短视频封面图生成(3:4 竖版)

为视频号/抖音/小红书短视频一键生成 3:4 竖版封面图,走 ai-image-generator edit 模式,以主持人参考图为参考图,产出符合短视频平台爆款规律的封面。

本 skill 的适用范围

本 skill 只生成 3:4 竖版短视频封面,用于视频号/抖音/小红书等平台的短视频缩略图。

维度	本 skill 的固定范围
比例	3:4 竖版(API 走 3:4,1080×1440)
使用场景	视频号/抖音/小红书短视频缩略图
视觉风格	11 种可选(默认黑底暗网格 + 青蓝黄高对比 + 巨型标题主导)
文字位置	中部 2-3 行巨型标题 + 顶部 hook 条 + 底部标签
人物表情	稳定且自信微笑,看镜头,像导师分享技巧
UI 元素	暗色工作流截图 + Agent 对话碎片 + 结果缩略图

触发判断:

用户提"视频""抖音""视频号""小红书视频""竖版""3:4""缩略图" → 走本 skill
用户提"公众号""文章题图""宽幅""2.35:1" → 不要触发本 skill

什么时候触发这个 skill

明确触发场景:

用户说「给这个视频做个封面」「视频封面图」「视频号封面」
用户说「抖音封面」「小红书视频封面」「短视频题图」
用户说「竖版封面」「3:4 封面」「9:16 封面」
用户写完口播稿后问「视频封面怎么办」「封面还没做」
任何与"短视频发布前最后一步配图"相关的场景

不要触发的场景:

公众号宽幅文章封面(2.35:1 横幅题图)
朋友圈九宫格
头像、logo、海报
视频内贴图、字幕条等非缩略图素材

核心流程

这个 skill 分五步执行(第零步到第四步),每一步都有质检点,不通过不往下走。

第零步:选风格

生成提示词之前,先问用户选哪种封面风格。列出 references/style_catalog.md 里的 11 种风格,让用户选一种:

编号	风格名	对应模板
1	深色科技标题风	`references/styles/dark-tech-title.md`
2	明亮 YouTuber 风	`references/styles/bright-youtuber.md`
3	双屏对比叙事风	`references/styles/split-screen-narrative.md`
4	产品主视觉风	`references/styles/product-hero.md`
5	拼贴信息飓风	`references/styles/collage-info-storm.md`
6	工作台场景风	`references/styles/workspace-scene.md`
7	故障警示风	`references/styles/glitch-warning.md`
8	Agent 号召风	`references/styles/agent-hype.md`
9	卡片展示人设风	`references/styles/card-showcase.md`
10	萌宠代码风	`references/styles/cute-mascot.md`
11	手持设备展示风	`references/styles/device-showcase.md`

用户不选时,默认走风格一(深色科技标题风)。

选定风格后,读取 references/styles/{风格}.md 的完整模板,并始终遵守 references/brand_baseline.md 中的品牌基线。

选定风格后,所有后续填空都按该风格的模板执行,不要跨风格混用元素。

第一步:读懂口播,提炼封面素材

把视频口播文案吃透,从中抽出六个关键素材:

主标题(顶部大字) —— 4-8 字,必须是"人话"不能用行话。把文案的核心痛点用最大众的词重写。例如:
- ❌ "接了API不能联网?"(行话)
- ✅ "Claude 不能上网了?"(人话)
副标题(底部大字) —— 4-6 字,给出承诺/解决方案。例如"10秒解决""一键搞定""3步搞定"
辅助小标题(主标题下方) —— 6-12 字,补充上下文。例如"Claude Desktop · 避坑指南""保姆级教程"
UI 元素叙事(画面中间的视觉故事) —— 必须是**"问题→解决"的双截图对比**:
- 元素 1:报错/失败状态截图(主导视觉)
- 元素 2:成功状态截图(辅助,体积更小)
- 两者用箭头连接,讲一个"❌ → ✅"的转变故事
表情:稳定使用"自信微笑、看镜头、像导师"——绝不用惊讶/瞪眼/夸张表情,因为 host 的人设是"踏实分享干货",不是"震惊体博主"
手势 —— 不必和参考图保持一致,根据风格/构图自然选择。例如:深色科技标题风用"食指轻抬指向标题",产品主视觉风用"手指向 UI",双屏对比风用"双手分指左右"。references/brand_baseline.md 里有完整手势选项。

关键判断:主标题是不是人话?

把主标题给一个完全不懂技术的人看,他能秒懂吗?

"API"、"Token"、"Webhook"、"协议" → 不是人话,要重写
"不能上网"、"用不了"、"找不到"、"搜不到" → 是人话

如果不确定,问自己:"我妈/我老婆能看懂吗?"

第二步:按模板生成完整提示词

根据第零步选定的风格,到 references/styles/{风格}.md 读取对应风格的提示词模板,把第一步提炼的素材填进去。所有风格都必须遵守 references/brand_baseline.md 中的品牌基线。

关键坚持——品牌基线(不管什么风格都不能动):

画幅:3:4 竖版(API 用 3:4)
人物:以 references/host_ref_face.png 为准的本账号主持人形象(默认手办形象),半身出镜;用户可替换该文件
表情默认:自信微笑、看镜头,坚决排除"惊讶/瞪眼/夸张"(除非故障警示风需要稍严肃,但也不允许震惊)
标题原则:必须是人话,4-8 字主标题,技术行话必须翻译成大众词汇
视觉层级默认:标题是第一主角,人物占 20-30%,不抢戏
水印:右下角"@wwwzhouhui",白字描边
参考图固定:默认本地 references/host_ref_face.png(当前维护者手办形象),edit 模式保持五官一致;不要再使用外部旧作者 URL

关键坚持——风格一(深色科技标题风)的默认视觉(其他风格按 catalog 模板替换):

背景色调:深色科技感,但不要把背景写死成同一个黑底模板;可以按主题改成暗色工作台、暗色 UI 画布、暗色渐变、暗色拼贴
主视觉:2-3 行巨型中文标题,必须是画面第一主角
手势:一只手轻微抬起,食指向上提示重点,不要抢标题戏份
标题颜色:青蓝 #00D4FF + 白字青描边 + 亮黄 #FFD93D 的三段式组合
信息层:顶部 hook 条 + 中部 UI 碎片 + 底部标签,但都只能服务主标题

可以每篇不同的部分:

选定的风格
顶部/底部标题文字
辅助小标题
UI 截图的具体内容(根据视频主题改)
报错文字内容
背景具体色调和场景(在风格允许的范围内)

第三步:调用 ai-image-generator 生成图片

使用 ai-image-generator skill 的脚本,传入完整提示词:

python ../ai-image-generator/scripts/generate.py \
  --provider agnes \
  --mode edit \
  --prompt-file ./prompt.txt \
  --image "references/host_ref_face.png" \
  --blocklist references/blocklist.txt \
  --aspect-ratio 3:4 \
  --name-tag video-cover-{视频关键词} \
  --output-dir ./video-covers

脚本会自动完成:创建 edit 任务 → 轮询结果 → 下载图片 → 保存 prompt 和元数据。

参数固定值:

参考图:默认 references/host_ref_face.png(本 skill 包内本地主持人参考图;用户可替换为自己的形象)
--mode edit(必须)
--aspect-ratio 3:4
resolution: 2K(脚本默认值)
--output-dir ./video-covers(当前工作目录下的 video-covers/,不要把生成结果写进 skill 目录)

鉴权: 鉴权走 ai-image-generator：设置 MULERUN_API_KEY / APIMART_API_KEY / ATLASCLOUD_API_KEY / AGNES_API_KEY 之一；多个 key 时必须显式 --provider。Agnes 示例：export AGNES_API_KEY=... 后加 --provider agnes。注意 Agnes 忽略 --resolution，按 aspect_ratio 映射固定 size。

批量生成注意: 不同 provider 限流策略不同。MuleRun 同时活跃任务通常不宜过多；--manifest --parallel 大批量时建议分批。edit 模式偶尔一次返回 2 张变体(文件名带 -0/-1 后缀),属正常现象,自检时两张都看一眼选更好的。

第四步:读图自检(生成后必做)

生成的 PNG 必须用 Read 工具读回来看一遍,对照下面的清单逐项检查,不合格就按"常见翻车点与对策"表修改提示词重跑:

标题文字:主标题/副标题/标签逐字核对,有无错字、重复字、缺字(如"无法访问无法访问外部网络"这种重复)
表情:是否自信微笑看镜头(故障警示风允许专注严肃,但不能是不悦/冷漠/震惊)
水印:右下角"@wwwzhouhui"是否存在
层级:标题是否第一主角,人物是否只占 20-30%,副标题有没有压在关键 UI 或人脸上
UI 元素:关键短语(报错横幅/开关名)是否清晰可读;长句乱码若太显眼,重跑时按 brand_baseline 的"文字渲染与乱码控制"要求模糊化

自检通过才把结果交给用户;只有小瑕疵时,把瑕疵和重跑建议一并说明。

生成完毕后

脚本会自动把 .png(图片)、.txt(提示词)、.json(API 元数据)三个同名文件保存到 --output-dir 指定的 ./video-covers/(当前工作目录下),命名格式为 {name-tag}-{时间戳},无需手动另存。

给 host 的反馈信息要包括:

图片文件路径
如果图片有问题(文字糊/表情不对/UI 元素被弱化),建议微调哪个参数
如果要重跑,告诉他改哪段提示词

常见翻车点与对策

翻车点	原因	对策
表情夸张/瞪眼	提示词没明确排除惊讶情绪	明确写 "NOT shocked, NOT wide-eyed" + 描述目标情绪"confident mentor smile"
主标题用了行话(API/Token)	第一步提炼时偷懒	必走"人话检查":你妈能看懂吗?看不懂就重写
背景看起来像同一张图反复换字	把背景模板写死了	明确写 "background must be newly composed for this topic, not reused 1:1"，只固定色系和层级,不固定具体构图
UI 截图太小看不清	提示词没强调主导视觉	写 "headline dominates, UI supports the title"，UI 可倾斜/裁切/模糊做氛围层
整体太亮/像 YouTuber 缩略图	还在沿用旧版暖色背景词	明确写 "dark layered background, charcoal/blue-black base, cyan glow accents"
人物太大抢戏	提示词没限制人物比例	明确写 "subject relatively small, bottom 20-25% only, text dominates 3-4x more than person"
标签和小图太杂	把信息元素都做成主角了	强调 "all secondary elements are decorative/supporting only"
标题出现错字/重复字	中文文字块没加渲染保护	每个中文文字块后追加 "Render every Chinese character EXACTLY as written, no duplicated or missing characters"(11 风格实测 0 错字)
UI 截图里长句乱码	让模型渲染超过短语长度的中文	可读文字只放 ≤8 字短语;长文本明确要求 "blur or fade long body text into unreadable soft texture"
副标题压在关键内容上	没给副标题预留空位	写明 "reserve a clear zone for the subtitle; must not overlap key UI or the subject's face"

参考资料

风格目录索引:references/style_catalog.md
品牌基线与通用填空指引:references/brand_baseline.md
11 种风格完整提示词模板:references/styles/{dark-tech-title,bright-youtuber,split-screen-narrative,product-hero,collage-info-storm,workspace-scene,glitch-warning,agent-hype,card-showcase,cute-mascot,device-showcase}.md
已验证案例(Claude 联网避坑封面):references/examples.md
通用图像生成脚本:ai-teaching-media/ai-image-generator/scripts/generate.py

short-video-cover

安装到 Tokeny（自动）

SKILL.md