从海岛登陆出发，讲清白模视频、参考图与提示词怎样分工，再用人物交接、并行卡车、太空对接和传送门等十个案例拆解空间、动作与因果。附可编辑预演、完整提示词与实际结果，也说明仍未解决的偏差。
当前开放前 20% 试读，后续内容需要订阅有效期内阅读。
从船向海岸推进，到箱子跨过两辆行驶的卡车，我想试试：先用代码排清位置、路线和事件，再让 AI 重建外观。这篇教程整理了实际输入、生成结果，以及仍然没解决的偏差。
我最初只是想做一个十秒左右的海岛登陆镜头：军舰与登陆艇向岸边推进，飞机从上方经过，攻击岛上的目标。后来，实验扩展到递箱、追火车、太空对接和传送门。越往下做，我越发现，画面看起来漂亮，与事情发生得合理，是两项不同的要求。
这篇文章围绕一个问题展开：怎样把脑中的镜头变成明确的参考，让 AI 有空间设计外观，也能读懂必须保留的动作关系？
前半篇讲做法与检查方法，后半篇按控制难点组织十个案例，附白模、外观参考和完整提示词。逐轮重试、费用和抽样记录留在补充资料中。这里展示的是截至2026年10月11日的实验样本，包含改善，也包含尚未解决的失败。
白模可以理解为镜头的粗略排演。船、飞机、岛不必先做成精细模型，但数量、朝向、位置和运动应当看得懂。这样，我们在生成之前就能讨论：船是不是朝岸边走？飞机经过哪里？观众能否看到攻击目标？
这次海岛最初用单页 HTML 和 Canvas 做三维投影；后面十个案例使用真实 Three.js 场景。它们按时间计算位置和姿态，属于运动学预演，没有完整的刚体碰撞、衣物或人体动力学模拟。白模表达的是设计意图，里面的动作本身也需要检查。
下面先看后期采用的海岛白模。左、右两处低矮工事是攻击目标；军舰、登陆艇与飞机属于同一方。
参考视频｜海岛攻势白模 v7
早期结果里，岛、船和飞机都有写实细节，但山体与载具仍然保留了过于概括的轮廓。我的直觉是，模型把预演里的形状也当成了最终设计的一部分。
这只是对结果的解释，不能据此认定 Three.js 做得越细就越差。真正需要调整的是参考的分工：视频保留运动和空间关系，图片提供自然地形与载具外观，文字说明哪些结构不能改变、哪些细节可以重建。
海岛环境参考：开场的一舰两艇与两个未受攻击的工事
除此之外，海岛还用了驱逐舰、登陆艇和飞机各自的身份参考。它们分别解决不同载具的造型问题，避免只靠同一张大场景图解释全部物体。
后来，外观更接近预期，却出现了舰艇旁的巨大水柱。观众很容易把它理解为飞机在攻击己方船只。仅凭截图不能判断弹药究竟从哪里来，但叙事关系已经含糊了。
这时再加“电影感、真实、震撼”没有解决关键问题。需要明确的是归属和因果：谁攻击谁，攻击在哪里发生，什么变化代表命中。
后续输入把攻击拆成两件可观察的事：两架飞机分别朝向岛上两个工事；每个工事经历一次“完整→闪光→原位置持续冒烟”的变化。舰艇只航行，舰炮不参与攻击，海面不设置命中水柱。目标放在可见的前坡，避免藏在山脊后面。
生成结果｜海岛 V11
这一轮的抽样检查中，两处攻击落在陆地工事的位置，后段没有再看到第三处火点，一舰两艇的数量也保持了。但两次火光都早于提示词要求，烟柱仍偏直，声音尚未听音。它说明对应关系有改善，不能称为所有约束都已兑现。
这个案例给后续实验定下了检查顺序：先看事件能不能读懂，再看外观；再漂亮的画面，也不能替代明确的攻击对象、路线和归属。
白模视频适合表达静态图难以说明的部分：车辆怎样保持相对速度，人物先伸手还是先松手，箱子沿什么路径移动，相机怎样跟随。它能让我们提前观看整段事件，而不是只想象某个漂亮瞬间。
但视频模型读到的是画面与提示词，不会直接执行 Three.js 的场景树或状态机。因此，视频里的精确时刻、固定机位和接触关系，都仍可能被重新解释。
“全能参考”在这里指组合使用视频与图片，并在提示词中绑定实际附件。多数案例是一段视频、三张图；交接案例另加一张共持关系图；海岛用四张图区分环境与三类载具。张数取决于问题，没有越多越好的固定规则。
| 参考 | 主要职责 | 上传前检查 |
|---|---|---|
| 白模视频 | 数量、路线、机位、相对运动与事件顺序 | 动作是否成立，关键关系是否可见 |
| 环境图 | 光照、材质、色彩与世界风格 | 有没有额外人物、道具或冲突结构 |
| 人物／载具图 | 身份、服装、轮廓与辨识特征 | 多视图是否可能被误认成多个实例 |
| 物件／结构图 | 道具、入口、落脚点、承托面 | 美术细节有没有封住动作需要的开口 |
| 阶段关系图 | 开场、中段或终点的特定关系 | 明确对应哪个阶段，避免变成全程状态 |
比如，两个人交接皮箱，人物图告诉模型“是谁”，道具图告诉它“提手在哪里”，中段图告诉它“两只手分别抓哪里”。但中段共持不能覆盖结尾：结尾仍然要由接收者独自持有。
太空对接则相反：终点图需要说明细鼻进入环口、宽肩留在外面。这张图不能被当成开场，否则飞船一开始就已经完成对接。
参考之间出现冲突时，先修输入。环境图多出一级台阶、落点被栏杆封住、开场图自带烟尘，都可能把不想要的关系带进成片。增加更多图片之前，先确认现有图片是否在讲同一个镜头。
我会省去铆钉、树叶、五官、服装褶皱，保留方向、关节、开口和接触面。车辆应看得出前后，飞机应看得出朝向，人应看得出支撑脚；箱底的承托、跳车的侧台、需要穿过的门，都必须明确。
把所有东西简化成无法辨认的方块，也可能丢失这些线索。粗糙程度要由事件决定：与动作有关的结构留下，纯外观细节交给图片与模型。
身份分色也很有用。蓝车 A、红车 B、唯一黄箱方便检查归属；如果这些只是标记，就在提示词里说明外观按图片重建。如果黄色本身是最终辨识特征，则明确要求保留。
以并行卡车转运为例，完整桥段可以包含追赶、并行、开门、搭桥、偷货、撤离。一次全部塞进十秒，每件事都容易被压缩或跳过。因此，这次从两车已经并行、输送平台已经连接开始，只拍一只箱子的转移。
| 要明确的关系 | 卡车案例的约定 |
|---|---|
| 主体 | 左侧蓝车 A、右侧红车 B、后方灰车 C；一人、一箱 |
| 起点 | 黄箱在 A，接收者在 B，平台已经连接 |
| 动力与路径 | 电机驱动输送带，箱子沿带面从 A 到 B |
| 相对运动 | A、B 同速；C 保持后方位置 |
| 接触与结局 | 箱底始终有承托，最终停在 B 端带面 |
| 镜头 | 关键车辆和转移过程可见，避免越拍越近 |
这张表能暴露“箱子自己跑过来”之类的问题。终点正确，还需要过程合理：是谁推动它，靠什么跨过车间空隙，为什么不会掉下去？
十例 Three.js 导演台（资料包内：lab/index.html）可以播放、暂停、重播、拖动时间轴和下载素材。车辆、人物、道具与相机使用同一个时间变量，拖到五秒时，所有对象都对应同一阶段。这样更容易检查相对关系，也方便反复修改。
如果让 Coding Agent 从零制作，可以先给它这份任务，再替换其中的桥段：
制作一个 Three.js 白模预演页面，画幅16:9，长度10秒。
先列主体、起点、终点、运动路径、动力来源、接触面与相机位置，再实现动画。
桥段：蓝卡车A与红卡车B并行同速，灰卡车C在后方。只有一名接收者和一只黄箱，开场两车间的电动输送平台已经连接。
0–3秒保持关系；3–7秒电机带动输送带，将箱子从A送到B，箱底始终贴住带面；7–10秒停带，人物在B扶稳箱子。三车车身与轮轴保持正确的刚性关系，轮胎接地。
用唯一时间t计算所有对象与相机状态。提供播放、暂停、重播、0–10秒时间轴和身份分色；任意拖动或重播都应得到同一状态。
保留能解释动作的体块、关节和结构，不精做外观。导出画面不包含UI文字。
检查源画面后，按300帧、30fps导出1280×720的H.264 MP4；不以录屏耗时冒充时间轴时长。
至少看开场、事件前、事件中、事件后和结尾。卡车查轮轴、带面与箱底；列车查起跳点、开放侧台与落脚位置；传送门查进入、遮挡、出现与接住的连续过程。
如果关键关系在白模里已经被遮住，先换机位。提示词里的“清晰可见”，无法让模型获得原视频没有提供的信息。导出文件能解码、时长正确，只说明格式可用，不能证明动作正确。
只说“参考视频生成一个电影级镜头”，容易遗漏真正需要发生的事。我的做法是先分配参考职责，再描述连续事件，最后写摄影、外观和声音。
生成10秒、16:9的连续镜头。
参考分工：
@视频1 定义主体数量、相对位置、运动路线、事件顺序与拍摄机位。
@图片1 定义环境材质、光照和画风。
@图片2 定义同一人物或载具的身份与外观；设计展示中的多个视图不是额外实例。
@图片3 定义道具、接触面或指定阶段的关系。明确它对应开场、中段还是终点。
必须保留：
写清谁在场、唯一物件在哪、由谁或什么机构驱动、怎样经过路径、最终由谁持有。
按事件划分时间段，说明接触、遮挡与状态变化。需要看清的主体持续留在画框中。
允许重建：
按参考图重建可信的材质、自然地形、服装和细节，补足符合该画风的运动表现。
白模的标记色和概括形状不作为最终美术；不能通过改变数量、路线、开口或归属来重建外观。
声音：
写明关键动作音、环境声、音乐情绪，以及何时出现或停止。没有对白时明确说明。
这里的 @视频1、@图片1 只是占位。实际生成时，需要用平台的素材选择器绑定对应附件，不能只把文件名打进文字里。上传后再核对一次：视频、图片和提示词是不是同一版。
“不要漂浮”最好同时对应“箱底沿带面移动”；“不要误伤”对应“飞机只攻击岸上工事”；“不要多出人物”对应明确的主体数量。这样，模型得到的是要发生的事件，而不只是错误清单。
修订时也要重写完整提示词，删除旧关系。不能一边保留“艇旁爆起水柱”，一边追加“海面不得爆炸”；不能在同一份文字里同时要求固定宽景和推进特写。
配乐可以提供节奏，但输送带是否启动、人物何时落脚、门何时激活，主要靠动作和动作声解释。可以要求发动机、带轮、脚步、衣料与环境声跟随事件，音乐保持克制，不突然插入对白或不相关爆炸声。
这组实验的声音要求来自文字，没有独立音乐附件。多数结果也尚未完整听音，因此下文不把“有音轨”写成“声音已通过”。最终成片仍要逐段听，检查动作声的时机和音乐是否抢戏。
我现在会分别检查数量、路线、接触、因果、画框、外观和声音。比如“第1.5秒屋顶挡住车头”，比“运镜不够好”更容易修；“交接后A仍抓着提手”，比“人物不自然”更接近问题。
复核有三种结论：明确矛盾，需要修改；与镜头约定不同，需要记录偏差；看不清，仍然未知。远景轮轴太小、手被箱子挡住、鞋底藏在衣服下面，都不能直接写成通过。
交接：检查谁在什么时候持有。 皮箱到了B手里，还要看A是否真的退出。增加中段共持图后，两只手分别抓提手的关系更清楚，第六轮约6秒已离开提手；但手臂完全回收更晚，隐藏接触也没有全面验证。这里需要同时看道具归属与动作过程。
太空：检查哪些部分允许进入。 飞船到达接口并不够。我们明确了细鼻、宽肩和小环的尺寸关系，再用开场图与终点图分别规定阶段。第六轮完整船体与站架、细鼻入环而宽肩留外的关系改善；隐藏深度与机械接触仍不能仅靠二维样本确定。
无人机：检查遮挡是否真的触发绕行。 无人机绕柱、人物重新出现，看起来很容易成立。但第三轮仍有开场裁切、柱面不应出现的蓝色光斑和遮挡时序偏差。下一版删除状态灯，补齐开场关系，尚未生成。输入修好了，不能提前宣布结果已经修好。
这三个案例的参考与视频统一放在第七节，避免在讲解和资料区重复播放。
成片同时有数量、路线和外观问题时，先修最影响事件理解的部分。保存实际输入和结果，用相同的检查问题判断下一轮是否改善。如果一个十秒镜头反复无法兼顾跳跃、复杂抓握和机位，可以拆成更清楚的镜头。