企业官网建设流程全解析

最近很多人问我，AI写代码做视频这条路到底怎么走。我拿 Claude Opus 5.5 实际跑了一阵子，从生成脚本到渲染输出，折腾了不少案例。今天把其中几个真正跑通的方案整理出来，分成 7 类技术路线，再挑 5 个有代表性的案例做完整拆解，最后给一套可以直接抄走的提示词框架。如果你是内容创作者、独立开发者、设计师，或者单纯想知道"AI 写代码做视频"到底能做到什么程度，这篇文章的每一段应该都对你有用。

需要先说清楚一件事：AI 写代码做视频，大多数时候不是让 AI 直接生成一个 mp4 文件，而是让 AI 根据你的需求写出渲染代码，代码跑在本地或云服务器上，逐帧绘制、逐帧合成，最终输出视频文件。这个区别很关键，理解了它，你就理解了整个技术路线的基础逻辑。

1. 整体思路与选型逻辑

1.1 为什么绕一大圈用代码做视频

你可能会想：现在 AI 视频生成工具那么多，输入一句话就出视频，为什么还要写代码？

因为代码视频解决的是另一类需求。AI 文生视频适合做"大概齐"的内容，画面充满想象力和偶然性，但你控制不了细节。而代码生成的视频是确定性的：每个像素都由逻辑决定，字体、位置、颜色、曲线、时间轴，全部精确可控。碰到需要生成某种特定风格时，代码方案的可控性优势就格外明显。

另一个场景是批量生产。比如数据可视化视频，每周更新一组数据，就要出一期视频。这种需求如果用 AI 文生视频，每次生成的画面都会变，风格不稳定。但代码视频不一样，只要把数据换掉重新跑一遍，出来的画面风格高度统一，只是数据内容更新了。对于需要持续产出内容的场景，代码方案天然有优势。

第三个场景是创意编程。很多视觉作品本身就是"程序在运行时的输出"——粒子系统、分形结构、噪声扰动、流体模拟，这些不是靠画出来的，是靠算法计算出来的。这类视频，代码就是唯一合理的方案。

1.2 AI 在代码视频创作中的角色

用 Claude 这类 AI 编程工具做视频，我的实践体会是：它不是一个"自动生成视频的魔法盒"，而是一个"大大降低写代码门槛的助手"。换句话说，它替代的是"写程序"这个环节，但"想清楚你要什么"这个环节仍然是你自己完成。

打个比方。传统方式做一个动画，你写代码、编译、运行、预览，发现效果不对，回去改代码，这是一个反馈循环。这个循环每一步都需要人做判断。AI 的介入让代码编写这个环节直接从小时级降到分钟级，它根据你的描述直接生成一版代码，你跑起来看效果，哪里不对就跟它说，它再改。你从"写代码的人"变成了"提需求和评审结果的人"。

但有意思的是，提需求这个事并不像看起来那么容易。同样是说"做一个粒子动画"，三种不同的描述会产生三种完全不同的代码结果：

• "做一个粒子动画"——AI 可能会出一个最简单的粒子系统，几十行代码
• "做一个 2000 个粒子按 Perlin 噪声流动的动画，粒子颜色随速度变化，黑色背景，导出 1080P 视频"——AI 会给出一个相对完整的方案
• "参考某平台上的流体粒子视觉效果，粒子的亮度要根据邻域密度衰减，运动要受一个随时间旋转的力场影响"——AI 会朝这个方向写，虽然不一定一步到位，但至少方向对

这就是为什么要掌握提示词框架。后面我会给出一个通用的、我自己打磨过的框架，你可以直接套用。

1.3 7 类技术路线总览

在开始案例拆解前，先看整体地图。我用 Claude 写代码做视频，实际操作下来发现所有路线可以归为 7 类：

这个分类是我在实践过程中逐步整理出来的，不是一开始就规划好的。一开始我只会用第一类，后来为了做不同风格的内容，逐步扩展到后面几类。每一类我都用 AI 生成了不少代码，也踩了不少坑。

2. 核心细节解析与实操要点

2.1 文字动画：最容易被低估的路线

很多人以为文字动画很简单，不就是把字显示出来吗？实际上文字动画是整个代码视频体系里最实用的一支。无论是片头标题、字幕强调、数据标注还是结尾鸣谢，都离不开文字动画。而它之所以排在第一位，是因为它对新手最友好——不需要理解复杂的视觉算法，只需要掌握 Pillow 库的基础绘图操作。

我常用的做法是用 Python 的 Pillow 库逐帧绘制文字。每一步控制文字的位置、大小、透明度、颜色，然后把帧合成为视频。关键点是：文字动画的"动"不仅仅是位置的移动，还可以是透明度渐变、字符间距变化、逐字出现、抖动效果、模拟打字机效果等。这些效果叠加起来，视觉层次感远大于静态文字。

给 AI 下指令时，经验是不要再描述你想要什么效果，而是描述"你这个参数怎么变化"。比如：

做一个文字标题动画，文字从左上角飞入，飞行过程中透明度从 0 到 1，落地后做一个 1.5 倍缩放的强调效果，最后文字颜色在蓝和白之间切换三次。

AI 收到这种描述，会直接转化为逐帧的参数计算。反馈循环跑两三轮，效果基本能到位。Pillow 的ImageSequence配合ImageDraw.text是逐帧渲染的主要工具，但说实话，Pillow 的渲染性能一般，如果追求 2K 分辨率，逐帧写像素会慢。我自己更多用的是 Pycairo，抗锯齿效果更好，文字渲染质量高一个档次，代价是要多学一点 API。

2.2 数据图表动画：让数字讲故事

数据可视化视频是另一个高频需求。常见的动态柱状图排名、折线走势图、饼图占比变化，这些用 Matplotlib 的动画模块都能实现。但很多人不知道，Matplotlib 渲染的视频性能通常一般，尤其是带阴影的图表，逐帧渲染速度会比较慢。如果动画帧数多，建议把图像保存为 PNG 序列，再用 FFmpeg 合成视频，不要直接用 Matplotlib 内置的FFMpegWriter——前者出错后容易定位，后者经常半途崩溃。

给 AI 写数据图表动画代码时，真正重要的不是让 AI 写出图表本身，而是让 AI 把"数据更新的过程"做成动画。比如动态柱状图，核心逻辑是：

• 初始化一帧所有柱子的高度为 0（或初始值）
• 每一帧更新部分柱子的高度，加上轻微过渡
• 标签跟着柱子顶端移动，颜色渐变

这里有个常见误区：AI 默认会生成"每一帧数据完全跳变"的版本，看起来就很生硬。要在提示词里明确写"高度变化需要平滑过渡，使用插值计算中间值"。这个细节直接决定了成品是"PPT 翻页"还是"视频动画"。

2.3 数学图形与分形：用公式画出无限细节

数学图形路线适合做科技感、视觉感强的视频内容。分形、混沌系统、复变函数、噪声地形，这一类视频的特点是：看起来非常"高深"，其实代码量反而少。

以 Mandelbrot 集合缩放动画为例，核心代码就几十行，关键是逐帧计算每个像素点的迭代次数，然后映射到颜色。但计算量非常惊人，1080P 分辨率的单帧，如果迭代次数不够，画面会粗糙；迭代次数太高，单帧渲染要好几秒。我的做法是先用低分辨率（如 480P）跑通完整动画，确认效果后再渲染高清版本。这个细节建议所有做视频的都记下来，能省很多等待时间。

另一个常见需求是噪声驱动的有机动画。Perlin 噪声或 Simplex 噪声是生成云朵、烟雾、地形等"自然感"效果的基础。AI 对噪声算法的理解已经比较成熟，你只需要描述清楚"噪声的尺度、随时间变化的速率、颜色映射方式"，它给出的代码基本能直接跑。

2.4 粒子系统：从入门到进阶

粒子系统是所有代码视频里视觉效果上限最高的路线之一。从简单的飘落粒子、星空流动，到复杂的流体模拟、磁场线效果，都能用粒子系统实现。

给 AI 写粒子系统代码，我的经验是：不要让它一上来就写完整系统，而是先确定几个关键参数：

• 粒子数量（几万和几百的效果完全不一样）
• 粒子形态（点、小圆、拖尾线）
• 运动模型（引力场、噪声场、速度场）
• 生命周期（出生、运动、消亡、重生）
• 渲染模式（叠加混合、普通混合、颜色渐变）

AI 生成的粒子系统代码通常存在性能问题。最常见的坑是：粒子数量一多，循环内做过多操作，帧率就暴跌。我在实践中发现，用numpy向量化运算替代逐粒子循环，性能能提升 5 到 10 倍。如果你发现 AI 写出来的粒子代码跑得特别慢，不妨在提示词里加一句："使用 numpy 数组运算代替循环"。这个提示几乎能命中所有性能问题。

2.5 遇见 Shader 特效

Shader 路线是代码视频的进阶玩法，也是最接近"实时渲染"的方案。它和前面路线的根本区别在于：它不是"用 CPU 逐像素画"，而是"用 GPU 并行计算每个像素的颜色"。这意味着你写的不是普通的 Python 循环，而是一段在 GPU 上运行的着色器代码。

很多视觉效果在 shader 里极其简单——比如一个扭曲效果，我在 CPU 上可能要写一堆变换计算，在 shader 里就是一个噪声函数作用于 UV 坐标。但反过来，shader 也带来新的复杂度：你需要理解 GLSL 语法、理解 GPU 并行模型、理解纹理坐标。AI 在这方面的优势非常明显，因为 GLSL 是高度模式化的语言，AI 生成常见特效的命中率相当高。

推荐的工具是 Shadertoy 的代码导出，或者用GLSL配合 WebGL 的 JavaScript 库来做实时预览。如果你不想碰 WebGL，Python 也有moderngl这类库可以跑 shader，但配置相对麻烦。实际做内容时，我更习惯用前端路线，把 GLSL 写到 Canvas 里，然后录屏或逐帧捕获。

2.6 转场效果与合成技巧

代码视频里最经常被忽略的部分是转场。很多人花大力气做好了几段动画，拼在一起却没有质感，问题就出在转场太生硬。代码做转场的优势是可以精确控制每一帧的混合权重。

常用的转场效果及实现思路：

• 淡入淡出：对两个画面做 alpha 混合，alpha 随时间从 0 到 1
• 滑动转场：第一个画面按方向偏移，露出第二个
• 遮罩转场：用一张灰度图做遮罩，遮罩边缘随时间变化
• 缩放转场：第一个画面放大（或缩小），露出底层画面
• 粒子消散：把画面分解成粒子，逐个消散后露出下一画面

给 AI 的提示词可以这样："做一个圆形状遮罩转场，开始的视频从圆心逐渐扩散的圆中显示出来，圆形扩散持续 1 秒，缓动函数用 ease-in-out。"这种描述 AI 完全能理解并实现。

2.7 批量生产与自动化

最后一个路线，也是视频生产中最具实际价值的一点：批量。

代码视频最大的优势是可以批量生产。比如说，给 100 个产品各做一条 5 秒展示视频，传统方法要套模板、改内容、导出，人工操作至少一两个小时。代码方案只需要写好一个模板脚本，然后把 100 个产品的数据放进一个循环里，全自动输出 100 条视频。AI 写这个模板脚本大概只需要几分钟。

批量生产的关键在于代码结构要规范：输入数据、渲染逻辑、输出路径三者分离。我在提示词里会明确要求 AI 把数据放最前端、核心逻辑放中间、输出文件命名放最后，并且用列表存储所有文件路径，方便后续批量合并或上传。这样 AI 生成出的代码虽然看起来结构简单，但扩展性极强。

3. 实操过程与核心环节实现

3.1 案例拆解一：动态数据展示视频

用 Claude 生成一组代码，从指定 Excel 数据读取数据，动态展示前 10 名排行的变化，输出 1200×720 的视频。

这段代码里的核心逻辑是数据更新与动画帧渲染分离。具体做法是：

• 用pandas读取数据
• 按"类别-数值"排序，每帧绘制排名变化
• 用matplotlib.animation.FuncAnimation逐帧更新

AI 生成的版本确实能跑，但有几处问题。第一个是性能慢，120 帧视频在低配机器上渲染要十几分钟。第二个是标签重叠严重，尤其是名字较长的条目。第三个是过渡不平滑，排名瞬间跳到新位置。

经过两轮提示词修正后，效果改好了很多。修正的关键提示包括："为每次数值变化添加缓动函数""标签位置做插值平滑""如果标签重叠则缩小字号并添加偏移"。最终成品效果称得上接近成熟平台的数据视频。

3.2 案例拆解二：粒子系统视觉动画

第二个案例稍微复杂些：让 AI 生成一个粒子系统，粒子围绕一个中心点旋转并逐渐向外扩散，粒子颜色从暖色渐变到冷色，背景为黑，持续 10 秒，60fps。

AI 第一次给出的代码版本相当简洁：生成粒子坐标、速度、加速度，然后循环更新坐标，用 matplotlib 绘制散点图。问题在于散点图模式画 5000 个粒子，渲染速度很慢，60fps 基本是不可能的。AI 可能不会主动处理这个瓶颈，我心里有数，手写改成用 NumPy 直接计算坐标并输出为 PNG 帧，再用 FFmpeg 合成。性能提升明显。

关键参数设计思路：粒子从中心向外扩散，需要给每个粒子一个随机起始方向和一个随时间递增的半径；为了让运动不像爆炸那么突兀，我给每个粒子加了一个螺旋偏移量，这个偏移量由粒子 ID 决定，呈现出整齐的旋涡形状。AI 在生成初始版本时没有这个效果，是我看完第一版结果后加了一句："粒子运动需要螺旋形轨迹，螺旋参数与粒子 ID 关联"，然后重新生成的。

3.3 案例拆解三：shader 流光效果

第三个案例目标更艺术化：生成一段抽象的流光效果，颜色在蓝紫色系中渐变，画面需要一直动态变化，不能出现明显的循环感。

这个明确建议用 shader 实现。AI 生成的 GLSL 代码核心是一个随时间变化的噪声函数，它会计算出每个像素的亮度值，再用调色板映射成蓝紫色。这个方案天然是 60fps 的，因为 GPU 并行处理。

注意事项：shader 里的时间变量iTime必须从外部输入，WebGL 的requestAnimationFrame每次回调更新它，这样动画才能持续流动。AI 写这个陶醉感一般，但细节上有一些规范要自己盯住。

实际制作时，我把 GLSL 代码嵌入到一个 HTML 文件中，用 Three.js 创建一个全屏四边形，把 shader 加载进去并运行。最后用ccapture.js捕获 Canvas 帧导出视频。如果帧率要求不高，也可以直接录屏，省去捕获的复杂度。

3.4 案例拆解四：AI 辅助视频剪辑

用 Claude 写一个 Python 脚本，基于 MoviePy 剪辑一段多素材的旅行视频，每个素材间用交叉溶解转场，添加背景音乐和字幕。

AI 在 MoviePy 这类成熟库上的表现相当不错，因为它能记住大量库函数用法和 API 签名。给的代码结构很清晰：加载素材列表、设置转场参数、拼接素材、加音乐、加字幕、导出。基本不需要大幅修改就能跑出结果。

过程中遇到的一个容易踩的问题：MoviePy 的音频处理依赖 FFmpeg，在剪音频前需要确保系统环境里 FFmpeg 可用。如果报错找不到音频流，很可能是素材音频编码不是 MP4 标准格式，用 FFmpeg 转码一下就好。这类环境问题比代码逻辑问题更容易卡住新手。

3.5 案例拆解五：实时交互式视觉模拟

最后一个案例稍微跑个题但很有意思：不是导出视频文件，而是做一个"可交互的视觉模拟"，用户能实时调节参数，感受不同效果，再决定要不要导出视频。

这种路线也在代码视频范畴内，因为它的输出最终也可能是视频，只不过中间增加了人工参与的过程。我让 AI 生成一个基于 p5.js 的交互页面，页面上有滑块可以调节粒子数量、速度、颜色模式。用户拖到满意的参数后按一个按钮，页面会把当前动画保存为 WebM 视频。

实现起来我的经验是：代码生成并不难，需要注意的地方是把导出视频功能和动画渲染逻辑分离，避免用户调节参数时导出开关被错误触发。AI 写的初始版本直接把状态混在一起了，我改完之后才逐步稳定。

技术栈选定：p5.js + MediaRecorder API，Canvas 的captureStream()方法拿到视频流，再交给 MediaRecorder 编码。这个方法兼容性在当前主流浏览器上没有障碍，不过建议在正式导出之前先测试一下目标浏览器版本。

4. 可复用提示词框架设计

4.1 框架总览：一个万金油模板

经过大量实践，我沉淀了一套针对"用 AI 写代码做视频"的提示词框架，几乎适用于所有上面提到的路线。框架分为五个模块：

模块一：背景定义用一两句话描述你要做什么视频、用哪条技术路线、用什么语言/库。比如："用 Python 和 Pillow 做一个文字标题动画，输出 1080P 视频。"

模块二：需求细节清楚说明视频内容。这部分是框架的核心，覆盖画面内容、时间长度、帧率、分辨率、配色、字体、转场、背景音乐等。给细节的数量决定了你拿到第一版代码的可用程度。

模块三：代码规范对 AI 生成代码提出要求。常见要求包括："代码要直接可以运行，注释清晰，依赖写在文件顶部，输入数据放在最前面，输出命名按年份序列编排。""请用 NumPy 向量化代替循环。""不要在一个函数里塞太多逻辑，拆成几个清晰的子函数。"

模块四：性能与异常处理明确要求处理可能的性能瓶颈和边界情况。比如"粒子数量超过 5000 时应该降低绘图频率""如果输入数据缺失字段则跳过并输出日志""渲染过程中需要用进度条显示进度"。AI 生成代码时会自动考虑异常处理，这个模块能减少你后续 Debug 的时间。

模块五：输出格式与交付明确视频编码、分辨率、帧率、质量参数。比如"导出的视频编码用 H.264，帧率 30fps，质量参数 CRF 18"。如果希望输出 PNG 序列而不是直接视频，也在这里说明。

这个框架单独看似乎没什么特别，但它做了一件重要的事：把"模糊需求"转化为"结构化的工程指令"。AI 对结构化文本的响应准确率远高于对自然语言的响应，这一点在大量实测中已验证。

4.2 通用模板示例

下面给一个可以直接用的模板文本：

背景：我准备用 Python 生成一个【内容类型】视频，技术栈是【语言/库】。 需求：视频时长【X】秒，分辨率【WxH】，帧率【F】。 画面内容：【描述画面元素、运动方式、颜色风格、文字信息等所有细节】。 转场/特效：【描述转场方式和特效细节，没有就写"无"】。 音频：【描述是否加音乐/解说，没有就写"无"】。 代码要求： - 首行注释写明依赖库及安装命令 - 主要逻辑拆成函数，每个函数职责单一 - 使用矢量运算替代循环（针对性补充） - 对文件不存在/数据缺失做异常处理 - 渲染时显示进度条 输出： - 视频编码 H.264（或 PNG 序列 + 合成命令） - 文件名格式：output_001.mp4

每次让 AI 写代码前，你只需要把【】 里的内容替换成实际信息，AI 至少能给出一个不错的初稿。后面你再根据实际跑出来的效果迭代。

4.3 迭代调试提示词的套路

AI 生成的代码几乎不可能一次跑出完美效果。但有一个高效的迭代套路：不要笼统地说"效果不对"或"不行"，而是要给出具体的反馈，让 AI 知道要改什么。

三阶迭代法：

第一阶，运行报错。直接把报错信息复制给 AI，问"这个错误是什么原因？如何修复？"AI 通常能很快指出问题并给出修正版本。

第二阶，逻辑问题。代码能跑，但效果和你预想的不一样。比如粒子没有按螺旋运动，柱子标签仍然重叠。这时候给出的反馈越具体越好："粒子当前是直线向外运动，我希望是螺旋运动，路径要围绕中心点盘旋。请修改粒子的速度更新逻辑，增加与粒子 ID 相关的角速度。"而不是说"动画太难看，重做"。

第三阶，细节质感。效果已经很接近了，但缺乏质感。比如动画太机械、颜色太单调、运动太均匀。可以提一些艺术性的要求："每个粒子的透明度要有随机差异""运动过程中加入细微的抖动噪声""颜色映射改用暖白到冷蓝渐变"。注意，AI 对"艺术感"的描述理解有限，但把它拆解为具体的参数变化（比如"加入幅度为 0.02 的随机扰动"），它就能执行了。

我踩过很多次这样的坑：想让效果更丰富，却说"做的有创意一点"，结果 AI 给出的变化完全不在点子上。后来我意识到，通往"有创意"的路是把创意转化成具体的、可计算的参数变化。提示词里宁可给一个准确的"不好看但具体"的描述，也不要给一个模糊的"好看但不清楚"的描述。

4.4 批量变体与风格模板化

提示词框架的另一个实用点是把风格参数化，做成模板。比如我把自己的几个常用视频风格分别定义为模板：

• "极简科技风"：黑色背景、白色或青色线条、细字体、几何元素、粒子点缀
• "数据叙事风"：明亮背景、大字号数字、柱状图/折线图、强调色点缀
• "赛博霓虹风"：深紫色背景、霓虹色（蓝/粉/黄）、文字含光晕、大量粒子和网格
• "手绘感"：米色背景、软边缘、模拟铅笔线条、手写字体、微弱的纸张纹理

每次生成视频前，把风格模板作为提示词的一部分拼进去，就省去了重复描述风格的麻烦。这个技巧尤其适合批量生产视频的场景——模板保证了所有视频风格统一，只需替换每个视频的内容数据。

批量变体也可以直接用提示词实现。比如"这个动画的所有渲染参数都集中在 CONFIG 字典里，我用模板对 5 组不同的参数做批量渲染，输出 5 个视频文件"——AI 就会生成一个参数驱动的高内聚版本。

5. 常见问题与排查技巧实录

5.1 运行报错速查表

做代码视频最常见的阻碍就是运行时各种报错，而且很多错误信息毫无帮助。下面这个速查表是我实际踩坑总结的，遇到报错可以先按这里排查：

有一个容易忽略的点：某些错误信息提示的是"找不到文件"，但真正原因是代码里的工作目录与当前目录不一致。AI 生成代码时默认用相对路径，如果你把脚本放到另一个目录运行，路径就容易错。开局第一步先确认.py文件的所在目录和你实际执行命令的目录是不是同一个，能少踩很多坑。

5.2 性能优化：从"能跑"到"跑得快"

代码视频的性能优化一直是个核心问题。我从实践中总结出几条经验：

第一，逐帧逻辑里千万不要做重复的创建对象操作。例如在 matplotlib 里循环用pyplot.scatter()，每一帧创建新图，慢得离谱。正确做法是先创建figure和axes，每一帧只更新axes的数据属性，如set_offsets()或set_data()。这个优化能提升 10 倍以上。

第二，视频导出和预览要分开。调试阶段分辨率低、帧数少，比如 480P、30 帧，确定效果后再渲染 1080P、200 帧以上。如果你发现调试和成品共用一套参数，光等渲染输出就会耗掉大量时间。

第三，善用并行渲染。如果你的机器有多核 CPU，想让 AI 把逐帧渲染的过程用multiprocessing或concurrent.futures并行化。这个对粒子系统和分形等高计算量的视频效果显著。注意不要把所有帧一次性分发给多进程——内存容易爆，按批次分发更稳。

第四，考虑缓存中间结果。如果同一个数据集要做多个版本的视频，把数据预处理结果缓存为二进制文件或 JSON，每次渲染只做可视化部分，省去重复的计算时间。

5.3 内容与质量的独门经验

最后分享几条在内容质量层面的经验。

第一条，避免过度设计。视频是为了表达信息，不是为了炫技。当 AI 生成的动画过于花哨而淹没了核心信息时，要敢于做减法。你可以直接告诉 AI："画面里的装饰元素太多，只留图形本身 + 文字标签 + 一个强调元素"。我在做商业项目时反复强调这一点，最终成品反而更耐看。

第二条，不要迷信 60fps。对于代码生成的视频，30fps 足够大部分场景使用。60fps 意味着计算量翻倍，渲染时间翻倍，而视觉差异在大部分内容里微乎其微。一个例外是：如果你希望视频里有非常细腻的快速运动（比如高速旋转的物体），60fps 才有意义。提示词里明确给出帧率选择，否则 AI 有时候默认 30，有时候又默认 60，性能影响很大。

第三条，色彩计划比画面元素更重要。AI 生成的默认配色经常是原色直出，艳且刺眼。你需要在提示词里指定配色或提供参考色板。最简单的方式是直接给十六进制色值列表：

主色调：#0a0a0a（深黑） 强调色：#4cc9f0（亮青） 辅助色：#f72585（亮粉） 文字色：#ffffff（白）

别小看这条。我在多个项目里对比过，给了色值和不给色值的成品质感差距非常明显。

第四条，善用"参考参照物"类比。如果想让 AI 做出某种特定感觉的视觉，直接说"像某平台视频那样"有时有用，但有时会踩版权或描述不清的坑。更稳的方法是描述"这种感觉本身"的视觉要素：是明亮还是昏暗？是锐利还是柔滑？是复杂还是留白？把这些维度描述清楚，AI 才能真正理解你要什么。

5.4 我现在的日常使用习惯

可能有人会关心：我平时具体的工作流是什么样的？我一般把整个流程分成四步：

第一步，需求梳理。不管项目多大多小，我都会花几分钟在白纸上写下核心的画面要素清单。写完后把它整理成提示词框架里的需求细节模块。

第二步，第一版生成。把整理好的提示词发给 Claude，让 AI 生成完整代码。这个阶段我不动脑子，完全复述需求。拿到代码后，先在低分辨率小规模下跑通。

第三步，预览与反馈。把跑出来的视频看一遍，把问题记录下来——是运动速度不对？颜色不搭？还是数据标签重叠？然后逐条反馈给 AI。一般来说，性能问题一两轮能解决，效果问题可能需要三轮以上。

第四步，高清渲染与交付。效果确认后，把分辨率、帧率和编码参数改好，让它跑最终的高清版本。跑的同时做下一批内容的提示词准备。

这套流程看起来简单，但有个好处：每个环节都只解决一个类型的问题，不会把"写代码""调效果""查性能"这些不同目标混在一起。混在一起的时候，AI 往往也不知道该优先满足哪个诉求。

最后再分享一个小技巧

我个人在实际使用过程中发现，把多个视频拼接成一个"参数合集"能产生不错的效果。做法是：让 AI 生成的每个小动画都接受相同的配置（比如色彩、字体、转场），然后在一个主脚本里循环渲染所有变体，再拼接成单个视频文件。这个技巧在短视频平台的连续展示场景里很好用。代码上并不复杂，但能让内容显得非常系统和专业。

如果你刚开始接触这个方向，我的建议是：不要试图一开始就做复杂的粒子系统或 shader 特效。先选一条最简单的路线——文字动画或图表动画，跑通"写代码-渲染-导出"的完整闭环。等你习惯了和 AI 协作的方式，再逐步尝试更复杂的路线。这个路径的容错率最高，成长速度也最快。

代码视频这条路没有标准答案，工具迭代又很快，但"用提示词把模糊创意转化成精确参数"这个核心能力，短期内不会过时。希望这篇总结对你有一点实际的帮助。