Stick-figure typography adventure

制作流程（分阶段执行）

Phase 0：规格确认与 Final_Video_Spec 建立

• 在执行任何生成步骤之前，通过 text_editor 建立或更新 Final_Video_Spec.md，锁定以下全局参数：
  • 视频时长（由 Agent 根据用户诉求灵活判断，不设固定默认值）、输出比例（默认 16:9）、视觉风格（极简白底2D火柴人）、模型（MiniMax H3）、叙事驱动（角色驱动，火柴人连续击碎文字障碍）、声音风格（动作游戏打击音效，无对白无歌词）、输出语言（跟随用户对话语言，如用户使用中文则输出语言为中文）。
• 若用户提供了完整时间轴或逐字脚本，先理解内容再建立 Spec；若关键参数缺失（如比例、时长），先用 <cards> 向用户确认。
• 语言一致性（全局规则）： 所有用户面向的回复、提示词（prompt）、分镜描述、文字障碍内容均须使用用户的对话语言。例如用户使用中文交流，则视频生成 prompt、分镜描述、回复文案、文字障碍关键词均为中文。本 Skill 文档中出现的英文短语仅作语义参考，实际撰写时需翻译为用户对话语言的等价表达。
• 卡片推进规则（全局规则）： 所有阶段间的暂停、确认、选择、微调等交互必须通过 <cards> 以可点击选项的形式呈现，不得要求用户手动打字确认。每个里程碑暂停时，卡片需提供明确的"继续推进"和"需要调整"等选项，用户点击即可进入下一阶段或进入修改流程。

Phase 1：文字内容与关键词获取

• 本 Skill 的核心场景是"打碎文字"，需要先确定待击碎的文字内容来源。每个关键词都必须是"值得被击碎的痛点"——具有真实的情绪压迫感、压力象征或负面心理重量，而不是中性的、无关痛痒的词。 痛点越强，击碎的释放感越强。
• 用户已上传文字内容（文档、脚本、文案等）： 调用 resource_prepare_and_analyze 识别其中具有情绪张力、压力象征或痛点意义的关键词，作为待击碎的文字障碍素材。提取标准：该词是否承载了真实压力、焦虑、恐惧或自我否定等负面情绪——能让人看到就想打碎的词才入选。
• 用户未上传文字内容： 通过 <cards> 向用户提供若干主题方向（如"学业压力""职场焦虑""情绪释放""自我突破"等），同时允许用户自定义方向；用户选定方向后，Agent 根据方向发散生成一组痛点关键词——每个词都要直击该主题下最扎心的压力点，避免泛泛而谈或中性词汇。
• 关键词必须使用用户的对话语言（如用户使用中文，关键词为中文）。关键词确定后，通过 <cards> 展示关键词列表供用户确认（选项如"确认，继续设计分镜""需要增减关键词"等），用户点击后再进入 Phase 2。

Phase 2：分镜设计（storyboard_designer）

• 调用 storyboard_designer，创建一个核心 key_element：
  • Element_黑色火柴人：角色视觉定义（含纯白背景 + 单条黑色地面线，背景环境已包含在火柴人参考图中，无需单独创建背景 element）
• 按每段 ~15s 拆分 shot_list（段数由 Agent 根据总时长和叙事节奏灵活决定），每段 shot 的 description 需详细描述：文字障碍出现方式（从天砸下/正面冲撞/地面升起/字雨/字体堆叠叠高）、火柴人动作（应多样化，不局限于奔跑，可包括：翻滚/出拳/跳踩/肩撞/滑铲/踢碎/双拳/手刀/蓄力重踩/举字砸地/抓字丢出/跃起空中连击/字面跑酷/缓冲翻滚蓄力反弹等，同一段内尽量不重复同一种动作）、击碎特效（红色冲击线/黄色火花/蓝色速度线/灰色粉尘/纸张裂纹/墨点飞散）。
• 文字障碍内容必须来源于 Phase 1 确定的关键词列表，不得自行编造无关文字；每个关键词至少对应一个击碎事件，可按叙事节奏排列出现顺序。每个文字障碍都必须是痛点——承载真实压力、焦虑或负面情绪的词，而非中性无关痛痒的内容，确保观众能感受到"打碎它"的释放感。 文字障碍使用用户的对话语言。
• 在 audio_layers 规划一条贯穿全片的热血打击音乐轨。
• 暂停，通过 <cards> 展示分镜方案供用户确认（选项如"确认，开始准备参考图""需要调整分镜"等），用户点击后再进入 Phase 3。

Phase 3：参考图准备（media_generator）

• 在视频生成前，必须确保火柴人形象参考图已就绪，作为后续视频生成的视觉锚点。字体不再单独生成参考图，改为在每个 shot 的 prompt 中使用统一的字体描述词保证跨段一致。
• 判断是否需要生成：
  • 若用户已上传火柴人形象参考素材，跳过参考图生成，直接将上传素材通过 media_generator 绑定到对应 key_element 作为参考图。
  • 若用户未上传，则通过 media_generator 生成火柴人参考图。
• 需生成时：
  • Element_黑色火柴人_ref_img：比例 16:9，纯白背景，火柴人单独出现，正面站姿或奔跑姿态，线条加粗，无五官无衣服。
• 参考图就绪后（无论生成或上传），通过 <cards> 展示参考图供用户确认或微调（选项如"确认，开始生成视频""线条需要调整""火柴人比例需要调整"等），用户点击后再进入 Phase 4。

Phase 4：视频分段生成（media_generator）

• 以火柴人参考图为视觉参考，依次生成每个 shot 的视频资产。
• 生成顺序：按 shot_list 逐段生成，每段独立生成，设置：MiniMax H3 / MultiModalToVideo / 16:9 / ~15s / 768p。
• 全部 shot 生成后暂停，通过 <cards> 让用户预览并确认（选项如"确认，开始拼接""需要重新生成某段"等），用户点击后再进入 Phase 5。

Phase 5：拼接输出（video_assembler）

• 各段视频按时间顺序硬切拼接（无转场），保持一镜到底的横向卷轴视觉连续性。
• 若用户已提供或生成了音频资产，将其叠加到时间轴音频轨；若暂无音频，告知用户这是"粗剪版本"，可后续补充音频再重组装。
• 完成后通过 <cards> 让用户预览并选择（选项如"满意，导出成品""需要调整拼接""需要补充音频"等），用户点击后执行对应操作。

参考素材分析规则

• 若用户上传了火柴人草图或参考动画，重点提取：线条粗细、角色比例（头身比）、动作风格（流畅度、爆发力感）。
• 若用户上传了文字风格参考图，重点提取：字体风格（粗细、衬线/无衬线）、文字与背景的对比度、字符的"重量感"。
• 若用户上传了文字内容（文档、脚本、文案等），重点提取痛点关键词——具有真实情绪压迫感、压力象征或负面心理重量的词，而非中性或泛泛的词。提取时关注：高频负面情绪词、压力来源词、自我否定词、恐惧/焦虑词，确保每个词都"值得被击碎"。提取后保留原词以保证可读性，语言跟随用户对话语言。
• 分析结果作为 storyboard_designer 的 key_element description、文字障碍素材和 write_the_prompt 的视觉约束输入，不作为最终输出物。

分镜设计规则

Key Elements

• Element_黑色火柴人：极简2D黑色线条火柴人，圆头细身，线条加粗（比标准火柴人粗约50%），无五官无衣服无肌肉感，动作爆发力强，奔跑方向始终从左到右。背景环境为纯白（#FFFFFF）+ 底部仅一条贯穿画面的黑色水平地面线（强调 single ground line only，避免生成多条平行线），该背景已包含在火柴人参考图中，无需单独创建背景 element。整体保持极简2D平面风格。

Shot 规划规则

• 每段 shot 尽量保持在 15 秒左右（不超过模型单次生成的 15s 上限），每段至少包含 4–5 个独立的"文字障碍出现→被击碎"事件，保持节奏紧凑。整体速度偏快：火柴人奔跑、动作出招、击碎发生都要干脆利落，击碎后火柴人迅速继续向右推进，不留拖沓停顿。
• 每段 shot 内必须是一镜到底（single continuous take）： 15s 内不得有任何镜头切换、跳切、转场或机位变化；镜头始终为固定侧面平移跟踪，火柴人在单一连续的横向运动中依次遭遇并击碎文字障碍。多个击碎事件通过火柴人持续向右推进自然串联，而非通过剪辑拼接。
• 段尾收干净（跨 shot 衔接）： 除末段 shot 外，每段 shot 的最后约 2 秒必须是干净画面——火柴人独自向右奔跑，画面中无任何文字障碍、无碎屑、无交互动作。即所有击碎事件集中在 shot 的前 ~13 秒内完成，最后 ~2 秒留给火柴人清空画面继续奔跑，为下一段的硬切拼接提供干净接缝。末段 shot 则按情绪高潮收尾设计，不受此 2 秒规则约束。
• 描述每个文字障碍时需指定：① 出现方式（从天砸下/正面墙冲撞/地面升起/字雨/多个字体堆叠叠高成阶梯）；② 火柴人应对动作（需丰富多样，不局限于连续奔跑，鼓励组合连招，详见下方动作库）；③ 击碎特效（红色放射冲击线/黄色火花/蓝色速度线/灰色粉尘/纸张裂纹/墨点飞散/冲击波环）；④ 文字颜色默认为黑色，除非用户明确要求其他颜色。
• 动作库（可自由组合、发散，不限于此列表）：
  • 冲击类： 出拳/双拳连击/手刀劈砍/肩撞/头锤
  • 踢腿类： 跳踩重踏/踢碎/滑铲/回旋踢
  • 翻滚类： 地面翻滚闪避后弹起反击/翻滚蓄力冲撞
  • 举投类： 双手抓起字体举过头顶狠狠砸地/抓起字体向远处丢出/抓住字体抡一圈甩碎
  • 跑酷类： 沿堆叠字体台阶跑上去再蓄力重踩/在字面上奔跑跳跃/字面间连续蹬墙跳
  • 蓄力类： 蓄力动作（后撤步+身体后倾蓄势）后爆发重击/蹲伏蓄力起跳空中连击
  • 特殊类： 跃起空中双拳下砸/用整个身体冲撞穿透字体/抓住两块字体对拍夹碎
• 动作设计原则：同一段 shot 内尽量让每个击碎事件使用不同动作，避免连续重复；鼓励"蓄力→爆发""闪避→反击"等两拍节奏，增强打击感。
• 镜头设定：固定侧面平移视角，火柴人始终位于画面左中至中央，前方保留空间供文字袭来。
• 末段 shot 需设计情绪高潮与收尾：选择整组关键词中最具象征意义、情绪张力最强的那一个作为"终极障碍"，火柴人以最爆发性的动作将其彻底击碎（如蓄力重踩/空中双拳下砸/全身冲撞穿透），击碎特效达到全片最强（多色冲击线叠加+大面积墨点飞散+冲击波环）。击碎后火柴人收拳站定留白——身体站直，缓缓将拳头收回腰间，如武术收势，画面安静后逐渐留白收束。末段不受 2 秒干净收尾规则约束。

Audio Layer

• 规划一条贯穿全片的热血动作打击音乐轨（无歌词无悲伤旋律），描述中需包含：高速奔跑脚步声、呼啸风声、文字重击坠落声、纸面撕裂声、拳击冲击声、墨水碎裂声、急促鼓点，节奏随视频进程递进加快。

生成策略

参考图生成（Phase 3）

• 优先使用用户上传素材： 若用户已上传火柴人形象参考图，直接绑定到对应 key_element（key_element_image 角色），跳过参考图生成。
• 未上传时生成： 使用 TextToImage 路径，模型优先选用 Nano Banana Pro（GPT Image 2），输出 768p，比例 16:9。
  • Element_黑色火柴人_ref_img：比例 16:9，火柴人在画面中尽量小（占画面高度约 8–12%），居中偏下，周围留出大量纯白空间，以便后续视频生成时前方有充足区域容纳文字障碍。纯白背景，底部画一条黑色水平地面线（仅一条，强调 single ground line），火柴人踩在地面上，线条加粗，画面中只有火柴人和这一条地面线。
• 字体一致性： 不再单独生成字体参考图；改为在每个 shot 的视频生成 prompt 中使用统一的字体描述词，确保所有 shot 中的中文文字障碍字体风格一致。统一字体描述词需包含颜色锁定：bold heavy sans-serif Chinese characters, thick uniform strokes, solid black, high contrast black on white。

视频生成（Phase 4）

• 模型固定：MiniMax H3，MultiModalToVideo 路径，16:9，时长 ~15s，768p 分辨率。
• 单段一镜到底：每段 ~15s 视频必须为单一连续镜头，生成 prompt 中需明确包含 "single continuous take, no cuts, no transitions, one unbroken side-scrolling shot"，避免模型在段内插入跳切或转场。
• 参考图绑定：每段视频生成传入火柴人参考图作为视觉参考，确保角色造型跨段一致。字体风格通过统一 prompt 描述词保证一致，无需额外字体参考图。
• 火柴人尺寸：参考图中火柴人刻意做小，视频生成时也需保持火柴人在画面中偏小（约占画面高度 8–12%），为前方文字障碍留出足够的视觉空间。
• 各段视频需确保首尾视觉衔接：前段末尾的火柴人位置与后段开头的位置需在同一水平线上，保持一镜到底的横向卷轴感。前段末尾 ~2 秒必须是干净画面（火柴人独自奔跑、无文字无碎屑），为后段开头提供干净接缝；后段开头从火柴人继续向右奔跑开始，再引入新的文字障碍。
• 背景必须严格纯白（#FFFFFF），禁止纸张纹理、米白色、灰色调背景。

Asset Binding Contract

• 火柴人参考图无论是生成还是用户上传，都需通过 manage_item_assets 绑定到对应的 key_element（key_element_image 角色）。
• 视频生成后，绑定到对应 shot 的 final_shot 角色。
• 调用 query_assets_info 验证绑定完整性，保留完整的 asset_bindings 数组，不覆盖已有绑定。

Prompt 写作规则

语言规则（最高优先级）

• Prompt 正文语言须与用户对话语言一致。用户使用中文时，prompt 用中文撰写；用户使用英文时，prompt 用英文撰写。
• 本节中出现的英文短语（如 single continuous take, no cuts、fast sprint, explosive momentum 等）为语义参考，实际撰写 prompt 时需翻译为用户对话语言的等价表达。
• 文字障碍内容使用用户的对话语言（如用户使用中文，关键词为中文如"考试""焦虑"；用户使用英文，关键词为英文如"EXAM""ANXIETY"）。

一镜到底约束（最高优先级）

• 每个 shot 的视频生成 prompt 必须明确包含 single continuous take, no cuts, no transitions, one unbroken side-scrolling shot，确保 15s 内无任何镜头切换或跳切。
• 所有击碎事件通过火柴人持续向右奔跑/动作串联，描述时按时间顺序连续推进（如 "stickman sprints rightward, encounters '考试' crashing down, punches through it, continues rightward into '焦虑' wall…"），避免出现 "cut to" / "next scene" / "another shot" 等暗示切换的措辞。
• 镜头语言固定为侧面平移跟踪：continuous side-tracking shot, camera follows stickman from left to right, fixed side profile angle, no camera cuts or angle changes。

节奏与速度约束

• 整体节奏偏快：prompt 中需体现高速、干脆的打击节奏——火柴人奔跑速度快（fast sprint, explosive momentum），每次击碎发生得迅猛（instant shatter on impact），击碎后火柴人立即继续向右推进（immediately sprints onward），不在击碎点停留或减速。避免 "slowly" / "gradually" / "pauses" 等放慢节奏的措辞。
• 文字障碍出现也要快而突然（crashes down abruptly / slams into view），给火柴人极短反应时间，增强紧迫感。

段尾干净收尾约束（跨 shot 衔接）

• 除末段 shot 外，每个 shot 的 prompt 中最后约 2 秒必须描述为干净画面：火柴人独自向右奔跑，画面中无文字障碍、无碎屑飞散、无交互动作（如 "…after shattering the last character, stickman sprints rightward alone across clean white space for the final 2 seconds, no text, no debris, just running"）。
• 所有击碎事件集中在 shot 的前 ~13 秒描述内完成，确保最后 ~2 秒画面干净，为下一段硬切拼接提供无冲突接缝。
• 末段 shot 不受此规则约束，按情绪高潮收尾设计。

击碎主体约束（高优先级）

• 文字障碍的破碎/飞散必须由火柴人的主动动作直接造成。 每一个文字障碍的毁灭方式都必须是火柴人打碎它（punch through, shatter, smash, crush）或丢出去（grab and hurl, fling, throw），绝不能让文字自己碎裂、自行消散或被火柴人绕过。
• 描述击碎事件时必须明确写出火柴人的具体动作与文字被破坏的因果关系（如 "stickman punches through '焦虑', shattering it into ink splatter" / "stickman grabs '压力' overhead and slams it to the ground, bursting into gray dust"），避免模糊表述导致模型生成文字自行碎裂或火柴人未接触文字的场景。
• 火柴人必须与文字障碍产生物理接触后才触发破碎特效；禁止"文字先碎、火柴人后到"或"火柴人路过文字自动碎裂"等因果错位。

文字颜色约束

• 所有文字障碍默认保持黑色（black text），在 prompt 中统一使用 solid black characters, black ink 等描述词锁定颜色。
• 除非用户明确要求使用其他颜色，不得在 prompt 中为文字添加红色、蓝色、渐变等颜色描述。击碎特效（冲击线、火花、粉尘等）的颜色不受此约束限制。

时间轴拼接规则

• 各段视频（~15s/段）按 shot_list 顺序排列，直接硬切（无转场、无叠化、无淡入淡出），保持一镜到底的横向卷轴视觉连续感。
• 每段按实际生成时长精确修剪，避免末帧卡顿或多余帧影响接缝。
• 若有音频资产，叠加到音频轨（Audio 1），确保从 0s 开始贯穿全片；若暂无音频，不强制等待，标注为粗剪版本并告知用户。
• 最终输出提示用户导出时检查各段接缝处的横向运动连续性（火柴人位置、地面线高度是否一致）。