City superhero blockbuster

工作流（逐步暂停等待用户输入）：

1. 等待用户上传照片 — 向用户说明需要上传一张个人照片作为人物身份和服装参考。暂停，等待用户上传完成后才能继续。上传后通过 resource_prepare_and_analyze 分析照片，提取人物外观特征（面部、体型、服装、发型），生成 semantic_output 供后续步骤使用，并将照片注册为 reference_image。
2. 等待用户选择城市 — 照片确认后，向用户展示城市选择：预置中国30个省会/大城市（例如上海、广州、深圳、成都、杭州、武汉、西安等）+ 世界20大城市（如纽约、伦敦、东京、巴黎、迪拜、洛杉矶、悉尼等），同时允许用户自由输入城市名称。暂停，等待用户选择后才能继续。选定后，Planner 在 Final_Video_Spec.md 中记录该城市的标志性建筑、特色街道、天际线特征和代表性交通工具（如纽约→黄色出租车/褐石建筑/消防梯；伦敦→黑色出租车/泰晤士河/红砖建筑；东京→霓虹巷道/东京塔等）。
3. 剧情判定（Planner 自动判断） — Planner 根据用户在对话中是否提供了剧情/脚本/动作描述，自动判断走以下哪条分支，无需询问用户：
   • 无剧情模式：用户只上传照片+选城市，未提供任何剧情文本 → 走固定28s单shot模板流程（当前默认行为）。
   • 有剧情模式：用户提供了剧情/脚本/动作描述 → Planner 评估剧情总时长：
     • ≤30s：按剧情实际时长设计单 shot，不拆分。
     • >30s：按叙事节拍拆分为多 shot，每个 shot 尽量接近30s但不强制，总 shot 数尽量少；禁止过度碎片化（如3s+5s+8s），每个 shot 不得低于8s。
4. 生成人物三视图 — 通过 media_generator 使用 ImageToImage（推荐模型 Nano Banana Pro），以用户上传照片为参考，生成一张纯白背景的人物三视图（正面、侧面、背面并排），确保人物身份、服装、发型、体型与照片完全一致。纯白背景的目的是避免原始照片中的环境元素污染视频画风。生成的三视图注册为人物 key_element 的 reference_image，替代原始照片作为所有 shot 的身份参考。
5. 建立 Final_Video_Spec.md 并设计 Storyboard — 通过 text_editor 先建立 Final_Video_Spec.md，锁定全局参数（16:9、720p、Seedance 2.5、视觉风格、选择的城市及其地标信息、时长模式与总时长）。然后通过 storyboard_designer 设计镜头：
   • 无剧情模式：固定28s单shot，使用当前10阶段固定时间轴模板。
   • 有剧情且≤30s：单shot，按用户剧情节拍设计场景阶段。
   • 有剧情且>30s：多shot，每个shot覆盖一个完整叙事段落，shot间注明连续性关系。
6. 生成视频 — 通过 media_generator 生成视频：
   • 单shot模式：参考人物三视图（reference_image）一次性生成完整视频。
   • 多shot模式：按 storyboard 顺序逐 shot 生成；当后续 shot 与前一段连续性极强时，可将前一段 final_shot 作为 reference_video 传入。每个 shot 均以人物三视图为 reference_image。
7. 组装与输出 — 通过 video_assembler 组装：单shot直接输出；多shot按 storyboard 顺序拼接，保持音画连续性。
   关键依赖与注意事项：

• 每一步必须在用户确认/提供输入后才能进入下一步，不可跳过暂停点，每一步确认采用按钮式，即“确认”按钮加上“修改”按钮。
• 第2步依赖第1步照片上传完成。第3步依赖第1步和第2步。第4步依赖第1步。第5步依赖第3步剧情判定和第4步三视图生成完毕。第6步依赖第5步 storyboard 设计完毕。第7步依赖第6步所有 shot 生成完毕。
• 城市选定后，Planner 需根据所选城市补充该城市地标和街道特征信息，替换 prompt 模板中的 [选择城市] 占位符。
• 时长处理：无剧情时固定28s不询问；有剧情时按剧情实际需要灵活设定，单shot≤30s，超30s时按叙事节拍拆分多shot，每段尽量长、尽量少，禁止碎片化。
• 三视图替代原始照片：所有 shot 的 reference_image 统一使用三视图，不再直接使用原始上传照片，避免照片中的背景环境干扰视频生成。
• 多shot连续性：仅当后续 shot 与前一段连续性极强时才添加 reference_video；通常情况下仅使用三视图作为参考即可。

用户上传照片分析：

• 分析上传的人物照片，提取关键身份特征：面部轮廓与五官比例、肤色、发型与发色、体型比例、服装款式与颜色、配饰。
• 将提取的特征结构化为 semantic_output，供 prompt 写作时引用，确保视频生成保持与照片一致的人物外观。
• semantic_output 中需包含三视图生成所需的指导信息：确认人物的正面/侧面/背面外观一致性要点（如发型是否对称、服装是否有背部细节、配饰在侧面是否可见等），以便后续 ImageToImage 生成三视图时保持准确。
• 原始照片注册为 reference_image，作为三视图生成的输入参考；三视图生成后，三视图替代原始照片成为所有 shot 的 reference_image。
• 写实风格标注：semantic_output 中需明确标注人物为真人，所有下游生成（三视图和视频）必须保持真人写实摄影风格，禁止输出2D动漫、3D渲染、插画或卡通风格。
• 角色服装标注：semantic_output 中需标注角色的服装和裤子完全沿用上传照片中的穿着——记录照片中服装的款式、颜色、材质、裤型等细节，供三视图和视频生成时严格匹配。角色具备发射蛛网的能力，但服装不做任何替换或转化，始终以照片中的真实穿着为准。

时长模式分支：

• 无剧情模式：固定28s单shot（一镜到底），使用以下10阶段固定时间轴模板。
• 有剧情且≤30s：单shot，按用户剧情节拍设计场景阶段，总时长按剧情定（≤30s）。
• 有剧情且>30s：按叙事节拍拆分为多shot，每个shot覆盖一个完整叙事段落，时长尽量接近30s但不强制，总shot数尽量少，每个shot不得低于8s，禁止过度碎片化（如3s+5s+8s）。shot间注明连续性关系（哪些shot需要前后衔接）。
  无剧情模式固定单镜头（28s，一镜到底）：
  仅一个 shot（Shot 1，0–28s）。以下场景阶段及其时间分配为固定模板，不得修改、删减、合并或重新分配时间——场景描述须忠实写入 shot description，prompt 须忠实复现。
  Key Elements：
• element character：用户上传照片中的人物。身份参考为纯白背景人物三视图（正面/侧面/背面）。服装和裤子完全沿用上传照片中的穿着，不做任何替换或转化。角色具备发射蛛网、城市摆荡穿越的能力。代词和称呼应与照片中人物性别一致（用户模板使用"她"，实际以照片为准）。
• element scene：用户选择的城市。包含该城市标志性建筑、特色街道、天际线。城市地标和代表交通工具根据用户选择动态确定。
  Shot 1 场景阶段（固定时间轴，逐段写入）：
• 0–4秒（卧室开场）：卧室内部——一侧有床、架子、海报、散落的衣服，柔和阳光洒入，透过大大的敞开窗户可见[选择城市]天际线。人物坐在窗台上，姿态舒适却稳健，充满活力。望着前方说"Let's Go?"，双手戴上耳机，自信微笑，以柔和而坚定的动作向后翻身跃出敞开窗户。镜头顺畅跟随离开房间。
• 4–5秒（蛛丝特写）：下落过程中极近距离特写角色的手。手指张开，手腕向前弹射，蛛丝从角色伸出的手连续延伸至上方建筑锚点，形成完整不间断弧线。镜头迅速后拉揭示下方城市景观，高楼大厦耸立在背景中。
• 5–8秒（低空摆荡）：温暖午后阳光，广角无人机追踪[选择城市]标志街道上空。人物在街道上方约3米高度极低空摆荡，经过砖墙公寓外观、消防逃生梯、商店、阳台、街边停泊车辆及繁华大道。背景中可见标志建筑大厦。双手紧握蛛丝，双腿并拢伸直，身体呈流线型。摆荡最低点高跟鞋轻擦街边停泊车辆车顶并物理反弹调整动量。镜头与人物一同倾斜40度。
• 8–11秒（墙面奔跑）：最高点松开蛛丝，空中舒展身体，侧身降落在经典建筑墙面。垂直墙面持续奔跑，身体向墙倾斜45度，高跟鞋踩踏墙面，双手保持平衡。沿外观水平快速迈出5–6步。墙面或屋顶无汽车。用力一蹬发射蛛丝——蛛丝从角色的手连续延伸至对面建筑锚点——穿越繁华标志性大道宽阔空间。下方街道可见出租车和车辆。蛛丝猛地将人物拉向一侧，镜头翻滚捕捉力量。
• 11–14秒（街道穿越）：低空掠过出租车、公交车、人行横道、湿润路面，以及带有温暖反射光的繁华大道。地面2米飞行后松开蛛丝降落在湿润街道上，转化为奔跑。快速3–4步穿过人行横道线和街头交通。出租车鸣笛，人物笑了笑。一脚踩上街边出租车车顶用力爆踩跨过，向上跃起发射蛛丝，大喊"哇哦哦哦！"高高升空。
• 14–15秒（天际线收尾）：短暂广角屋顶高度收尾镜头。人物到达摆荡最高点，悬挂在金色时刻城市天际线背景下，停顿在令人屏息的一瞬间。屋顶上无汽车或出租车。城市标志建筑大厦清晰可见，高耸而富有标志性，以天空为背景。下方：密集屋顶、露台、水箱、消防逃生梯、狭窄街道，以及夕阳雾气。巨大云朵在橙色和金色光芒中闪耀，镜头保持电影感画面。
• 15–18秒（蛛丝荡行与城市杂技）：动态镜头展示人物滑翔穿过高耸城市巷道，在蛛丝线上荡行，降落在屋顶上，并在俯瞰城市天际线的豪华屋顶泳池上方飘浮。
• 18–23秒（日落三明治时刻）：宁静广角镜头，人物在日落时随意坐在高空钢梁结构上，眺望城市天际线，一边快乐地吃着三明治。
• 23–25秒（霓虹巷道与倒挂相遇）：夜晚，在发光霓虹灯照亮的巷道中，人物倒挂在蛛丝线上，对着窗台上的一只黑猫温暖地微笑。
• 25–28秒（返回家中）：人物用蛛丝荡回阳台，翻身进入室内，然后带着大大的笑容瘫倒在沙发上，快乐地打电话。
  台词： "Let's Go?"（0–4秒），"哇哦哦哦！"（11–14秒）。
  环境规则（须体现在每个场景中）：
• 汽车和出租车仅存在于道路/街道上，绝不出现在屋顶、阳台、露台、墙面或天际线镜头中。
• 屋顶镜头仅显示屋顶、露台、空调外机、水箱、天线、高楼和天际线元素。
• 高跟鞋擦车顶仅发生在低空摆荡时与街边停放车辆接触。
• 踩出租车场景仅发生在街道上行驶或停靠的出租车上。
  音频设计：
• 不设计独立背景音乐音轨。视频内台词、环境音效和动作音效由 Seedance 2.5 模型同步生成。

人物三视图生成（在 shot 生成之前执行）：

• 使用 ImageToImage，推荐模型 Nano Banana Pro (Gemini 3 Pro Image)，分辨率 2K，宽高比 16:9。
• 输入：用户上传照片作为 image_ids 参考。Prompt 要求生成纯白背景的人物三视图——正面、侧面、背面三个视角水平并排排列，保持与参考照片完全一致的脸部特征、肤色、发型、体型。人物描述不要写例如：面部为柔和的椭圆偏长轮廓，圆脸之类，一定要忠于原图参考；服装处理：角色的衣服和裤子完全沿用上传照片中的穿着，不做任何替换或转化，三视图中角色必须穿着与照片完全相同的服装和裤子。背景必须为纯白色，无任何环境、道具或阴影。三视图必须为真人写实风格（photorealistic real person），prompt 中需明确写明"真人写实摄影风格"，并附加约束"非2D动漫、非3D渲染、非插画、非卡通"。
• 生成后将三视图注册为人物 key_element 的 reference_image，替代原始照片作为所有 shot 的身份参考。原始照片仅保留为三视图生成的输入，不再直接用于 shot 生成。
• Nano Banana Pro 在复杂多图布局和角色一致性方面表现最佳；若不可用可降级为 Nano Banana 2 (Gemini 3.1 Flash Image)。
  视频生成配置：
• 使用 MultiModalToVideo，模型 Seedance 2.5，分辨率 720p，宽高比 16:9，单次生成时长上限 30s（在 4–30s 范围内）。
• 无剧情模式：固定28s单段生成，仅生成一个 final_shot，不拆分、不拼接。
• 有剧情模式：按 storyboard 设计的 shot 数量逐个生成。每个 shot 时长由剧情决定，≤30s。多个 shot 时按 storyboard 顺序逐个生成。
• 多 shot 连续性参考：仅当后续 shot 与前一段连续性极强时，将前一段 final_shot 作为 reference_video 传入；通常情况下仅使用三视图作为 reference_image 即可。
  参考绑定规则：
• 人物参考绑定：人物三视图作为 reference_image，通过 image_infos 传入，绑定到人物 key_element。生成前调用 query_assets_info 确认绑定状态；若缺失则通过 manage_item_assets 绑定并重新查询验证。
• 多 shot 模式：每个 shot 均需绑定人物三视图作为 reference_image；当某 shot 使用前一段 final_shot 作为 reference_video 时，同样需先绑定再生成。
• 无需 audio_infos，不生成任何背景音乐（BGM）。视频内台词、环境音效和动作音效由 Seedance 2.5 模型同步生成，无需独立音频参考。
  Asset Binding Contract：
• 遵循当前 manage_item_assets 契约，使用 Storyboard 中的实际目标 ID。
• 绑定前先 query_assets_info，缺失时调用 manage_item_assets 并保留完整绑定数组，绑定后重新查询验证。
• 从资产的实际用途和计划位置解析绑定类型，不凭媒体标签推断角色。

模式分支：

• 无剧情模式：使用下方的固定10阶段时间轴 Prompt 模板。
• 有剧情模式：按 storyboard 中每个 shot 的设计编写 prompt，不再套用无剧情模式的固定10阶段模板。阶段数量和内容由 storyboard 根据剧情自由设计，不限制具体几个阶段、不限制每段时长。但须遵守以下结构规则：
  • 时间标记习惯：当一个 shot 内有多个场景节拍时，仍用时间标记（如"0–4秒："）分段描述，让模型理解每段持续时长，避免一个动作撑满全段；若该 shot 只有一个连续场景，则不需要拆时间标记。
  • 场景多样性原则：每个 shot 内部要有场景和动作的变化，避免"一个动作飞满全段"；具体场景内容由 storyboard 决定，prompt 须忠实还原 storyboard 中的场景节拍。
  • 沿用全部 standing constraints：人物身份锁定（三视图）、真人写实风格、蛛丝发射方向与连续性、无 BGM、身体比例完整性——与无剧情模式一致，必须写入每个 shot 的 prompt。
  • 字符数控制：每个 shot 的 prompt ≤ 2,300 字符；浓缩优先级与无剧情模式相同（人物锁定 > 场景节拍 > 环境规则 > 风格标签）。
    Prompt 模板结构（填入 MultiModalToVideo 的 prompt 字段）：
    每个 shot 生成一段独立 prompt，总字符数含标签须 ≤ 2,300。按以下优先级组织内容：

1. 人物身份锁定：<<<image_1>>> 为纯白背景人物三视图（正面/侧面/背面），作为人物身份和服装的绝对参考标准。保持相同脸部特征和比例。角色的衣服和裤子完全沿用上传照片中的穿着，不做任何替换或转化，严格遵循三视图中角色的原始服装。角色具备发射蛛网的能力。无其他焦点人物。人物必须为真人写实风格，严格遵循照片中的真人皮肤质感和五官比例。
2. 镜头类型声明：无剪辑原生一镜到底电影感无人机追踪动作视频——镜头连续跟随人物穿越多个场景，场景和动作随叙事推进持续变化，而非单一场景或动作贯穿全段。无转场特效、无时间跳跃。
3. 城市环境：将 [选择城市] 替换为用户选定城市的地标建筑和特色街道。汽车/出租车仅出现在道路上，屋顶镜头仅显示屋顶建筑元素。
4. 动作节拍（最高内容优先级，严格按固定时间轴执行）：必须严格按照以下 10 个场景阶段及其时间标记分节描述，不得修改、删减、合并、重排或重新分配时间。每个阶段以时间标记开头（如"0–4秒："），包含该阶段的完整场景+动作+镜头景别。各阶段内容须忠实还原 Storyboard 中 Shot 1 的对应段落——逐字复现场景描述，仅将 [选择城市] 替换为实际城市：
   • 0–4秒（卧室开场）：卧室内部——床、架子、海报、散落衣服，柔和阳光洒入，敞开窗户可见城市天际线。人物坐在窗台上说"Let's Go?"，双手戴上耳机，自信微笑，向后翻身跃出窗户。镜头跟随离开房间。
   • 4–5秒（蛛丝特写）：下落中极近距离特写角色的手。手指张开，手腕向前弹射，蛛丝从角色伸出的手连续延伸至上方建筑锚点。镜头迅速后拉揭示城市全景。
   • 5–8秒（低空摆荡）：温暖午后阳光，广角无人机追踪城市标志街道上空。街道上方约3米极低空摆荡，经过砖墙公寓、消防逃生梯、商店、阳台、街边车辆。双手紧握蛛丝，双腿并拢伸直，流线型。摆荡最低点高跟鞋轻擦车顶物理反弹。镜头倾斜40度。
   • 8–11秒（墙面奔跑）：最高点松开蛛丝，空中舒展，侧身降落建筑墙面。垂直墙面奔跑5–6步，身体倾斜45度，高跟鞋踩墙面。墙面无汽车。蹬墙发射蛛丝穿越大道，蛛丝从角色手延伸至对面建筑锚点。镜头翻滚捕捉力量。
   • 11–14秒（街道穿越）：低空掠过出租车、公交车、人行横道、湿润路面。地面2米飞行后降落转化为奔跑，3–4步穿过人行横道。出租车鸣笛，人物笑了笑。踩上街边出租车车顶跨过，跃起发射蛛丝大喊"哇哦哦哦！"高高升空。
   • 14–15秒（天际线收尾）：广角屋顶高度。人物达摆荡最高点，悬挂在金色时刻天际线背景下。屋顶无汽车。标志建筑大厦以天空为背景。下方密集屋顶、水箱、消防梯、夕阳雾气。巨大云朵闪耀，电影感画面。
   • 15–18秒（蛛丝荡行与城市杂技）：动态镜头，人物滑翔穿过高耸城市巷道，蛛丝线上荡行，降落屋顶，在豪华屋顶泳池上方飘浮。
   • 18–23秒（日落三明治时刻）：宁静广角镜头，人物日落时坐在高空钢梁结构上，眺望天际线，快乐地吃三明治。
   • 23–25秒（霓虹巷道与倒挂相遇）：夜晚霓虹灯巷道，人物倒挂蛛丝线上，对窗台上的黑猫温暖微笑，伸手抚摸猫咪。
   • 25–28秒（返回家中）：人物蛛丝荡回阳台，翻身进入室内，带着大笑容瘫倒沙发，快乐地打电话。
     绝对禁止将所有动作压缩成一句连续描述或省略任何场景阶段——缺失场景阶段是导致"一个动作飞满全段"的直接原因。保留台词"Let's Go?"（0–4秒）和"哇哦哦哦！"（11–14秒）。
5. 风格标签：真人写实风格、电影感照明、逼真AI视频、高对比度动态镜头角度、超级英雄电影美学。
   人物动作完整性（standing negatives）：

• 每个 shot 的 prompt 末尾必须附加约束：人物身体比例和四肢结构保持正常，动作自然连贯，无变形、无扭曲、无肢体融合或断裂。
• 写实风格强制约束：每个 shot 的 prompt 必须包含"真人写实摄影风格，非2D动漫，非3D渲染，非插画，非卡通，非赛璐璐"。人物皮肤、光影、材质须呈现真实摄影质感。
• 动作描述使用物理可信的幅度和轨迹（如摆荡弧线、蹬墙角度），避免描述会导致模型误解的极端姿态或非人类关节弯折。
• 蛛丝发射方向必须写入 prompt：每次发射蛛丝的动作节拍中，明确写出蛛丝从"角色伸出的手"射出，飞向"上方/侧上方建筑"。不可省略手与方向——模型在缺少明确空间信息时会随机选择发射手和方向，导致蛛丝从下落方向的手射出，造成穿帮。
• 蛛丝连续性约束（必须写入 prompt）：每次发射蛛丝时，必须以"蛛丝从[角色的手]连续延伸至[具体锚点建筑物]，形成完整不间断弧线"的句式描述。禁止出现断裂、分段、碎片化或悬浮在空中的蛛丝——模型容易生成断开的蛛丝片段漂浮在天空，必须在 prompt 中强制约束蛛丝为从手到锚点的完整连续单根线。
• 无背景音乐约束：每个 shot 的 prompt 必须包含 no music（无背景音乐、无BGM）。仅保留模型同步生成的环境音效、动作音效和角色台词，不生成任何背景音乐。
• 三视图已锁定人物身份和体型，prompt 中强调"严格遵循 <<<image_1>>> 的人物身体比例"，减少模型自由发挥导致的形体漂移。
  字符限制处理（关键）：
• Seedance 2.5 prompt 上限 2,300 字符（含 <<<image_1>>> 等标签）。10 个场景阶段内容较多，需浓缩但绝对不可丢失任何场景阶段或改变时间分配。
• 浓缩优先级：人物身份锁定 > 10 个场景阶段（含时间标记） > 环境规则 > 风格标签。场景阶段优先级最高，因为场景多样性是视频质量的核心。
• 保留每个阶段的时间标记（"0–4秒：""4–5秒："…）——这些标记让模型理解每段场景的持续时长，避免一个动作撑满全段。
• 环境规则浓缩为一两句关键约束（如"汽车仅在街道上，屋顶无车辆"）。
• 浓缩时缩减修饰性形容词，但保留每个阶段的核心场景元素、动作和镜头景别。
  城市地标动态填充： [选择城市] 占位符需替换为用户选择城市的实际地标和街道特征。以 Planner 在 Final_Video_Spec.md 中记录的城市信息为填充来源。城市代表交通工具也应适配（如纽约→黄色出租车，其他城市替换为当地代表性车辆）。

组装规则：

• 单 shot 模式（无剧情或剧情≤30s）：无需拼接，直接输出单个 final_shot。
• 多 shot 模式（剧情>30s）：按 storyboard 顺序拼接各 shot 的 final_shot，保持音画连续性，拼接处使用自然过渡（无硬切跳帧）。
• 不叠加任何背景音乐（BGM），保持原始音轨（环境音效、动作音效、角色台词）。