GPT-6 Astra 指挥 Blender 灰模预演做 AI 视频：MCP 接法、运镜先行、积分控制与国内合规替代路线全拆解

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

先给结论：现在做 AI 视频，画质早就不是瓶颈，真正费钱费时间的是“运镜说不清，只能反复重抽”。解法是把影视行业用了几十年的“预演”搬进来：先让智能体在免费开源的 Blender 里用灰模搭场景、排机位，渲染出一段不花积分的参考视频，镜头确认了，再交给视频模型去“上色”生成成片。2026 年 9 月 GPT-6 Astra 上线后，靠它的电脑操作能力加上 MCP 协议，这条链路第一次能用自然语言一口气驱动。国内环境下，用支持 MCP 的国产智能体开发工具，加开源的 MCP for Blender（原名 blender-mcp），再加即梦里 Seedance 2.5 的白模参考，可以走出一条等效而且合规的路线。成片发到国内平台，必须主动做 AI 生成内容声明。

这篇文章我会把四件事讲清楚：这套工作流背后的原理是什么；各个工具在写稿时的真实状态和版本口径；连接、预演、生成、后期每个环节具体怎么操作，坑在哪里；以及成片在国内平台发布要过哪几道合规关。全文只谈原理和操作，不谈别的。

文章比较长，新手可以先看第二章的原理图和第四章的国内路线，老手直接跳第五章的排坑和第八章的成本控制。

想看完整拆解，往下翻。

一、先把问题讲透：AI 视频最烧钱的环节，是“运镜说不清”

1.1 画质够用之后，卡脖子的变成了镜头

我做 AI 视频有一段时间了，早期最头疼的是画面本身：手指融化、人脸漂移、物体像果冻一样抖。到了 2026 年下半年，这些毛病在主流模型上已经少了很多，单看一帧画面，很多时候真假难辨。

可真正动手做一条有剧情的短片，你会发现卡点换了位置。画面是好看了，但镜头不听话。你脑子里想的是“摄影机从人物身后绕到正面，同时缓缓下降到腰部高度”，模型给你的可能是一个平平无奇的正面推近。再抽一次，变成了俯拍。再抽，人物位置又换了。

每抽一次都是真金白银的积分。一条三四十秒的短片，镜头稍微复杂一点，废片堆起来比成片多得多，这是很常见的情况。按我自己做项目的体感，花在“镜头不对重来”上的消耗，明显高于花在“画面不好重来”上的。这也是莫潇羽在无忆研习社里反复跟读者讲的一个判断：现阶段 AI 视频的成本结构，大头是沟通成本，而非计算成本。

1.2 文字天生不擅长描述空间

为什么运镜这么难用提示词讲清楚？原因很朴素：语言是一维的，空间是三维的，再加上时间就是四维。

你写“镜头环绕人物半圈”，这句话里至少藏着六个没交代的变量：环绕半径多大、从哪个角度起步、顺时针还是逆时针、机位高度多少、用多长时间转完、转的过程中焦点落在哪。模型只能替你猜，猜的结果每次都不一样。

有人主张把提示词写得更细，加上焦段、光圈、轨道类型这些专业词。这条路有用，但有上限。词越多，模型越容易顾此失彼，前面强调的东西被后面的描述冲掉。而且一旦画面里有两个以上的主体，彼此的相对位置、谁先动谁后动，用文字写出来就是一大段，写的人累，模型读着也糊涂。

说白了，这是在用错误的媒介传递信息。空间关系应该用空间来表达。

1.3 影视行业早就有答案：先预演，再开机

传统影视和动画制作里有个环节叫预演，英文是 previsualization，圈里一般简称 previz。做法是在正式拍摄或正式渲染之前，用最粗糙的三维方块把场景搭出来，放上代表演员的小人，架上虚拟摄影机，把每个镜头的机位、运动轨迹、时长先跑一遍。

预演用的模型不贴材质、不打精细灯光，通常就是一片灰或者一片白，所以行内叫灰模或者白模，也有人叫 blockout，意思是“用方块占位”。它难看，但它把最关键的东西定死了：谁在哪、摄影机在哪、怎么动、动多久。

导演看完预演，觉得这个镜头应该再低一点、那个转场应该再快半秒，改起来只是挪几个方块、拖几个关键帧的事，几乎没有成本。等所有人对预演点头了，才进入烧钱的正式制作。

把这个思路搬到 AI 视频上，逻辑完全成立：灰模预演阶段不消耗生成积分，镜头在这个阶段反复改；改到满意，再把灰模视频作为“运动参考”喂给视频模型，让它只负责一件事，就是按这个骨架把画面“长”出来。

过去这条路走不通，是因为门槛太高。会 Blender 的人不多，学会搭场景、打关键帧少说要几周。2026 年情况变了，变在两个地方：一是智能体能直接操作三维软件了，你说话，它替你搭；二是视频模型开始原生支持白模参考了。这两件事凑到一起，预演才从专业团队的专利变成了个人创作者也能用的工具。

问题清楚了，接下来看这套解法在结构上是怎么搭起来的。

二、整条链路的原理：一个大脑、两只手、一块沙盘

2.1 三个角色各管什么

这套工作流看着工具很多，拆开来其实就三个角色。我习惯这么理解：

这张表最要紧的是最后一列。整套方法的价值就在于：把需要反复试错的部分，从花钱的“双手”环节，挪到不花钱的“沙盘”环节。

智能体这个词新手可能陌生，用白话讲：普通的聊天模型只会回你一段文字，而智能体除了会说，还能自己动手，比如打开软件、执行命令、读写文件、调用别的服务，做完一步看结果再决定下一步。你可以把它当成一个听得懂人话、手脚麻利的助理。

2.2 MCP 是什么：给智能体装“万能插座”

大脑要指挥沙盘和双手，中间得有线连着。这根线现在的事实标准叫 MCP，全称 Model Context Protocol，直译是模型上下文协议。

别被名字吓到。它干的事情很像电器的插座标准：以前每个软件想让 AI 调用，都得单独写一套对接方式，换个 AI 又得重写；有了 MCP，软件这边只要按统一规格做一个“插座”（叫 MCP 服务端），任何支持 MCP 的智能体（叫 MCP 客户端）都能插上来用。

落到我们这个场景，会出现两类插座，新手特别容易搞混，我先在这里点一下，第五章再细说：

一类是“生成类”连接。它让智能体能调用云端的图像、视频模型。智能体发一句“用这张图和这段参考视频生成十秒镜头”，云端跑完把结果传回来。

另一类是“场景类”连接。它让智能体能操作你电脑上正开着的那个 Blender 窗口，在里面加物体、摆摄影机、打关键帧、点渲染。这类连接通常需要在 Blender 里装一个配套插件，由插件在本机开一个通信端口，智能体通过它把指令送进去。

两类连接是各自独立的。只接了第一类，智能体能出图出视频，但碰不到你的三维场景；只接了第二类，它能帮你搭灰模，但生成成片得你自己手动去网页上传。两个都接上，才是完整的一条龙。

2.3 灰模凭什么能“管住”视频模型

很多人第一次听说会有疑问：一段灰扑扑的方块视频，模型怎么知道该照着它来？

这里要理解现在视频模型的“参考生成”机制。新一代模型不再只吃一句提示词，而是可以同时接收多种参考素材，并且区分每种素材的用途：这张图用来定人物长相，那张图用来定场景风格，这段视频用来定运动，那段音频用来定节奏。

灰模视频在其中扮演的是“运动与空间参考”。模型从里面读取的是结构信息：画面里主体的轮廓和位置怎么随时间变化，摄影机的视角怎么移动，前景中景背景的遮挡关系如何。它不会照搬灰模的灰色外观，外观由你给的人物图、场景图和文字描述决定。

以字节跳动的 Seedance 2.5 为例，按公开的产品介绍，它明确把无纹理三维白模列为一种参考类型，用来控制空间结构、主体姿态和运镜，并据此生成符合物理规律的光照和阴影。换句话说，“灰模定骨架、模型长血肉”这件事，已经是模型层面原生支持的能力，不是什么偏门技巧。

打个比方：灰模预演相当于建筑的结构图，标了每根梁每根柱的位置；人物和场景参考图相当于装修效果图；视频模型是施工队。有结构图的施工队，不会把承重墙砌歪。

2.4 一张图看完数据怎么流动

把上面的内容串起来，完整的数据流大致是下面这样：

flowchart TD
    A[你的想法：一句话故事] --> B[智能体：写脚本、拆镜头清单]
    B --> C[图像模型：人物、场景、道具参考图]
    B --> D[Blender：灰模场景与机位动画]
    D --> E[本地渲染：灰模预演视频]
    E --> F{镜头满意吗}
    F -- 不满意 --> D
    F -- 满意 --> G[视频模型：参考图 + 预演视频 + 提示词]
    C --> G
    G --> H[分段成片]
    H --> I[剪辑、字幕、配乐、调色]
    I --> J[添加 AI 生成声明后发布]

图里有个循环值得多看两眼：从“灰模场景”到“镜头满意吗”再绕回来的那一圈。这一圈跑多少次都不花生成积分，所以你可以放开手脚改。等到箭头往下走进视频模型，每一次都是真消耗，那时候就该一次到位，尽量不回头。

理解了这张图，后面所有的操作细节都只是往里填东西。

三、工具现状盘点：大脑、沙盘、双手各有哪些可用工具

动手之前，先把几个主角的最新情况对一遍。这个领域迭代极快，下面都是我写稿时（2026 年 10 月初）核对公开信息得到的口径，过一两个月很可能又变。

这一章的目的是先摸清三个角色各有哪些工具可选、各自处在什么状态，境外的和国内的都会讲到。摸清之后，第四章再决定走哪条路线。

3.1 大脑一侧：GPT-6 Astra 与 Codex

OpenAI 在 2026 年 9 月初发布了 GPT-6 Astra。Astra 这个词来自拉丁语，是“星辰”的复数形式，取的是探索未知的意思。按官方发布说明和多家科技媒体的报道，这一代模型的重点放在四个方向：编程、电脑操作、长时间自主执行的任务，以及科研和专业工作流。

跟我们这个话题直接相关的是“电脑操作”。官方的说法是，Astra 可以像人一样去操作日常使用的应用程序，哪怕那个应用没有开放编程接口。这意味着智能体除了通过 MCP 这种“正门”去调用工具，还多了一条直接看屏幕、点界面的路。对视频制作这种要在好几个软件之间来回倒腾的活儿来说，这个能力很对口。

另一个值得知道的细节是 Codex 里新加的上下文机制。以前长任务跑着跑着，对话太长塞不下，系统会把前面的内容压缩成一段摘要，细节就丢了。Astra 在 Codex 里可以跨上下文窗口记笔记，之前的窗口还能被检索回来。做一条短片动辄几十轮对话，人物设定、道具清单、每个镜头的修改意见都得一直记着，这个机制正好解决“聊到后面它把前面的设定忘了”的老毛病。这项功能写稿时还标着实验性，官方说会逐步变成默认。

可用范围上有个容易误会的地方。按 OpenAI 开发者社区里的讨论和官方后续澄清，Plus 档位的用户是在 ChatGPT 的 Work 模式和 Codex 里用到 Astra，普通聊天界面里那个由 Astra 驱动的 GPT-6 Pro，需要更高的档位。也就是说同一个模型，在不同入口的开放程度不一样。另外，9 月 22 日 OpenAI 又发布了 GPT-6 Sol 和 GPT-6 Luna 两个型号，前者面向日常的编程和业务流程，后者是更小更快的轻量型号，同一代里可选的型号变多了。

这里必须插一段合规说明。OpenAI 的服务并未面向中国大陆地区提供，本文对它的介绍仅属于技术科普，帮助大家理解这一类工作流的原理，不构成任何使用引导。境外模型使用需遵守国内网络与内容管理相关规定。《生成式人工智能服务管理暂行办法》第二十条规定，对来源于境外、向境内提供的生成式人工智能服务不符合规定的，国家网信部门应当通知有关机构采取技术措施和其他必要措施予以处置。通过非合规渠道访问境外服务存在法律风险，这个风险由使用者自己承担。对国内读者来说，真正能落地的是第四章讲的替代路线，原理是相通的。

3.2 沙盘一侧：Blender

Blender 是一款免费开源的三维创作软件，建模、绑定、动画、渲染、视频合成全都能做，采用 GPL 开源许可，个人和商业使用都不需要付软件授权费。它的官网是 blender.org，国内可以正常访问和下载，安装包自带简体中文界面。

版本方面，Blender 5.1 于 2026 年 3 月 17 日发布，官方把它定位成一个以性能和稳定性打磨为主的版本，动画播放和渲染速度都有提升。5.2 是长期支持版，官方发布页显示的发布日期是 2026 年 7 月 14 日。

版本号在这里不是闲话，第五章会讲到插件对版本的要求是怎么变的，以及由此带来的坑。

3.3 双手一侧：聚合平台的 Blender 插件

海外有一类聚合型的 AI 创作平台，把各家的图像、视频、音频模型汇在一个账号下面，用统一的积分结算。其中 Higgsfield 在 2026 年 8 月发布了一个 Blender 插件，把“灰模到成片”这件事做成了产品化的功能，是目前这个方向上比较有代表性的实现，所以拿它当样本拆一下。

按它官方博客的介绍，插件装好之后会在 Blender 的三维视口上方浮出一条工具栏，一共七个标签页：

其中 Camera 这一项挺有意思。官方描述是通过实际移动手机来设定摄影机运动，场景相机会实时跟着走，这样不用手动打关键帧就能得到自然的手持晃动。用手机当虚拟摄影机其实不是全新的点子，影视行业的虚拟拍摄早就这么干，只是以前要专门的设备和软件，现在被做进了一个免费三维软件的插件里。

它的接入方式也对应着第二章说的两类连接：一个是通用的生成类 MCP，让智能体能调平台上的模型；另一个官方叫 Blender Bridge，是单独的一条连接，专门让智能体去操作当前打开的那个 Blender 场景。官方帮助中心写得很清楚，这是两回事。

同样要说明：这是一家境外平台，上面的介绍用于拆解产品思路。平台聚合的部分模型同样属于境外服务，使用时需遵守国内网络与内容管理相关规定。

3.4 视频模型：白模参考已经是标配能力

模型层面，写稿时对这套工作流支持最直接的是 Seedance 2.5。综合几家工具导航站和教程站点的整理，它在 2026 年 6 月的火山引擎大会上预告，7 月底在即梦 AI 和豆包上线，几个关键参数是：

这些参数各家转述略有出入，比如参考素材的上限，有的资料写的是早期版本的数字，以即梦官方页面当前显示的为准。

这张表给我的最大感受是：模型的设计方向，本身就在往“专业制作流程”靠。白模参考、绿幕替换、时间戳控制，这些全是传统影视工业里的概念。工具在主动向预演这种工作方式靠拢，我们顺着它的设计去用，自然比硬拧着用纯文字提示词要省力。

3.5 把版本和时间放到一张表里

AI 工具的版本、功能和可用范围变动非常快，上面是写稿时的近似情况，请以各家官方页面的实时信息为准。

四、国内环境怎么搭：一条合规可落地的等效路线

4.1 先想清楚：我们要复刻的是结构，不是某个牌子

看完第三章，国内读者最关心的肯定是：那几个境外工具我用不了，是不是这套方法就跟我没关系了？

不是。回到第二章那张表，这套工作流的本质是三个角色的分工，每个角色都有国内可用的替代品。莫潇羽@无忆研习社 一直的观点是：学方法要学结构，工具只是结构上的可替换零件。

诚实地讲，国内路线和境外原生路线相比，差距主要在最后一行：从灰模预演到提交生成，这一步很可能需要你自己动手把视频拖进网页，做不到全程一句话。但我的看法是这点差距无关紧要，因为整套方法省钱省力的核心在预演，预演这一段国内路线是完整的。

4.2 大脑的选择：认准“支持 MCP”这一条

国产的智能体开发工具这两年发展很快。以字节跳动的 Trae 国内版为例，按第三方工具评测站的记录，它在 2026 年 4 月的更新里加入了通过 MCP 协议调用外部工具的能力，内置豆包、DeepSeek、Kimi、智谱、通义等多家国产模型，个人版免费，官网是 trae.cn。腾讯、阿里等厂商的同类产品也陆续支持了 MCP。

挑工具的时候不用纠结牌子，认准三条就行：

第一条，能添加自定义的 MCP 服务，最好支持本地进程方式启动的那种。下一节要讲的 MCP for Blender 就是以本地进程方式运行的。

第二条，有智能体模式，也就是能自己连续执行多步，而不是只给你一段代码让你自己去跑。

第三条，背后的模型写 Python 的能力要过关。智能体操作 Blender，归根到底是在写 Blender 的 Python 脚本，模型代码能力弱，搭出来的场景就容易出错。

4.3 连接沙盘：两个开源选项，先把名字分清

让智能体操作 Blender 的开源方案，写稿时主要有两个，名字很像，容易混。

第一个是社区项目 MCP for Blender，MIT 许可。它原来叫 blender-mcp，网上绝大多数中文教程用的还是这个旧名。2026 年 9 月项目方发公告改了名：GitHub 仓库变成 ahujasid/mcp-for-blender，PyPI 上的包名变成 mcp-for-blender。公告给出的理由是新名字更能表明它是一个第三方社区插件，而非官方产品。旧包名被保留成一个兼容包装，照着老教程写 blender-mcp 目前还能跑，但新装建议直接用新名字。

第二个是 Blender 官方实验室（Blender Lab）自己做的 MCP 服务，托管在 projects.blender.org 上。按第三方对比文章的整理，它在 2026 年 4 月发布了 1.0 版，GPL 许可，要求 Blender 5.1 以上，设计思路是刻意做小，只做必要的事。

新手我建议从社区版入手，资料多，出了问题好搜。下面以它为例。

它由两部分组成：一个装在 Blender 里的插件文件，负责在本机开一个通信端口等指令；一个 MCP 服务端程序，负责把智能体的调用翻译成 Blender 能执行的操作。

按项目说明，前置条件是 Blender 3.0 以上、Python 3.10 以上，以及一个叫 uv 的 Python 包管理工具。安装大致分三步。

第一步，装 uv。它是一个轻量的 Python 工具管理器，装好后可以用 uvx 命令直接运行 Python 写的命令行程序，不用自己操心虚拟环境。

第二步，在 Blender 里装插件。从项目仓库下载那个名为 addon.py 的文件，打开 Blender，依次点“编辑”“偏好设置”“插件”，选择从磁盘安装，找到这个文件，装好后把它勾上启用。然后在三维视口里按 N 键呼出侧边栏，找到对应的那一栏，点连接。

第三步，在智能体工具里登记这个 MCP 服务。不同工具的界面不一样，但配置内容大同小异，通常是一段这样的 JSON：

{
  "mcpServers": {
    "blender": {
      "command": "uvx",
      "args": ["mcp-for-blender"]
    }
  }
}

Windows 系统上有时需要通过命令行解释器来启动，写法会变成：

{
  "mcpServers": {
    "blender": {
      "command": "cmd",
      "args": ["/c", "uvx", "mcp-for-blender"]
    }
  }
}

如果你手头的教程把 args 写成 blender-mcp，目前也能用，旧包名会自动转到新包上。

配置保存后，在智能体的工具列表里应该能看到一组 Blender 相关的工具，比如查看场景信息、查看物体信息、执行 Blender 代码之类。这时候对它说一句“看一下当前 Blender 场景里有什么”，它能答出默认的立方体、灯光和摄影机，就说明通了。

具体的文件名、菜单位置和配置写法，请以项目仓库 README 的最新版本为准。这个项目刚改过名，更新也勤，我这里写的是原理性的步骤。

4.4 双手的选择：直接用国产模型的白模参考

预演视频渲染出来之后，打开即梦，选择 Seedance 2.5，把灰模视频作为参考视频上传，再把人物、场景、道具的参考图一并传上去，写好提示词，提交生成。操作上就是多了一次“拖文件进网页”的动作。

这一步我反而建议新手手动做。原因有两个：一是你能亲眼看到平台在提交前显示的积分消耗，心里有数；二是国内平台生成的内容会按规定自动带上标识，流程合规性更清楚。等流程跑熟了，再去研究平台有没有开放接口、能不能让智能体自动提交。

4.5 国内路线的完整流程图

flowchart LR
    A[国产智能体工具] -- MCP --> B[MCP for Blender 服务]
    B -- 本机端口 --> C[Blender 插件]
    C --> D[灰模场景与机位]
    D --> E[工作台渲染：预演视频]
    E -- 手动上传 --> F[即梦：Seedance 2.5 白模参考]
    G[人物与场景参考图] --> F
    F --> H[成片分段]
    H --> I[剪映或达芬奇后期]

整条线上，Blender、MCP for Blender、智能体工具的个人版都是免费的，花钱的只有视频生成那一步。

五、连接环节的实操细节：我踩过和见过的坑

连接这一步，说起来就是“装插件、填地址、点允许”，可真做的时候到处是小石子。下面这些是我自己折腾下来觉得最值得提前知道的。

5.1 插件压缩包别手痒去解压

Blender 的插件安装有个反直觉的地方：很多插件下载下来是一个 zip 压缩包，正确做法是直接把这个 zip 交给 Blender，千万别先解压。

以前面提到的那个平台插件为例，官方给了两种装法：一种是把 zip 文件直接拖到任意一个打开的 Blender 窗口上，它会自己安装并启用；另一种是走菜单，“编辑”“偏好设置”“插件”，从磁盘安装，选中那个 zip。官方还特意加了一句提醒，让你保持文件为压缩状态，因为 Blender 吃的就是压缩包本身。

新手的习惯是下载完先双击解压，然后对着一堆散文件不知道选哪个。记住一句话就行：单个 py 文件直接装，zip 包整个装。

5.2 版本要求会变，只认官方页面当前的说法

写稿时我去核对那个平台插件支持的 Blender 版本，官方博客教程和插件下载页现在的说法是一致的：Blender 5.1 起。可搜索引擎收录的旧版页面摘要，还有不止一篇第三方教程，写的仍是“支持 4.2 到 5.1”。也就是说，这个要求在插件发布后的一个多月里改过。

这种事在快速迭代的产品上太常见了。二手教程写完就不再更新，你照着一篇上个月的文章装了个 4.5，结果插件根本不认，折腾半天还以为是自己操作有问题。我的处理原则有两条：装之前只看官方页面当前显示的要求，别信转述，包括我这篇；几个工具的要求凑在一起时，取交集。

拿这套工作流来说，平台插件要求 5.1 起，Blender 官方实验室的 MCP 服务也要求 5.1 以上，社区版 MCP for Blender 宽松得多，3.0 以上都行。三者的交集是 5.1 及以上，所以新装直接选 5.1 或者 5.2 长期支持版最省事。新版的 Python 接口也更规范，智能体写出来的脚本出错概率低。

推而广之，这是整个 AI 工具链的通用经验：智能体、插件、三维软件三方里，任何一方升级了都可能让另外两方跟不上。跑通之后，把三方的版本号记下来，不出问题就不动它。

5.3 “能生成”和“能操作场景”是两条线

第二章提过两类连接，这里展开说，因为这是我见到新手问得最多的问题：明明显示插件已连接，为什么让它搭场景，它说做不到？

原因就是只接了生成类的那条线。以那个平台为例，官方帮助中心的说明是：生成类 MCP 让智能体可以独立生成素材；Blender Bridge 是另一条单独的连接，它让智能体能访问已安装的 Blender 插件，对当前打开的场景进行操作。后者需要在智能体的连接器设置里另外添加一项，登录授权后才生效。

用开源路线也一样。前面说的两个开源 MCP 服务都只管场景操作，不会帮你生成视频。所以排查问题时先问自己：我现在卡住的这个动作，属于哪条线？对应的那条线接了没有？

一个简单的验证办法是分别问智能体两句话。问“当前 Blender 场景里有哪些物体”，能答上来说明场景线通了。问“帮我生成一张某某图片”，能出图说明生成线通了。

5.4 权限弹窗别闭着眼点“始终允许”

智能体第一次调用某个工具时，通常会弹窗问你是否允许。选项一般有“允许这一次”和“始终允许”。图省事的人会一路点始终允许，我建议别这样。

场景操作类的工具里，有一个能力是“在 Blender 里执行任意 Python 代码”。这个能力非常强，智能体搭场景基本全靠它，但它也意味着智能体可以删掉你场景里的任何东西，而且执行后不一定能撤销。几个开源分支的说明文档里都专门标注了这一点：这个工具强大，但不可逆。据第三方对比文章转述，Blender 官方实验室那个版本的文档说得更直白：它会不加防护地执行模型生成的代码，建议放在虚拟机里用；社区版则提供了可选的安全模式开关，具体用法看仓库说明。

我的做法是三条：

第一，开工前先把工程文件存一份，并且在 Blender 的偏好设置里把自动保存的间隔调短。

第二，查看类的工具（读场景信息、截视口图）给始终允许，执行代码类的工具保持每次确认，至少在刚上手那段时间这样做。看它每一步打算执行什么，本身也是学 Blender 脚本的好机会。

第三，每完成一个镜头的预演，另存一个带编号的工程文件。智能体把场景改崩了，回退到上一个编号就行。

顺带一提，OpenAI 在介绍 Astra 时也强调了类似的设计，Work 模式和 Codex 里有确认策略，可以要求在执行有后果的操作前先征得同意。大厂自己都这么做，说明“让智能体放手干”和“关键动作要人点头”得同时存在。

5.5 连不上的时候，按这个顺序查

本地连接出问题，十有八九是下面几种情况，按顺序排查基本都能解决：

还有一个常被忽略的事实：云端生成不吃你本地的显卡，但 Blender 视口的流畅度和本地渲染速度是吃的。灰模场景本身很轻，普通的办公电脑也能跑；可如果让智能体往场景里塞了一堆高精度模型，视口就会卡。预演阶段坚持用最简单的方块，别贪精致。

六、灰模预演怎么做才有用：从镜头清单到参考视频

连接搭好只是起点。预演做得好不好，直接决定后面生成环节是一次过还是继续烧积分。这一章是全文我最想讲透的部分。

6.1 先有镜头清单，再碰 Blender

很多人一连上就兴冲冲地对智能体说“帮我搭一个赛博朋克城市”，然后对着一堆方块不知道下一步干嘛。顺序反了。预演的输入是镜头清单，没有清单，搭什么都是白搭。

为了方便说明，我用一个自己编的小故事贯穿这一章。故事叫《末班渡轮》：雨夜，一位老钟表匠修好了孙女落下的怀表，赶到码头时渡轮已经离岸，他站在栈桥尽头，把怀表举过头顶，船上的孙女隔着雨幕看见了那一点金色的反光。全片设计成四个镜头组，总长五十秒上下。

我先让智能体把这段故事拆成镜头清单，要求它每个镜头都写清时间码、景别、机位运动、画面内容。拆出来再由我改，最后定稿是这样：

清单里的每一栏都有用处。时间码决定关键帧打在第几帧；景别决定摄影机离主体多远；机位运动决定摄影机的轨迹；画面内容决定场景里要摆哪些方块。有了这张表，再去指挥智能体，每句话都是具体的。

6.2 机位语言速查：跟智能体说话要用“行话”

指挥智能体摆摄影机，用词越规范，它理解得越准。下面这些是影视行业通用的机位术语，新手存一份备用：

除了运动方式，还有三个参数最好也一并交代：机位高度（用米来说，比如“离地一米六”）、焦段（广角显空间，长焦压缩距离）、运动的缓急（匀速，还是先慢后快）。

6.3 给智能体的预演指令该怎么写

下面是我给智能体搭第三个镜头组时用的指令结构。重点看它的组织方式，内容你可以换成自己的：

任务：在当前 Blender 场景中搭建“镜头组三”的灰模预演。

场景要素（全部使用简单几何体，统一灰色材质，不加贴图）：
1. 一条长 20 米、宽 2 米的栈桥，用拉长的立方体表示，沿 Y 轴正方向延伸
2. 栈桥两侧各放 4 根圆柱代表系缆桩
3. 一个 1.7 米高的胶囊体代表老人，起点在栈桥根部
4. 一个 12 米长的扁长方体代表渡轮，放在栈桥尽头外 15 米处

动作（帧率 24，时间范围第 1 帧到第 336 帧）：
1. 老人在第 1 到 192 帧沿栈桥跑到尽头，随后静止
2. 渡轮在整个时间范围内匀速远离，共移动 6 米

摄影机：
1. 第 1 帧：位于老人身后 3 米，高度 1.5 米，焦段 35 毫米
2. 第 192 帧：推近到老人身后 0.8 米，略偏右肩
3. 第 336 帧：越过肩膀上升到 4 米高度，镜头略向下，画面中同时看到老人背影和远处渡轮
4. 关键帧之间使用平滑插值，先慢后快再慢

完成后：
1. 把渲染引擎切换为工作台，分辨率 1280×720
2. 截一张第 1 帧、第 192 帧、第 336 帧的视口图给我看
3. 先不要渲染，等我确认

这段指令有几个我刻意安排的地方。

物体全部用几何体加数字描述，尺寸、位置、朝向都给出来。智能体对“一条栈桥”这种模糊说法会自由发挥，对“长 20 米、宽 2 米的立方体”就没有发挥空间。

动作和摄影机分开写，各自带帧号。二十四帧每秒的话，十四秒就是 336 帧，自己先换算好，别让它算。

结尾要求它先截图不渲染。这是个很省时间的习惯：三张关键帧截图扫一眼，机位大方向对不对立刻就知道，不对就接着改，对了再渲染整段。

6.4 智能体在背后其实写了什么

出于好奇，也为了出问题时能自己判断，建议大家了解一下智能体收到上面的指令后，实际在 Blender 里执行的是什么。本质上就是一段 Python 脚本，核心部分大概长这样：

import bpy

scene = bpy.context.scene
scene.render.fps = 24
scene.frame_start = 1
scene.frame_end = 336
scene.render.engine = "BLENDER_WORKBENCH"   # 工作台引擎，渲染灰模最快

cam = bpy.data.objects["Camera"]
cam.data.lens = 35                          # 焦段，单位毫米

# 第 1 帧：老人身后 3 米，高 1.5 米
cam.location = (0.0, -3.0, 1.5)
cam.keyframe_insert(data_path="location", frame=1)

# 第 192 帧：推近到身后 0.8 米，略偏右
cam.location = (0.3, 19.2, 1.5)
cam.keyframe_insert(data_path="location", frame=192)

# 第 336 帧：越肩升起到 4 米
cam.location = (0.3, 19.6, 4.0)
cam.keyframe_insert(data_path="location", frame=336)

看懂这几行，你就理解了预演的全部秘密：所谓运镜，在三维软件里就是“摄影机在第几帧位于哪个坐标、朝向哪里”的一组记录。它是精确的、可重复的、可以一个数字一个数字去改的。这正是文字提示词给不了的东西。

你觉得最后升得不够高，直接告诉智能体“把第 336 帧的高度从 4 米改成 5.5 米”，它改一个数字，重新截图，十几秒的事。同样的修改放在生成环节，就是一次完整的重抽。

6.5 渲染预演视频的几个设置

镜头确认后，让智能体渲染。几个设置值得交代清楚：

渲染引擎用工作台。Blender 自带几个渲染引擎，工作台是最轻的那个，本来就是给预览用的，灰模配它正合适，几百帧的片段普通电脑一两分钟就能出完。别用写实引擎去渲染灰模，纯属浪费时间。

分辨率不用高。预演视频只是给模型看结构的，720p 足够。分辨率拉高只会让上传变慢。

帧率和时长要跟最终成片的计划一致。你打算生成十四秒的镜头，预演就做十四秒，别做成二十秒再指望模型自己截。

输出格式选视频容器里的 MP4，编码用 H.264，这是各平台兼容性最好的组合。

灰模的明暗对比要够。主体和背景如果灰成一片，模型难以分辨谁是谁。我一般让智能体给主体用浅灰、地面用中灰、远景用深灰，再打一盏简单的方向光，让物体有清楚的明暗交界线。也可以给不同的主体上不同的纯色，比如人物用浅蓝、车辆用橙色，方便自己和模型区分。

6.6 预演过审的五项检查

渲染出来的预演视频，我会对着下面五项逐条看，全过了才进入生成：

第一，主体在每个时间点都在画面里合适的位置吗？有没有被前景挡住，有没有跑出画框？

第二，摄影机运动的速度舒服吗？新手做的预演最常见的问题是太快，十秒里塞了三种运动。一个镜头组里摄影机只做一到两件事最稳妥。

第三，起始帧和结束帧的构图各自成立吗？这两帧往往会成为剪辑点，构图不稳，接起来就别扭。

第四，相邻镜头组之间的方向一致吗？上一个镜头人物往右走，下一个镜头就别让他从右往左出现，除非你有意为之。这是剪辑里的轴线问题，预演阶段最容易发现。

第五，有没有穿模？摄影机穿过墙体、人物穿过道具，灰模里看得清清楚楚，带到生成环节就会变成奇怪的画面。

这五项里随便哪一项，在预演阶段改都是几句话的事。这就是预演值钱的地方。

七、从灰模到成片：参考素材怎么组织，提示词怎么写

预演过审，终于轮到花钱的环节。这一步的目标只有一个：一次生成尽量就能用。

7.1 生成前要备齐的四类素材

视频模型现在能吃很多参考素材，但素材多不代表效果好，关键是每一份素材的职责要单一、清楚。我的素材包固定分四类：

人物定妆图为什么强调纯色背景？因为如果定妆图里带着复杂场景，模型有可能把那个场景也当成参考的一部分带进成片，跟你真正想要的场景打架。素材越干净，职责越不容易串。

这些图片用什么生成都行，国内的即梦、通义万相、可灵等平台的图像模型都能胜任。我的习