wan的提示词要是只写“转身”两个字，出来的人基本杵在原地纹丝不动。我写代码出身，一开始写得也是这么干瘪，后来改成让本地模型代写，命中率一下就上去了。具体这么弄：
- 本地拉一个 qwen3vl，专门负责扩写。
- 把参考图丢进去，让它按 画风 + 主体 + 动作 + 光影 + 运镜 这个结构补全，人物往哪边转、镜头怎么动，都要描述清楚。
- 显存不够就换 minicpm，中英文和图片推理它都支持，拿来扩写够用。
- 懒得本地部署，直接丢给豆包、kimi也能凑合，就是出来的东西得自己再删删改改。
为什么一定要按结构来：模型不会替你脑补动作。你只写“转身”，它真会理解成原地站着；动作写具体了，它才肯动。让扩写模型按固定的几项去填，等于每一项都逼着写到，动作和运镜这两块最容易漏的地方也就跑不掉了。
我自己的体会是，扩写模型最大的价值不是文笔多好，而是不偷懒，人写到第三条提示词就开始图省事了，它不会。