MiniMax H3 Video Prompt Agent Skill

MiniMax H3 Video Prompt Agent Skill 是一款专为 Hermes Agent 设计的技能模块，可将粗略视频创意与参考素材（图像/音频/视频）自动转换为符合 MiniMax H3 格式的生产级提示词。

该技能支持 Ref2VA、T2VA、I2VA、FL2VA、L2VA 五种生成模式，通过七维电影化增强（摄影机特性、视觉纹理、节奏弧线、角色细节、空间地理、连续性推进、声音设计）丰富原始创意，并输出可直接粘贴至 ComfyUI 的结构化文本。安装后附加媒体并描述概念即可自动触发，亦兼容 Claude/Codex 等框架作为系统上下文加载。输出严格遵循 H3 格式规范，包括时间戳精度、单镜头单动作、自然语言摄影机描述及参考标签一致性。

核心能力：模式识别与七维创意增强

该技能的核心价值在于弥合“人类模糊创意”与“模型精确指令”之间的鸿沟，其工作流分为两阶段：

1. 智能模式检测
根据输入素材组合自动匹配最优 H3 模式：

2. 七维电影化增强
每个提示词在以下维度被系统性丰富，避免AI生成视频的常见缺陷：

• 🎥 摄影机特性：指定物理机型（如Arri Alexa）、镜头瑕疵（眩光/呼吸效应）、胶片格式美学
• 🎨 视觉纹理：定义颗粒度、调色板倾向、灯光比、过曝/欠曝表现
• ⚡ 节奏弧线：规划能量曲线、剪辑密度、张力构建模式
• 👤 角色细节：固化外貌特征、服装材质、视觉标志色以防跨镜头漂移
• 🧭 空间地理：明确画面方向、动作矢量、环境布局关系
• 🔄 连续性推进：跟踪状态变化（如衣物污渍累积）、情感弧线演进
• 🔊 声音设计：映射环境音层、音效触发点、剧情内/非剧情音乐切换时机

这种增强不是随意添加修饰词，而是针对H3模型的已知弱点进行结构性补偿，使提示词本身成为“防错说明书”。

部署集成与格式合规要点

Hermes Agent 安装

# Linux/macOS
cp -r h3-video-prompt-enhancer ~/.hermes/skills/creative/

# Windows
xcopy h3-video-prompt-enhancer %LOCALAPPDATA%\hermes\skills\creative\ /E /I

重启后技能自动激活，无需额外配置。

其他框架适配
将 SKILL.md 及参考文件作为系统提示词或项目规则载入 Claude/Codex 等代理，功能完全一致。Markdown 格式确保跨平台兼容性。

ComfyUI 接线关键
LLM节点输出 → H3 Ref2VA/Base节点提示词输入。必须保证ASSETS列表顺序与物理接线顺序严格对应：<Picture 1> 映射第一个图像插座，<Audio 2> 映射第二个音频插座，错位将导致参考失效。

输出格式铁律（违反即生成失败）

• 纯文本输出，禁止Markdown代码块或前言后语
• 时间戳格式 MM:SS.mmm，毫秒级精度且严格递增
• 每镜头仅一个主导动作，多动作拆分至相邻镜头
• 摄影机运动用自然英语描述（例："The camera pushes in with small amplitude at slow speed"），禁用技术缩写
• 对话保留 <d>[语言] ...</d> 标签，语言代码需准确
• 参考标签（<Subject N>等）全文档唯一且章节间一致

使用边界与实操建议

尽管技能显著提升提示词质量，仍需注意以下限制：

• 素材质量决定上限：低分辨率参考图或嘈杂音频会导致增强效果打折；建议输入≥1080p图像与44.1kHz以上音频
• 创意描述需含动词：仅提供名词短语（如“赛博朋克城市”）难以触发有效增强；应包含动作与情绪（如“黑客在雨中奔跑，霓虹倒影在湿漉漉的脸上流淌”）
• Ref2VA六节结构不可删减：即使某些章节看似冗余（如无对白场景的dialogue部分），也需保留占位符以维持解析器兼容
• 时间轴粒度控制：T2VA/I2VA模式中，单镜头时长建议3–8秒；过短导致动作不完整，过长增加时序漂移风险
• 声音设计非万能：非剧情音乐映射依赖模型理解力，复杂配乐建议后期叠加；环境音描述越具体（如“远处地铁进站的低频轰鸣”）效果越好
• 测试验证流程：首次使用新素材组合时，先用短片段（≤5秒）验证标签映射与格式合规性，再扩展至完整时长

最佳实践示例

• ✅ 有效输入：“📎 character_sheet.png + voice_sample.mp3 + ‘她犹豫地推开旧木门，灰尘在光束中飞舞’”
• ❌ 无效输入：“📎 img.jpg + ‘门’”

该技能的本质是“提示词工程自动化”，它将资深H3用户的隐性知识编码为可复用规则。对于新手，它是学习专业提示词的脚手架；对于老手，它是批量生产的效率倍增器。但记住：工具放大能力，不替代审美判断。最终视频质量仍取决于创作者对电影语言的理解深度——技能只是让这份理解更精准地抵达模型。