我们如何用 Claude Code 和一个提示词做出产品视频

提示词原文

这个提示词只有三行短句。它说出了产品名称，并让智能体自己去查。之后没有人再发过第二条创作指令；交付之后的几条消息，都只是在问音乐是从哪里来的。

提示词之所以短，是因为它设定的是标准，而不是步骤：真实素材、音乐、跟着音乐走的动作，以及专业的成品。Claude Code 把这四条标准变成了它自己的制作计划。

1. 使用真实的产品截图/标志/素材，产品是 Leet 悠悠球，你可以用 google 搜索我的悠悠球产品
2. 必须有音乐，动作必须和音乐对上

要做成真正专业制作的视频，不要像演示或原型。

第 1 步：在 Ciyo 里制作产品静物图

提示词的第一行“使用真实的产品素材”，决定了片子的样子。视频智能体可以让图片移动、打光和剪切，却无法凭空造出一个可信的产品。给它每种配色都相互匹配的静物图，它就能搭出 LEET 宣传片赖以成立的那种镜头：悠悠球保持不动，每一次鼓点只改变它的颜色。

如果你还没有影棚照片，就在 Ciyo 里制作。为了写这篇文章，我们用了一个虚构的产品：“Halcyon Spin”出品的金属悠悠球 Comet，并请 Ciyo Agent 生成三张相互匹配的影棚照片。它先生成一张银色的主图，再以它为参考生成橙色和青绿色版本，因此形状、角度和光线都一致。这三张 2560 × 1440 的图片用 GPT Image 2.5 Flare 生成，共花费 10 积分。

为一支发布视频准备产品静物图。Comet 是小型悠悠球品牌 Halcyon Spin 出品的一款金属悠悠球。为 Comet 生成三张相互匹配的影棚照片：一张拉丝银色，一张橙色，一张青绿色。相同的四分之三侧角度，相同的柔和影棚光，纯白背景，不要文字。三张图里的形状必须完全一致，只有颜色不同。

第 2 步：抠图并导出

选中一张静物图，在图片工具栏中点击 Remove BG（去除背景）。Ciyo 会在原图旁边放一张透明背景的副本；每次抠图花费 2 积分，三张都以 2560 × 1440、透明背景的 PNG 返回。整套素材，即三张静物图和三张抠图，共花费 16 积分。

用工具栏的下载按钮把它们下载下来，和你的标志以及一个简短的文本文件放进同一个文件夹，文本里写上你想在画面上出现的事实：型号名称、尺寸、你的标语。按型号和颜色给文件命名，例如 comet-teal-cutout.png，这样智能体永远不必去猜哪个文件是哪个。

LEET 这次运行说明了这一步为什么值得。它没有事先准备好的素材，于是一个智能体从三家零售商和 LEET 的 X 账号下载了 102 张照片，并用本地的去背景模型抠出了其中 85 张。这花了 75 分钟，是整个调研阶段最慢的一项任务，而且这些照片的版权仍然属于零售商。

• 去除产品照片的背景
• 从一张照片生成更多产品角度

智能体用一个提示词做了什么

Claude Code 并没有直接回一段视频。它先规划了一次制作，再交给一组组各司其职的子智能体去执行，并在进入下一步之前检查它们的成果。整个运行过程中，智能体共发起了 3,314 次工具调用。

调研，75 分钟：七个智能体并行工作。一个研究品牌，找到了它的标语“Aim to return yo-yo to the essence”（让悠悠球回归本质）。一个把标志重建成矢量图，与原标志的重合度达到 99.5%。一个负责抠图，一个负责选音乐，另外三个各写了一套相互竞争的创意方案，主智能体把它们融合成一个：“Elite in every colour”（每一种颜色都出众）。

准备，20 分钟：主智能体测出了节拍网格，把同一型号的所有配色放在同一块共享画布上，这样换颜色时其他一切都不会变；它还写了一套动效工具包和一份逐帧的分镜表，并把画面上的文字限定为它在零售商页面和 LEET 的 X 账号上核实过的事实。

制作，69 分钟：八个智能体并行制作八个场景，八个艺术指导评审这些场景，再由八个修改者落实意见。之后是三轮评审和四次渲染；完整渲染一遍这支片子大约需要一分钟。

音乐是怎么选的，动作又是怎么跟上它的

Claude 听不见声音，也没有作曲。它靠测量来挑选、剪辑和混音现成的音乐。

一个智能体读了 Mixkit 的许可协议，下载了 30 首免费曲目，测量它们的速度、节拍有多稳定，以及高潮部分（drop）响了多少。Arulo 的“Night Terrors”胜出：进入高潮时音量提升 +14.2 dB。主智能体从这首歌里按完整小节剪出一段 39 秒的版本，测量了真实的鼓点，发现侦察智能体给出的节拍网格晚了 26 ms，于是把一切都锁定在精确的 130 BPM。随后，它把来自 31 个 Mixkit 音效的 76 个音效提示点放在音乐位置上：数字跳动时配滴答声，剪切时配呼啸声，镀铬悠悠球出场时配一声金属鸣响。

每一段动画的时间都用音乐来计量，而不是用秒。每个场景都通过 fAt(bar, beat) 请求帧位置，所以一次剪切或一次换色一定落在它的那一帧上，因为代码没有别的方式来表达“什么时候”。

评审让它有了专业的样子

第一次渲染不够好，智能体自己也这么说。它查看了每拍一张的样张，判定阵列画面是最弱的部分：细小、褪色的产品挤在空荡页面上一条窄窄的横带里。它派出另一个智能体，把这一段重新设计成一次推近的镜头运动。

只评审、不动手修改的评审智能体分别检查了美术指导、同步、品牌与文案，以及技术质量。第一轮在八个场景中发现了 10 个阻塞问题，第二轮在整支片子里发现了 47 个问题，第三轮发现了一处由智能体自己造成的闪烁：胶片颗粒是通过 CSS 加载的，在某些帧上缺失了。在交付的成片中，40 个视觉事件里有 39 个落在节拍上或与节拍相差不到一帧；剩下那一个是高潮前按计划安排的一帧黑场。混音响度为 −14 LUFS，这是网络视频常用的响度。

一个提示词的真实成本

token 数量来自会话日志。我们按 Anthropic 公布的 Claude Opus 5.5 标准速度标价计算：每百万输入 token 4 美元，每百万输出 token 20 美元，每百万缓存读取 token 0.20 美元，每百万缓存写入 token 5 美元或 8 美元（分别对应 5 分钟或 1 小时缓存）。Claude 订阅的计费方式不同，所以请把这个美元数字看作按标价的估算，而不是账单。

成本大头是缓存读取：每个子智能体在每一步都要重新读取自己不断增长的上下文。少用几个智能体、少做几轮评审，花费会更低，成片看起来也没那么精良。

• Claude Opus 5.5 的价格详解
• AI 视频生成要花多少钱？

照着这套流程做

1. 在 Ciyo 里为每种配色制作或收集一张静物图，并把每一张都抠出来。

2. 把它们和你的标志（如果有 SVG 就用 SVG）放进一个文件夹，再放一个 facts.txt，写上你想在画面上出现的名称、尺寸和文案。

3. 在这个文件夹里打开 Claude Code，发送一个类似下面的提示词。

4. 文件到手后，打开声音完整看一遍；智能体听不见它。

然后检查版权。零售商拍的照片归他们所有。Mixkit 的免费音乐许可涵盖网络视频、社交媒体帖子和网页广告，但不包括电视、广播、游戏或 CD，而且这首曲子不归你独家使用。智能体使用的视频库 Remotion 对个人和员工不超过三人的公司免费；规模更大的公司需要购买公司许可。

为 [品牌] 制作一支专业的产品宣传视频，不要做成演示或原型。
1. 只使用这个文件夹里的真实素材：产品静物图和抠图、标志，以及 facts.txt。画面上只出现 facts.txt 里的事实。
2. 必须有音乐，动作必须和音乐对上。使用我可以用在网络广告里的音乐，并告诉我它的许可协议。
3. 16:9，1080p，约 30 秒。
交付一个母版文件和一个小于 30 MB 的网页版，并列出我在发布前必须检查的事项。

• 用 Claude Opus 5.5 给你的标志做动画
• Mixkit 许可协议
• Remotion 许可协议
• LEET 的 X 账号