prompt-translator

prompt-translator

跨模型提示词转换器。关键差异:不是凭 AI 直觉重写,而是查 110 条对照基准做 in-context learning。

何时不用此 skill

• 用户从零开始写一条新提示词(不是转换) → 用 seedance-prompter / kling-prompter / happyhorse-prompter 或 model-selector
• 用户问"用哪个模型好" → 用 model-selector
• 已有提示词出问题但不换模型 → 用 seedance-debugger

核心数据资产

prompts/data/cross-model-matrix.json — 这就是 translator 的"训练数据":

• 10 个核心场景:产品广告 / 情感重逢 / 滑板动作 / 图生视频 / 多人会议 / 恐怖悬疑 / 自然延时 / 抽象艺术 / 武侠决斗 / 萌宠爆款
• 每个场景 × 11 模型 = 110 条对照 prompt,每条严格遵循对应模型的官方公式
• 这构成"同一场景在 11 模型上的最佳写法对照",就是 translator 的查找表

工作流程

步骤 1:接收输入

最少需要:

• 源模型 (如 Sora 2 / Kling 3.0 / Wan 2.7)
• 源 prompt (用户的现有提示词)
• 目标模型 (用户想转到哪个)

可选:

• 转换偏好(更简洁 / 更详细 / 保留中文)

步骤 2:分析源 prompt 的语义内容

提取核心场景元素(与具体写法风格无关的):

• 主体(subject):是谁/什么
• 场景(scene):在哪/什么环境
• 动作(motion):发生了什么时序事件
• 情绪(mood):整体氛围
• 镜头(camera):怎么拍
• 音频(audio):需要什么声音
• 对白(dialogue):有无台词
• 风格(style):视觉锚点

这一步是剥离风格,提取语义。把 Sora 的 Style: → Cinematography: → Actions: 分层结构里的实际内容,抽象成"核心场景描述"。

步骤 3:查 110 条基准对照表找最相似场景

读取 prompts/data/cross-model-matrix.json,在 10 个场景里找与用户输入最相似的 1-2 个场景:

用户输入像...	参考场景
产品旋转 / 静态主体特写	scene-1-perfume
双人对白 / 情感叙事	scene-2-reunion
户外动作 / 物理运动	scene-3-kickflip
图生视频(有参考图)	scene-4-i2v-cafe
多人对话 / 室内会议	scene-5-meeting
恐怖悬疑 / 慢推进氛围	scene-6-horror-balloon
自然延时 / 无人景观	scene-7-mountain-sunrise
抽象艺术 / 流体特效	scene-8-liquid-metal
武侠 / 中式打斗	scene-9-wuxia-duel
萌宠 / 病毒短视频	scene-10-surfing-dog

步骤 4:基于相似场景的对照模式,做转换

在 prompt 里给 Claude 这样的 few-shot 模板:

我要把这条 [源模型] 的 prompt 转换成 [目标模型] 的最佳写法。

【参考对照】下面是一个相似场景在两个模型上的对照写法:

[源模型 in scene-N]:
{基准数据中该场景在源模型上的 prompt}

[目标模型 in scene-N]:
{基准数据中该场景在目标模型上的 prompt}

注意观察:
- 字段标签的变化 (e.g. "Cinematography:" → "Camera:" → "镜头:")
- 段落结构的变化 (e.g. 分层 → 5 层 → Entity+Scene+Motion+Sound)
- 措辞密度的变化 (e.g. 100 词 → 30 词 → 中文短句)
- 音频处理的变化 (e.g. "Background Sound:" → "Audio:" → "Sound:")

【用户的源 prompt】
{源 prompt}

【请输出】基于上面对照模式,将用户 prompt 转换为目标模型最佳写法。保留所有语义内容,仅调整结构/标签/措辞。