本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。
如果你只想先要一个结论：现在做 AI 短视频，真的不用买电脑、不用学剪辑软件的复杂功能，一部手机 + 几个免费额度的 App 就能跑通全流程。核心链路就三段——先用文字模型（DeepSeek、豆包这类）把脑子里的画面写成"提示词"，再用图片模型把提示词变成一张张图，最后用视频模型（即梦 Seedance、可灵、海螺、Veo 这类）让图动起来，剪映收尾。真正的门槛不是工具，而是两件事：一是"提示词写得够不够具体"，二是"发布时合不合规"。 尤其是合规这条：从 2025 年 9 月 1 日起，《人工智能生成合成内容标识办法》已经正式施行，AI 生成的视频发到抖音、小红书、B 站，必须"亮明身份"；克隆真人、明星、影视角色的脸和声音，则可能直接踩到《民法典》的红线。
这篇是我自己把手机端 AI 短视频从零到成片反复折腾之后整理的一份实操笔记，涵盖底层概念、工具分工、四类常见短片的完整做法，以及贯穿始终的合规底线。想看完整拆解，往下翻。
一、先把 AI 的底层词汇搞懂：大模型、Token、提示词、API 到底在说什么
很多人上来就玩豆包、玩即梦，做了几个视频却始终没方向感，问题往往出在——背后这几个词一个都没搞明白。我自己的体会是，这些词就像开车前认路标，你不认识它们，工具再好也只是瞎点。所以第一部分，我先用大白话把最基础的四个概念讲透：大模型、Token、提示词、API。
大模型：一个"读遍全网"的超级学生
你可以把"大模型"想象成一个记忆力和学习速度都开了挂的学生。普通人读一本书要好几天，而它能在很短的时间里，把海量的图书、新闻、百科、网页几乎全都"读"进去，形成一个极其庞大的知识储备。等它把这些东西消化完，就具备了一种很神奇的能力：帮你回答问题、写文章、写代码、画图、生成视频，样样都能沾一点。
我们平时听到的那些名字，本质上都是大模型或者承载大模型的平台。海外有 ChatGPT、Google 的 Gemini、Anthropic 的 Claude；国内这两年更是遍地开花，DeepSeek、豆包、Kimi 都属于这一类。这里要特别提醒新手一个容易搞混的点："平台"和"模型"不是一回事。以字节跳动的即梦为例，即梦本身是一个创作平台，它旗下集成了不同的模型——有做图片的，有做视频的。你在即梦里用到的视频能力，背后跑的是字节的 Seedance 系列模型；而快手的可灵、MiniMax 的海螺，则是另外几家公司各自的视频模型。搞清楚"我在用哪个平台、这个平台调用的是哪个模型"，你后面选工具才不会一团乱。
那大模型内部到底怎么"思考"？简单说，海量数据先被灌进一个基于特定架构（比如很出名的 Transformer 架构）的"大脑"里，模型在训练中学会了语言、图像、逻辑之间的规律；等你给它一句话，它就在这些规律的基础上做推理，再把结果"生成"出来——可能是一段文本，可能是一张图，也可能是一段视频。整个过程可以粗略画成下面这条链路：
flowchart LR
A[海量数据<br/>图书·新闻·百科·网页] --> B[大模型大脑<br/>Transformer 等架构]
C[你的提示词] --> B
B --> D[推理与生成]
D --> E[文本 / 图片 / 视频 / 音乐]我自己折腾下来最大的感受是：大模型不是"搜索引擎"，它不是把答案从库里翻出来，而是像一个学过很多东西的人那样，现场"举一反三"地推给你。这也解释了为什么同一句话让它做两次，结果往往不一样——后面讲"抽卡"时你会更有体会。
Token：AI 的"计费颗粒"和"计算口粮"
第二个必须搞懂的词是 Token（词元）。人要吃饭补充能量，AI 也要"吃"东西才能干活，这个"口粮"就是 Token。你可以把它理解成大模型处理文字时的最小单位，介于"字"和"词"之间。
当你把一句话丢给 AI，它会先像切香肠一样，把这句话切成一个个 Token，连标点符号都算进去，再把每个 Token 转换成计算机能识别的数字 ID，然后才开始"思考"。打个比方：如果说一句话是一栋楼，那么每个 Token 就是一块砖，AI 是先把楼拆成砖，看懂了每块砖，才拼回你想表达的意思。
新手最关心的往往是换算，因为很多视频、图片的高阶功能是要按用量付费的，用量背后就是 Token 的消耗。这里给一个尽量准确的口径（不同模型的分词器不一样，只能给近似值）：
|
语言 |
一个 Token 大约对应 |
参考说法 |
|
英文 |
约 4 个字母，或 0.75 个单词 |
OpenAI 官方口径：1000 个 Token ≈ 750 个英文单词 |
|
中文 |
约 1 到 1.8 个汉字（多数模型接近 1 个字 1 个 Token） |
腾讯口径约 1 Token ≈ 1.8 汉字，通义千问等约 1 Token ≈ 1 汉字 |
看懂这张表，你就明白为什么"提示词越啰嗦，消耗越大"，也明白为什么做视频的高清、长时长模式那么"烧积分"——因为它背后要调用大量的显卡去算，还要耗电。一套能跑这些模型的算力集群，投资动辄以亿计，成本压力最终会体现在你消耗的额度上。所以省着点用、把提示词写精准，本身就是一种能力。
提示词：你和 AI 之间唯一的"接口"
第三个词是提示词（Prompt），也就是你给 AI 下的指令。你想画"一只可爱的小狗"，你想写"一个关于太空冒险的故事"，这些话就是提示词。
我一直跟身边刚入门的朋友强调一句话：提示词是你和 AI 之间唯一的接口。 一张图、一段视频里藏着无数细节——主体是什么、环境如何、动作怎样、什么风格、光线明暗——你一句大白话很难把这些全交代清楚，而 AI 只能依据你给的词去理解。所以词写得越具体、越细，它给你的结果就越接近你脑子里的画面。图片和视频生成里，常见要交代的维度大致有这么几类：描述主体、描述环境、描述动作、描述风格与细节、描述光影。这几样几乎是必不可少的。
后面几个实操案例里，你会反复看到一个动作：先用 DeepSeek 或豆包把"我想要什么"翻译成一段结构化的提示词，再拿去出图。这不是多此一举——用专门擅长文字的模型来写词，往往比你自己硬憋要顺得多。
API：帮你跑腿的"服务员"
第四个词是 API。这个词听起来很技术，但用一个比喻就通了。
你去餐厅吃饭，不会自己冲进后厨炒菜，而是把需求告诉服务员，服务员传达给主厨，主厨做好再由服务员端给你。API 就是这个"服务员"。 比如你问 AI "今天天气怎么样"，AI 自己并不存着实时天气，它需要通过 API 去调用天气服务，把数据取回来再回答你。在整个链条里，大模型是后厨的主厨，你是顾客，API 是那个来回跑腿、负责把不同系统接起来的服务员。
理解 API 的意义在于：你会明白 AI 不是一个孤立的"全能大脑"，而是能通过一个个接口去调动外部的能力。这也是后面"工作流""智能体"这些概念的基础——它们本质上都是在编排"谁去调用谁"。
二、工作流、智能体、技能与 AI 幻觉：把"自动化"这层也讲透
搞懂了四个底层词，我们再往上走一层。这一层的四个概念——工作流、智能体、技能、AI 幻觉——决定了你是把 AI 当"一次性玩具"，还是当"能重复干活的生产线"。
工作流：把创作拆成一条流水线
工作流（Workflow）说白了就是"你用 AI 干活的那个过程"。你做一条视频，往往不是一句话搞定，而是要走一串步骤：生成图片、生成提示词、生成配音、生成音效、拼接剪辑……把这一串步骤固定下来、做成模板，就是工作流。
它最大的价值是"可复用、可批量"。你把流程搭好一次，之后想批量产出同类视频，只要换素材、改参数，流水线自己往下跑。像扣子（Coze）、n8n 这类平台，用的就是"节点式"工作流——每个环节是一个节点，节点之间用线连起来，系统化、模块化、可视化，还能反复修改和重复使用。相比"往对话框里输一段字、AI 给你一段结果"的简单用法，工作流显得更专业，也更适合稳定产出。
用一段伪代码来感受一下节点式工作流的骨架（仅示意，不是真实代码）：
节点1：输入主题 →
节点2：文字模型生成分镜提示词 →
节点3：图片模型按分镜出图（多张）→
节点4：视频模型把图做成片段 →
节点5：配音/音效 →
节点6：剪辑拼接 → 输出成片
（任一节点都可单独修改、重跑）智能体与技能：给 AI 装上"大脑"和"手艺"
智能体（Agent），你可以理解成一个"能进入角色、能记事、能替你干活的机器人"。比如你在豆包里对它说"你是我的私人作家""你是一名医生"，它就会进入那个角色，并记住你之前交代的设定，后续再问它相关问题，它就以那个身份来回应。这就是智能体在"扮演角色 + 记忆上下文"。
那智能体和大模型、工作流、技能又是什么关系？我习惯用"厨房"这套比喻一次讲清：
|
概念 |
厨房里的角色 |
通俗解释 |
|
大模型 |
厨师的大脑 |
负责思考、判断、决定怎么做 |
|
智能体 |
厨师本人 |
有大脑、能动手、能替你完成整件事 |
|
工作流 |
做一道菜的完整流程 |
切菜→炒菜→煮汤→摆盘，一条流水线 |
|
技能（Skill） |
厨师会的某一项手艺 |
比如"炒菜"就是一个独立技能 |
也就是说，智能体是"厨师"，大模型是它的"大脑"，工作流是"整套做菜的过程"，而技能是过程里某一个单点的本领。这几年出现的一些能操作你本地电脑、帮你收发文件、执行任务的智能体产品，本质上就是"一双手 + 一个装在里面的大脑（大模型）+ 若干技能"的组合。
顺带说一句：技能这种能力，在一些支持"技能"机制的工具里，是通过对话交流、再用创建文件夹的方式一点点搭出来的；而节点式工作流则更固定、更重复。两者不冲突，都值得学——一个灵活，一个稳定。
AI 幻觉：为什么它会一本正经地胡说八道
最后一个词，新手一定要记住：AI 幻觉（Hallucination）。
意思是，当你问的东西它其实不知道时，它有时不会老老实实说"我不会"，而是一本正经地给你编一个看起来很像真的、实际上是假的答案。这不是它"故意骗你"，而是生成式模型的机制使然——它擅长"接着往下说得像模像样"，但"像模像样"不等于"事实正确"。
这件事对做内容的人尤其重要：凡是涉及数据、名称、日期、法规、价格这类硬信息，别轻信 AI 的一面之词，能核实就核实。我自己踩过的坑就是，让模型帮我总结某个功能的参数，它给得头头是道，结果一查全是编的。记住这条，能帮你躲开很多低级错误。
把这两章的八个词串起来看，其实是一条很清晰的"由小到大"的链：Token 是最小的颗粒，一句话被切成一个个 Token 喂给大模型；大模型是核心的"大脑"；提示词是你和这个大脑对话的接口；API 是它去调动外部能力的通道；再往上，工作流把多步操作编排成流水线，智能体给大脑装上手和角色，技能是它掌握的一项项本领；而 AI 幻觉，则提醒你这个大脑再聪明也会犯错，得你把关。这条链你在脑子里过一遍，后面所有工具的用法都能对号入座——你会清楚自己每一步在跟哪个环节打交道。别小看这种"心里有地图"的感觉，它是新手和熟手之间很实在的一道分水岭。
三、动手前先记牢的合规红线：AI 标识、肖像声音、商用授权
这一章我放在实操之前，是因为它比任何技巧都重要。国内做自媒体，作品要发到公开平台，合规是底线中的底线。下面三条，请你务必先记牢，再去创作。
《标识办法》：AI 作品发布必须"亮明身份"
2025 年 3 月，国家网信办、工信部、公安部、国家广电总局联合发布了《人工智能生成合成内容标识办法》，自 2025 年 9 月 1 日起正式施行，同步实施的还有配套的强制性国家标准。这是国内第一部专门针对 AI 生成合成内容的标识规则。
它的核心要求可以拆成两种标识：一种是"显式标识"，也就是普通人一眼能看见的提示，比如画面上的"AI 生成"文字、水印图标，音频开头的语音提醒等；另一种是"隐式标识"，藏在文件的元数据里，不干扰观感，主要用于溯源和防篡改。对我们内容创作者来说，落地起来其实很简单：抖音、小红书、B 站这些主流平台，现在上传时都内置了 AI 内容声明的选项，你在发布界面勾选"内容由 AI 生成"之类的标注即可。别嫌麻烦，也别故意隐藏——办法里明确写了，任何人不得恶意删除、篡改、伪造、隐匿这类标识。
所以你会发现，我在后面每一个实操案例的收尾，都会提醒一句"发布时记得勾选 AI 生成声明"。这不是客套，是硬规矩。
肖像与声音：别克隆真人、明星和影视角色
第二条红线，关于"脸"和"声音"。
先
