存在单一的“最佳模型”。
问：AI生成的短剧剧本可以直接用于拍摄吗？
不能直接使用。AI生成的剧本在节奏密度和情绪浓度上通常不达标。需要用提示词逐集迭代，每集至少经过两到三轮的“节奏压缩”和“台词删减”。核心手法是：把AI初稿中所有超过15字的台词手动砍短，把所有“解释性对话”替换为动作。
问：为什么我让GPT写的短剧结尾总是不够有力？
GPT的默认行为是倾向于“闭合式”结尾——它会本能地让故事在一集内有一个小结算。短剧需要的是“开放式硬切”。解决办法是在提示词中明确写：“禁止在结尾释放完整爽点。在情绪峰值处切断，不给观众喘息时间。”
问：三个模型可以混用吗？会不会导致风格不统一？
可以混用，而且推荐混用。关键控制点在第三步“剧本展开”阶段：所有台词和动作都由Claude一个模型产出。前期的素材消化和结构搭建用Kimi和GPT，不会影响最终的剧本语言风格，因为那是结构层的事，不是表达层的事。
问：用AI写短剧剧本时，最有效的单条提示词技巧是什么？
把时间轴写进提示词。不要写“写一集60秒的冲突戏”，而是写“0-5秒：一句话台词制造悬念。5-15秒：一次信息反转。15-35秒：冲突升级到峰值。35-45秒：短暂喘息。45-55秒：第二次反转。55-60秒：硬切。”秒级时间轴是约束AI短剧节奏最锋利的工具。