企业官网建设流程全解析

1. 从一句提示词到一条成片：这个项目到底在做什么

第一次看到“扣子AI Agent 生成AI诗词视频”这个标题，我脑子里冒出来的第一个念头是：这事儿到底卡在哪一步？写诗不难，大模型随手就能来一首；配音也不难，TTS工具满地跑；难的是把“写诗—配图—配音—合成—导出”这一整条链路串起来，而且要做到输入一个主题词，几分钟后直接拿到一条能发出去的成片。这才是这个项目真正有价值的地方。

我前后用扣子搭过几个不同方向的智能体，有做资讯聚合的，有做客服问答的，也有做内容批量生产的。诗词视频这条线是我个人觉得最适合拿来练手、也最容易做出效果的一个方向。原因很简单：它的输入极简，一个主题词或者一句描述就够了；它的输出很直观，一条带画面、带配音、带字幕的短视频，好不好一眼就能看出来；它的中间环节足够多，能让你把扣子的工作流、插件、大模型节点、代码节点这些核心能力都摸一遍。

这篇文章我打算把整个搭建过程拆开来讲，从整体架构怎么设计，到每个节点的参数怎么配，再到我实际跑的时候踩过的坑和最后怎么绕过去的。不管你是刚接触扣子、还没搭过完整工作流的新手，还是已经用过一段时间、想找一个综合性强一点的练手项目的朋友，应该都能从里面找到对自己有用的东西。我尽量不堆术语，该解释的地方用大白话讲清楚，该给参数的地方直接给数值，能抄作业的地方绝不让你自己猜。

2. 整体架构设计：为什么我选择工作流而不是纯对话

2.1 纯对话模式为什么撑不起这个需求

扣子里面搭智能体有两种主要形态，一种是纯对话式的Bot，你一句我一句地聊；另一种是工作流，你把整个处理链路画成一张流程图，每个节点干一件事，数据顺着连线往下走。很多人刚开始会想，诗词视频嘛，我直接跟Bot说“帮我写一首关于秋天的诗，再配个视频”不就行了？

我试过，不行。问题出在纯对话模式有三个硬伤。第一，它没法稳定地调用外部工具链。你让大模型写诗它很擅长，但你让它去调一个图像生成接口、再调一个语音合成接口、再把两段结果拼到一起，它经常会在中间某一步“忘记”自己要干什么，或者把参数传错。第二，纯对话的输出格式不可控。你希望它最后给你一个视频文件的链接，它可能给你一段描述视频的文字。第三，纯对话没法做条件分支。比如图像生成失败了要不要重试？配音时长和画面时长对不上要不要调整？这些逻辑在对话模式里很难表达。

工作流就不一样了。工作流本质上是一张有向图，每个节点是一个确定性的操作，连线决定了数据的流向。大模型节点负责“创作”这种不确定的部分，代码节点和插件节点负责“执行”这种确定的部分，两者各司其职。这是我最终选择工作流形态的核心原因。

2.2 整条链路的节点拆解

我把整个诗词视频生成的工作流拆成了六个核心环节，按执行顺序排列：

1. 主题解析节点：接收用户输入的主题词，用大模型扩展成一首完整的诗词，同时输出画面描述关键词。
2. 画面生成节点：根据画面描述关键词，调用图像生成能力，产出若干张配图。
3. 语音合成节点：把诗词文本转成配音音频，控制语速和情感。
4. 字幕生成节点：把诗词按句切分，生成带时间轴的字幕文件。
5. 视频合成节点：把图片、音频、字幕按时间轴对齐，合成视频。
6. 结果返回节点：把视频链接和诗词文本一起返回给用户。

这六个环节里，第1步和第3步是扣子原生能力就能搞定的，第2步和第5步需要借助外部工具或插件，第4步和第6步用代码节点处理最灵活。下面我逐个展开讲。

2.3 为什么把“写诗”和“画面描述”放在同一个节点里做

这里有一个设计上的取舍值得说一下。写诗和生成画面描述，理论上可以拆成两个独立的大模型节点，一个专门写诗，一个专门根据诗的内容生成画面描述。但我实测下来，放在同一个节点里做效果更好。

原因是，诗词的意境和画面是强关联的。如果拆成两步，第二步的大模型只能看到第一步输出的诗文本，它需要重新理解一遍诗的意境，这个过程中很容易丢失细节。比如诗里写“孤舟蓑笠翁”，第一步的模型心里想的是一个老人在雪中钓鱼的画面，但第二步的模型可能只抓到了“舟”和“雪”，把“蓑笠翁”这个关键人物漏掉了。放在同一个节点里，模型在写诗的时候就已经在脑子里构建了画面，输出的画面描述会更准确。

具体做法是在提示词里要求模型输出一个结构化的JSON，包含poem（诗词正文）和scenes（画面描述数组）两个字段。这样后续节点直接解析JSON就行，不用再做额外的文本提取。

3. 核心节点配置详解：每个参数都有它的道理

3.1 主题解析节点：提示词怎么写才稳定

这个节点是整个工作流的起点，它的输出质量直接决定了后面所有环节的天花板。我用的是扣子的大模型节点，模型选的是豆包系列里偏创作向的那个版本。选它的理由很简单：诗词创作对模型的文学素养要求比较高，偏通用对话的模型写出来的东西容易大白话，偏创作向的模型在遣词造句上明显更讲究。

提示词我改了大概七八版才稳定下来。最开始写得太简单，就一句“请根据主题写一首诗”，结果模型有时候写五言，有时候写七言，有时候写现代诗，格式完全不统一。后来我把要求写死了：

你是一位精通古典诗词的创作者。请根据用户提供的主题，创作一首七言绝句。 要求： 1. 严格遵循七言绝句的格律，四句，每句七个字。 2. 押平声韵，韵脚统一。 3. 意境优美，避免生僻字和典故堆砌。 4. 同时为每一句诗生成一个画面描述，用于AI绘画。 5. 画面描述要具体，包含主体、环境、光线、色调四个要素。 输出格式为JSON： { "poem": "四句诗，用换行分隔", "scenes": [ {"line": "第一句诗", "prompt": "画面描述"}, ... ] }

这里有几个细节是我踩坑之后加上的。第一，明确指定“七言绝句”而不是笼统说“古诗”，否则模型的选择空间太大，输出不稳定。第二，画面描述要求包含“主体、环境、光线、色调”四个要素，这是我从大量AI绘画提示词里总结出来的最小充分集，缺了任何一个，生成的图都容易显得单薄。第三，要求输出JSON格式，这样后面的代码节点可以直接解析，不用做正则匹配。

提示：大模型节点里有一个“输出格式”的选项，可以选JSON。但即使选了，模型偶尔还是会输出带markdown代码块包裹的JSON。稳妥的做法是在代码节点里做一层清洗，把json和去掉再解析。

3.2 画面生成节点：图像风格的一致性怎么保证

画面生成这一步，我用的是扣子插件市场里的图像生成插件。市面上能用的图像生成能力不少，选哪个主要看两点：一是能不能通过参数控制风格，二是生成速度能不能接受。诗词视频一般需要四张图，如果每张图生成要等半分钟，整个流程跑下来就太慢了。

风格一致性是这一步最大的难点。四张图如果风格不统一，一张水墨风、一张写实风、一张卡通风，拼到一起会非常违和。我的做法是在每个画面描述的prompt前面，统一加一段风格前缀。比如我想要水墨风格，就在每个prompt前面加上“中国水墨画风格，淡雅色调，留白构图，宣纸质感”。这段前缀对四张图是一样的，这样即使每张图的具体内容不同，整体风格也能保持一致。

另外一个技巧是控制画面比例。诗词视频一般是竖屏的，比例9:16。如果图像生成插件支持指定尺寸，一定要设成竖屏。如果不支持，生成横屏图之后在视频合成阶段做裁剪也行，但会损失一部分画面内容，不如一开始就生成对的尺寸。

3.3 语音合成节点：语速和停顿的控制

语音合成这一步看起来简单，其实也有讲究。诗词的朗读和普通文本不一样，它需要有节奏感，句与句之间要有明显的停顿。如果直接用默认参数合成，出来的音频往往语速偏快，四句诗念完才十几秒，配上画面会显得很赶。

我的做法是在诗词的每句之间插入停顿标记。不同的TTS引擎停顿标记不一样，有的用<break time="1s"/>，有的用标点符号控制。我用的那个插件支持通过SSML标记来控制，我就在每句诗后面加一个1.5秒的停顿。这样四句诗加上停顿，总时长大概在25到30秒之间，配上四张图，每张图展示6到7秒，节奏就比较舒服了。

语速参数我一般设在0.9倍速左右，比默认稍慢一点。音色选的是偏沉稳的男声或者偏温婉的女声，具体看诗词的主题。如果是豪放派的主题，用男声更合适；如果是婉约派的，女声更搭。这个可以在工作流里加一个条件判断，根据主题解析节点输出的风格标签来动态选择音色。

3.4 字幕生成节点：时间轴怎么对齐

字幕这块我是用代码节点自己算的。思路很简单：先拿到音频的总时长，然后按诗句的字数比例分配每句的显示时间。比如第一句7个字，第二句7个字，四句总字数28个字，音频总时长28秒，那每句就显示7秒。当然实际不会这么精确，因为每句的朗读速度可能略有差异，但作为近似方案已经够用了。

代码逻辑大概是这样：

def generate_subtitles(poem_lines, total_duration): total_chars = sum(len(line) for line in poem_lines) subtitles = [] current_time = 0 for line in poem_lines: duration = (len(line) / total_chars) * total_duration subtitles.append({ "text": line, "start": round(current_time, 2), "end": round(current_time + duration, 2) }) current_time += duration return subtitles

这个方案的好处是不依赖任何外部工具，纯计算，稳定可靠。缺点是没有考虑实际的语音停顿，如果某句诗朗读时停顿特别长，字幕和语音会对不齐。要更精确的话，可以用语音识别的方式反向获取每句的时间戳，但那需要额外调一个识别接口，流程会变长。对于诗词视频这种对精度要求不是特别高的场景，按字数比例分配已经足够了。

3.5 视频合成节点：图片、音频、字幕怎么拼

视频合成是整个工作流里最重的一步。扣子本身不直接提供视频编辑能力，需要借助外部工具。我试过两种方案：一种是用剪映的草稿文件格式，把素材和编辑指令写成一个剪映能识别的草稿，然后手动导入剪映导出；另一种是直接调一个视频合成接口，把图片、音频、字幕传进去，接口返回合成好的视频。

第一种方案的好处是剪映的编辑能力强，转场、特效、滤镜都能用，缺点是没法完全自动化，最后一步还是要人工操作。第二种方案能全自动，但合成效果受限于接口的能力，转场效果比较基础。

我目前用的是第二种方案为主、第一种方案为辅。日常批量生成用接口方案，追求效率；偶尔做精品的时候用剪映方案，手动调一下转场和特效。两种方案的素材准备阶段是一样的，区别只在最后合成那一步。

4. 实操全流程：从零搭一条能跑的工作流

4.1 创建智能体和工作流

打开扣子之后，先在个人空间里创建一个新的智能体。名字随便起，我一般叫“诗词视频生成器”。创建完之后，在智能体的编排页面里找到“工作流”选项卡，新建一个工作流。

工作流建好之后，你会看到一个空白的画布。左边是节点面板，有各种类型的节点可以拖进来；右边是属性面板，选中某个节点之后在这里配置参数。整个操作逻辑跟画流程图差不多，拖节点、连线、配参数，三步走。

我建议在开始拖节点之前，先在纸上或者脑子里把整个流程的节点顺序想清楚。因为工作流一旦节点多了，连线会变得很乱，如果中途改结构，可能要重新连很多线。我自己的习惯是先画一个简单的草图，标清楚每个节点干什么、输入输出是什么，然后再动手搭。

4.2 配置开始节点和主题解析节点

开始节点是工作流的入口，它定义了用户需要提供哪些输入。这个项目里，用户只需要提供一个主题词，所以开始节点就配一个字符串类型的输入变量，名字叫theme，描述写“请输入诗词主题，如：秋天、思乡、边塞”。

开始节点后面接主题解析节点。把开始节点的theme变量连到主题解析节点的输入上。主题解析节点选大模型类型，模型选创作向的版本，提示词用我前面给的那段。输出格式选JSON，这样后面解析起来方便。

这里有一个容易忽略的点：大模型节点的温度参数。温度越高，输出越随机；温度越低，输出越确定。写诗这件事需要一定的创造性，但格式又需要稳定，所以我一般把温度设在0.7左右。太低了写出来的诗很死板，太高了格式容易乱。

4.3 接画面生成和语音合成

主题解析节点输出的是一个JSON，里面包含poem和scenes两个字段。接下来要分两条线走：一条线去生成画面，一条线去合成语音。

画面生成这条线，需要先把scenes数组里的每个prompt取出来，加上风格前缀，然后逐个调图像生成插件。这里可以用一个循环节点，或者用代码节点批量处理。我用的方式是代码节点先把四个prompt拼好，然后并行调四次图像生成，这样比串行快很多。

语音合成这条线就简单一些，把poem字段的文本传给TTS插件，配上选好的音色和语速参数，拿到音频文件的URL。

两条线都完成之后，需要一个汇合节点把结果收集起来。扣子里可以用一个代码节点做汇合，把图片URL数组和音频URL拼成一个对象，传给后面的视频合成节点。

4.4 视频合成与结果返回

视频合成节点拿到图片数组、音频URL和字幕数据之后，调合成接口。合成接口一般需要指定每张图的展示时长、转场类型、背景音乐等参数。展示时长我一般设成和音频总时长除以图片数量相等，这样图片切换和语音节奏能对上。转场类型选淡入淡出，比较符合诗词的调性，不会太跳。

合成完成之后，接口会返回一个视频文件的URL。把这个URL和诗词文本一起返回给用户，整个流程就结束了。用户看到的就是一条完整的诗词视频，可以直接下载或者分享。

注意：视频合成接口一般都有超时限制，如果合成时间太长可能会失败。我的经验是把视频控制在60秒以内，图片不超过6张，这样合成成功率最高。

5. 常见问题与排查技巧实录

5.1 大模型输出格式不稳定怎么办

这是最常见的问题。即使你在提示词里明确要求输出JSON，模型还是有可能输出带markdown代码块的JSON，或者在JSON前后加一些解释性文字。我的处理方式是在代码节点里做一层清洗：

import json import re def clean_json(raw_text): # 去掉markdown代码块标记 raw_text = re.sub(r'```json\s*', '', raw_text) raw_text = re.sub(r'```\s*', '', raw_text) # 找到第一个{和最后一个}之间的内容 start = raw_text.find('{') end = raw_text.rfind('}') if start != -1 and end != -1: raw_text = raw_text[start:end+1] return json.loads(raw_text)

这段代码能处理绝大多数格式异常的情况。如果还是解析失败，那说明模型输出的内容本身就有问题，需要在提示词里再加强格式约束，或者换一个更听话的模型。

5.2 图像生成风格不统一怎么调

风格不统一通常有两个原因：一是风格前缀不够具体，二是图像生成插件本身对风格的控制能力有限。我的建议是风格前缀尽量写详细，不要只写“水墨风”，要写“中国水墨画风格，淡雅色调，大量留白，宣纸纹理，墨色浓淡变化”。描述越具体，生成结果越可控。

如果换了详细的风格前缀还是不统一，那可能是插件的问题。可以试试换一个支持风格参考图（style reference）的插件，传一张风格基准图进去，让所有生成都参考这张图的风格。这种方式比文字描述更可靠。

5.3 音频和字幕对不齐怎么排查

先检查音频总时长是不是准确获取到了。有些TTS插件返回的时长是估算值，不是精确值。如果时长不准，后面按比例分配的字幕时间轴肯定也是错的。解决办法是拿到音频文件之后，用代码节点读一下音频的实际时长，用实际时长来做计算。

如果时长是准的但还是对不齐，那可能是每句诗的朗读速度差异比较大。这种情况下可以改用语音识别的方式，把合成好的音频再识别一遍，从识别结果里拿到每个字的时间戳，然后按诗句切分。这个方案更精确，但多了一步识别，流程会长一些。

5.4 视频合成失败的常见原因

视频合成失败的原因比较多，我整理了一个速查表：

5.5 几个我踩过的坑

第一个坑是变量命名。扣子工作流里的变量名如果用了中文或者特殊字符，在某些节点里会识别不了。我现在的习惯是全部用英文小写加下划线，比如poem_text、image_urls、audio_url，这样最稳妥。

第二个坑是节点之间的数据传递。扣子的工作流里，上游节点的输出要显式地连到下游节点的输入上，不是自动传递的。我刚开始搭的时候经常忘记连线，跑起来发现下游节点拿不到数据，排查半天才发现是线没连。

第三个坑是测试的时候用太复杂的主题。我一开始测试用的是“红楼梦”，结果模型写出来的诗引用了大量典故，画面描述也很抽象，生成的图完全看不懂。后来换成“秋天”“月亮”这种简单的主题，效果立刻就好了。建议测试阶段用最简单的主题，等流程跑通了再尝试复杂的。

6. 进阶玩法：让这条工作流更实用

6.1 批量生成：一次产出多条视频

单条生成跑通之后，很自然会想到批量生成。比如输入十个主题词，一次性产出十条视频。这个用扣子的批量处理能力可以实现，把主题词做成一个列表，工作流对列表里的每个元素执行一遍。

但批量生成有两个问题要注意。一是并发限制，很多插件和接口都有并发数限制，同时跑太多会报错。我的做法是加一个延时节点，每生成一条之后等几秒再生成下一条。二是成本控制，图像生成和视频合成都是按次计费的，批量生成之前最好先算一下成本，别跑着跑着额度用完了。

6.2 风格切换：让用户选风格

现在的工作流是固定一种风格，如果要支持多种风格，可以在开始节点加一个风格选项，让用户选“水墨”“油画”“卡通”“写实”等。然后根据用户的选择，动态拼接不同的风格前缀。这个改动不大，但实用性提升很明显。

实现方式是在代码节点里做一个映射表：

style_prefixes = { "水墨": "中国水墨画风格，淡雅色调，留白构图", "油画": "古典油画风格，厚重笔触，丰富色彩", "卡通": "扁平卡通风格，明快色彩，简洁线条", "写实": "超写实摄影风格，自然光线，细腻质感" } prefix = style_prefixes.get(user_style, style_prefixes["水墨"])

6.3 背景音乐：让视频更有氛围

诗词视频加上背景音乐，氛围感会强很多。可以在视频合成节点里指定一个背景音乐文件，设置音量低于配音音量，这样不会盖过人声。背景音乐的选择可以根据诗词的风格来定，豪放派的配古筝或琵琶，婉约派的配笛子或古琴。

背景音乐的来源要注意版权问题。我一般用免版税的音乐库，或者用AI生成的音乐。扣子插件市场里也有音乐生成的插件，可以根据关键词生成一段背景音乐，虽然质量参差不齐，但胜在方便。

6.4 发布与分享：怎么让更多人看到

工作流跑通之后，可以把智能体发布到扣子的应用市场，或者生成一个分享链接发给朋友。如果要做成公开的服务，还可以把工作流部署成一个API，用其他平台来调用。

发布之前记得把测试用的临时数据清理掉，把提示词里的调试信息删掉，确保用户看到的是一个干净、完整的体验。另外建议在智能体的描述里写清楚它能做什么、怎么用，这样别人第一次打开就知道该怎么操作。

7. 关于工具选型的一些个人看法

扣子、Dify、n8n这几个工作流平台我都用过，各有各的适用场景。扣子的优势在于和国内的大模型、插件生态结合得比较紧密，中文支持好，上手门槛低，适合快速验证想法。Dify在模型接入的灵活性上更强一些，适合需要接多种模型的场景。n8n更偏向通用自动化，适合把各种SaaS服务串起来。

做诗词视频这个项目，我选扣子主要是因为它的插件市场里有现成的图像生成和语音合成能力，不用自己从头接API。而且扣子的大模型节点对中文创作的支持确实不错，写出来的诗词质量比我试过的其他方案要好一些。

如果你已经熟悉了扣子的基本操作，想找一个综合性强一点的项目来练手，诗词视频这个方向我觉得挺合适的。它涉及的节点类型多，但每个节点的逻辑都不复杂，搭一遍下来能把工作流的核心概念都过一遍。而且做出来的东西看得见摸得着，比单纯跑一个文本处理的工作流有成就感得多。

最后分享一个小技巧：搭工作流的时候，每加一个节点就测试一次，不要等全部搭完再测。因为一旦出问题，你很难判断是哪个节点的问题。逐个节点测试，每个节点的输入输出都确认没问题了再往下接，这样排查起来会轻松很多。我在最开始搭的时候就是一口气搭完再测，结果一个变量名写错了，排查了快一个小时才找到。