Claude Opus 5.5 视频生成指南：从底层原理、技术栈选型到工程化 Prompt 实践 | O's World

当提到使用 Claude Opus 5.5 制作视频时，一个常见的误区是将其等同于 Sora 或 Runway 等端到端的扩散视频生成模型（Diffusion Video Models）。实际上，Opus 5.5 作为多模态大语言模型，具备文本与图像理解能力，但其输出模态依然严格受限于文本（代码）。

那么，Opus 5.5 生成的高水准动态设计（Motion Design）视频从何而来？答案是程序化生成（Procedural Generation）与无头渲染管线（Headless Rendering Pipeline）。

本文将系统拆解 Opus 5.5 制作视频的底层工程逻辑、7 大核心渲染技术栈、5 个代表性实战案例的架构与 Prompt，并提供一套可直接复用的工业级 XML 提示词框架与自动化工作流。

---

一、 底层原理：基于时间函数的确定性渲染

传统手翻书动画（Flipbook）的原理是在每一页绘制微小的姿态变化，通过快速翻动形成视觉暂留。代码生成视频在工程上遵循完全一致的逻辑，核心在于构建一个确定性的时间渲染函数（Deterministic Time-step Function）。

整个自动化生成管线分为三个阶段：

1. 状态函数构建：Opus 5.5 编写前端或图形代码，并在全局暴露一个基于时间的纯函数（如 window.render(t) 或 seek(t)）。向该函数传入任意时间戳 $t$（或帧序号），程序即可实时计算出该时刻所有视觉元素的精确状态（坐标、形变、色彩、光影）并完成单帧绘制。
2. 无头浏览器逐帧采样：使用 Playwright 等自动化测试工具在后台启动无头浏览器（Headless Browser），按照目标帧率（如 24 FPS 或 60 FPS）步进调用渲染函数，并将每一帧画面截取为无损图像序列。
3. 音画合成与编码：在音频侧，可通过 Python 的 NumPy 和 SciPy 直接进行数字信号处理（DSP），计算正弦波、方波及包络线来程序化合成鼓点、贝斯、合成器配乐与 UI 音效；最后调用 FFmpeg 将数千张图像序列与音频流混流编码，输出标准 MP4 文件。

---

二、 视觉渲染技术栈：7 类核心方案选型

无论是原生代码构建还是调用成熟框架，程序化视频的核心都在于渲染引擎的选择。根据目标视觉风格，可将主流方案划分为以下 7 类：

方案名称	核心技术定位	适用视觉风格与场景	工程优势与局限
1. JS + Canvas 2D	2D 位图画布 API	像素艺术（Pixel Art）、扁平插画、基础几何动效、2D 粒子	零依赖、渲染极快；适合精细控制单个像素，但缺乏原生的 3D 与复杂光影支持。
2. HTML / CSS / SVG	DOM 排版与矢量图形	SaaS 产品宣传片、高保真 UI 交互演示、动态排版（Kinetic Typography）	天然支持现代网页的圆角、阴影、弹性布局与无损矢量曲线，丝滑度极高。
3. WebGL Shader	GPU 逐像素着色器	复古 CRT 扫描线与曲面畸变、胶片颗粒、流体反光、赛博发光粒子	直接调用显卡算力计算单像素颜色，质感极佳；常作为后处理层叠加在 Canvas 之上。
4. Three.js	WebGL 3D 引擎封装	3D 空间运镜、产品 360° 环绕、三维粒子云、体素（Voxel）小镇	支持完整的网格、材质、灯光与摄像机推拉摇移；纯代码仅适合基础几何体拼接，高精度实物需导入外部 3D 模型（如 .gltf）。
5. p5.js + p5.brush	创意编程与自然笔刷	彩铅、水彩、蜡笔、手绘艺术短片	能够高度还原真实物理笔刷的运笔方向、笔触粗细与纸张纹理。
6. Remotion / HyperFrames	声明式代码视频框架	多镜头叙事长片、复杂转场编排、工程化批量视频生产	封装了底层时间轴与渲染管线。HyperFrames 基于时间线控制，Remotion（React 生态）基于帧控制，后者在工程可控性上更胜一筹。
7. Manim	Python 数学动画引擎	严谨的数学推导、算法可视化、物理与几何科普（3Blue1Brown 风格）	采用声明式对象变换逻辑，自动插值计算过渡过程，公式与图形精度极高；但视觉风格偏极简学术，缺乏商业设计质感。

---

三、 架构拆解与实战：5 大代表性案例剖析

单一技术栈可以独立成片，多技术栈混合则能突破视觉上限。以下通过 5 个典型社区案例，拆解不同风格视频的技术组合与 Prompt 设计工程。

案例 1：16-bit 像素巫师（纯 Canvas 2D 渲染）

• 原作者：@majidmanzarpour
• 成片规格：11 秒无缝循环（单次循环约 5.5 秒），从 Claude 网页端对话生成，耗时约 30 分钟，零外部素材。
• 画面拆解：巫师处于待机呼吸状态 -> 举起法杖，杖头宝石聚拢蓝色螺旋火花 -> 挥杖释放光圈与飞弹（伴随屏幕震动） -> 收招复位。

核心技术实现

1. 低分辨率离屏渲染：所有元素先绘制在逻辑分辨率仅为 128×96 的离屏画布（Offscreen Canvas）上，随后按最大整数倍缩放至全屏，并强制关闭图像平滑（imageSmoothingEnabled = false），确保每个逻辑像素呈现出边缘锐利的方块感。
2. 帧率解耦与网格量化：将角色的法杖角度、手臂高度抽象为参数。主循环以 60Hz 运行，但角色姿态参数通过网格量化限制在每秒更新 8–12 次，还原复古游戏的抽帧动画感；与此同时，粒子与飞弹特效保持 60 FPS 更新，保证视觉流畅度。

复刻提示词（Prompt）

创建一个独立的单 HTML 文件，用原生 JavaScript 和 Canvas 2D 渲染一个正在施法的像素风巫师动画。不使用任何外部素材、库或网络请求。

渲染
- 所有内容先画在一块逻辑分辨率固定为 128×96 的离屏画布上，再按能放进窗口的最大整数倍放大，画到全屏的显示画布上，居中，设置 imageSmoothingEnabled = false 和 CSS image-rendering: pixelated。
- 所有绘制都对齐到逻辑画布的整数坐标。不要亚像素位置、抗锯齿、渐变和 shadowBlur。
- 固定调色板，大约 24 个颜色：夜空用深蓝和深紫，长袍用暖色，再加 3–4 个明亮的魔法色。每一个像素都必须来自这个调色板。

角色
- 用填充矩形和一串串像素程序化地搭出巫师，大约 24×32 个逻辑像素：带弯折的尖顶帽、长胡子、双色长袍加深色描边、杖头有宝石的法杖。
- 把姿势做成参数（法杖角度、手臂抬起高度、头部倾斜、长袍摆动）。参数平滑变化，但每一帧都量化到像素网格上，这样虽然循环以 60fps 运行，动作看起来却像每秒 8–12 张的像素动画。

动画
- 循环状态机：待机（两帧上下晃动、胡子摆动）→ 蓄力（法杖举起、宝石闪烁、火花螺旋着向内聚拢）→ 施法（一道强光爆发，飞弹横穿画面，屏幕震动 1–2 像素）→ 收招（回到原位）。关键帧之间的姿势参数用缓动过渡。
- 粒子系统预先分配好、循环复用，不产生新对象。蓄力时火花围着宝石转，施法时向外炸开，每个粒子消失前从白色经过魔法色变成深色。画粒子时位置对齐到像素网格。
- 用固定的 60Hz 时间步长更新，用 requestAnimationFrame 渲染。循环里不产生任何新对象。

场景
- 极简背景：深色夜空、几颗闪烁的 1 像素星星、月亮、石头地面。角色的剪影必须清晰可辨。
- 宝石给巫师打一圈 1 像素的轮廓光，蓄力和施法时变亮。

质量标准
- 任何窗口大小下像素都清晰，无缝循环，稳定 60fps，剪影清楚。看起来要像一段精致的 16-bit 游戏角色动画，而不是缩小了的矢量图形。

---

案例 2：丝滑 UI 连续形变（HTML/CSS/SVG + 物理弹簧 + 节拍同步）

• 原作者：@twoclipping
• 成片特征：零 After Effects 介入，纯代码实现 Dribbble 级交互动效。全片一镜到底，单一黑白组件在鼠标光标的真实点击与拖拽下，连续变形为按钮、播放器、滑块、图表、命令面板等 10 余种状态。

核心技术实现

1. 解析式弹簧物理（Analytical Spring Physics）：摒弃生硬的线性过渡与 CSS transition，所有尺寸、圆角变化均由纯时间函数 seek(t) 结合弹簧动力学公式实时计算，甚至将组件的前沿与后沿绑定不同刚度的弹簧，实现移动时的拉伸形变（Stretch & Squash）。
2. 音频节拍网格对齐（Beat-Grid Synchronization）：预先通过 Python（NumPy）对音频进行节拍检测，提取精确的时间戳网格，确保每一次 UI 状态切换与交互音效严格卡在 120 BPM 的节拍点上。
3. 子帧采样运动模糊（Sub-frame Motion Blur）：使用 Playwright 渲染时，针对每一帧进行 4 次高密度子帧截图，再通过 FFmpeg 混合叠加，生成自然的动态模糊拖影。

复刻提示词（Prompt）

<inputs>
开工前先问我：8–12 个界面状态（按钮、加载、播放器、滑块、开关、标签页、图表、命令面板、通知这些），纯黑白还是加一个强调色，以及一首 120 BPM 左右、可以商用的免版税音乐。
</inputs>

<direction>
Dribbble 级别的界面动效。从头到尾只有一个形状，永远不切镜头：每一个状态都是同一个元素改变尺寸、圆角和颜色变过去，里面的内容在一下短暂的模糊里切换。
一个鼠标光标用真实的点击和拖拽驱动每一次变化。浅暖灰背景，黑白组件，一种干净的界面字体（Geist）。所有动画都用弹簧，最多带一点点回弹。镜头跟着缩放，让每个状态都占满画面。最后一帧和第一帧一样，可以无缝循环。
禁止：弹跳缓动、粒子爆炸、发光、组件上的渐变、粗细不统一的图标、没有动作的空档、任何看起来像模板的东西。
</direction>

<structure>
120 BPM，7 个小节，每一拍都有事情发生。
按钮 → 加载 → 对勾 → 灵动岛 → 音乐播放器（播放和暂停图标互相变形）→ 拖动进度条 → 变成音量滑块，拖过最大值时被拉长 → 开关踩着节拍翻转 → 开关的圆点变成标签页的指示条 → 标签页展开成一张自己画出来的图表，悬停时出现提示 → 收成 ⌘K 命令面板 → 输入筛选 → 回车 → 通知 → 回到按钮。
</structure>

<build>
1. 一个 HTML 文件，1440×1440。所有样式都在 seek(t) 里由时间算出来：不用 CSS 过渡，不用计时器，帧和帧之间不保存状态。
2. 弹簧用公式直接算。一个值要多次改变目标时，把每一次变化的弹簧叠加起来，这样它始终只由时间决定。
3. 标签页指示条的左右两条边用两个不同的弹簧，前沿先走、后沿后跟，移动的时候会被拉长。开关的圆点也这样做。
4. 拖拽要像真的在拖：光标按住时，数值由光标的位置算出来；松手后从当前位置弹回去。
5. 用 numpy 分析音乐，找出节拍网格，从重拍开始。每一个界面音效都放在对应动作的那一拍上。
6. 用 Playwright 渲染，每帧截 4 张，用 ffmpeg 混合出运动模糊，输出 60 帧的视频。
7. 渲整片之前，每一拍先渲一帧检查，偏离节拍、太挤、看不清的地方先修掉。
</build>

<gotchas>
被镜头缩放的元素、会渲染文字的元素，都不要加 will-change，否则文字会糊。在变形容器里切换的文字，要有自己的进场和出场时间，不然新旧文字会叠在一起。最后一帧要和第一帧完全一样，包括光标的位置和速度，否则循环的时候会卡一下。
</gotchas>

<start>
先问我要输入的内容，写任何代码之前，先把状态列表排在节拍网格上给我看。
</start>

---

案例 3：电子游戏发展史（Canvas + WebGL 着色器 + Three.js 混合管线）

• 原作者：@prasenx（于 Cursor 中调用 Claude 完成）
• 成片特征：2 分钟史诗级短片，跨越多个游戏世代，全片零外部素材、零音频采样。

核心技术实现

该项目展示了多渲染管线分阶段协同与叠加的能力：

• Canvas 2D：负责绘制早期 8-bit / 16-bit 像素世代的游戏画面。
• WebGL 着色器（Shader）：作为后处理层叠加在 Canvas 之上，实现老式 CRT 电视的屏幕弧面畸变、扫描线（Scanlines）与荧光辉光（Bloom）。（注：实测对比 3 秒 90 帧的同一像素片段，纯 Canvas 渲染耗时 7 秒，叠加 WebGL 着色器后渲染耗时增至 48 秒，以算力换取了极高的物理质感。）
• Three.js（3D）：负责渲染 1993 年之后的 3D 游戏世代（如走廊射击、立体城堡、体素方块世界）。
• Python 音频合成：纯代码编写合成器配乐，并驱动画面剪辑节奏。

复刻提示词（Prompt）

该案例证明了在 Agent 编程环境（如 Cursor / Claude Code）中，极简的高层意图指令同样能激发 Opus 5.5 的自主工程规划能力：

做一条 2 分钟的电影感视频，讲电子游戏的历史，要史诗、要动人，像一部纪录片预告片，全力以赴。
配乐你自己写，完全用代码合成，不要采样，不要音频文件，不要虚拟乐器。画面要跟着音乐剪。

1920x1080，60 帧。不要下载任何图片或素材，每一帧都用代码生成。最后把画面和音乐混在一起，渲染成 MP4，保存到【你指定的位置】。

---

案例 4：甜酷舞蹈混剪（AI 视频模型生成主体 + 代码合成特效）

• 原作者：@Gorden_Sun
• 核心痛点与破局：纯代码擅长几何、排版与特效，但难以直接绘制写实人物与复杂舞蹈动作。最佳实践是采用混合管线（Hybrid Pipeline）——将写实人物交给生成式视频模型（如 Grok、Flova 等），将后期包装、场景搭建与卡点动效交给 Opus 5.5。

核心技术实现

以一段 15 秒的绿幕女孩跳舞视频（由 Grok 生成）为输入源，Opus 5.5 通过代码自动化完成了原本需要剪映或 After Effects 处理的三大后期工程：

1. 色度键控抠像（Chroma Keying）：通过像素级颜色阈值算法剥离绿色背景，提取纯净的人物前景图层。
2. 多维场景与包装合成：使用前端代码在人物底层与顶层绘制动态背景、巨型排版文字、警戒胶带装饰、多画面分屏以及 3D 环绕字幕。
3. 音乐节拍驱动剪辑：人物原片保持连贯播放，背景色彩切换、大字冲击与分屏动效严格对齐音乐节拍。

---

案例 5：从 Transformer 到 AGI（基于 Remotion 的 3 分钟叙事长片）

• 原作者：@kimmonismus
• 成片特征：在 Claude Code 中使用约 7400 行 React / TypeScript 代码（基于 Remotion 框架）构建的 3 分钟科普短片。融合了 SVG、Canvas、开源 TTS 语音模型与 Python 合成配乐，具备 Kurzgesagt 式的视觉叙事水准。

复刻提示词（Prompt）

你是一位动态设计师兼创意总监，正在制作一部 3 分钟的动画短片，完全用代码搭建，最后渲染成 MP4。

这部片子
标题：「Attention Is All You Need → AGI」
讲的是 2017 年的一篇论文，怎样一步一步引出了大语言模型、推理、会用工具的 AI 智能体，以及 AGI 这个还没有答案的问题。它应该像一篇有电影感的影像随笔，而不是幻灯片或者时间线信息图。可以想象成 Kurzgesagt 遇上皮克斯电影的开场：有情绪、聪明、精准。

技术设置
用 Remotion（React）。新建一个项目，1920×1080，30fps，时长正好 180 秒（5400 帧）。
每个场景一个 composition，在一个主 composition 里按顺序排好。
不用任何外部图片素材或现成视频：所有东西都用 SVG、Canvas、CSS 和代码生成的粒子、形状来画。可以用 Google Fonts。
动手之前，先写一份 STORYBOARD.md，写清楚每个场景的时间、画面、屏幕上的文字和转场。然后一个场景一个场景地做。
每做完一个场景，渲染 3–4 张静帧（npx remotion still），用挑剔的眼光看一遍。先修好排版、重叠、可读性和节奏，再做下一个。
最后用 npx remotion render 输出到 out/film.mp4。给音乐留一个可选的 <Audio> 位置（public/music.mp3），我之后再加；如果文件不存在，就渲染无声版。

叙事主线 / 贯穿全片的母题
主角是一个会发光的词元，也就是单词「the」，它穿过每一个时代。2017 年，它是一个孤独的光点，突然通过注意力连线「看见」了所有其他单词。随着时间推移，它有了声音、感官（多模态）、推理能力、双手（工具），最后，有了一个问题。

场景（时间是大概的，你可以重新分配）
0:00–0:15 冷开场。一片黑暗。单词像星星一样散落，彼此不相连。RNN 式的逐个处理：单词一个接一个亮起，慢慢忘掉前面的。
0:15–0:35 2017 年 6 月，「Attention Is All You Need」（Vaswani 等人，Google）。每个单词同时连到其他所有单词。注意力连线绽放成一张网。论文标题像排版印刷一样出现。
0:35–0:55 2018–2020：大语言模型崛起，GPT-1、BERT、GPT-2、GPT-3。规模定律：这张网指数级增长，镜头往后拉。模型开始补全句子，流畅得有点诡异。
0:55–1:20 2022：指令微调和 RLHF，然后是 ChatGPT（2022 年 11 月 30 日）。词元有了一个聊天气泡。用户数计数器爆炸式增长。世界开始跟它对话。
1:20–1:40 2023：多模态。图像、音频和代码从四面八方流进同一张网，词元有了「感官」。每一种模态都变成词元，流过同一个注意力机制。
1:40–2:05 2024–2025：推理模型。一条看得见的思维链展开，分叉、剪枝、回溯。模型「先想再说」，时间变慢。
2:05–2:30 工具使用和智能体。词元长出了双手：它调用搜索、运行代码、打开文件，调度子智能体。很多条线程同时工作，屏幕变成一个忙碌又漂亮的工作室。
2:30–2:50 走向 AGI。所有母题汇合。2017 年的那张网重新出现，但现在是星球尺度。保持开放：不要乌托邦，也不要末日。屏幕上写：「Attention was all we needed. What comes next is up to us.」（如果你能写得更好，就改进这句话。）
2:50–3:00 回到黑暗中一个发光的词元。片名卡，结束。

制作规则
准确性很重要：年份、人名、论文标题都要正确。对某个具体事实没把握时，宁可不写也不要猜，并把所有不确定的说法列在 NOTES.md 里。
文字排版：屏幕上同时最多约 8 个单词，每段文字停留时间要够读完（至少 2.5 秒）。用一种展示字体，再用一种等宽字体表示「模型输出」。
动效：用弹簧和缓动曲线，不要线性运动。场景之间的转场要从内容里长出来（网络变形、镜头穿过一个节点），不用通用的淡入淡出。
颜色：深色背景，加一个暖色强调色，这个强调色随着时代慢慢变化。
细节和彩蛋留给认真看的人（比如真实的论文片段、小小的界面细节、看起来可信的模型输出），像高水准的动态设计作品那样。
节奏：密集和平静的时刻交替，给推理那一场和 AGI 那一拍留出呼吸的空间。

全程自主完成整条流程。做完以后，告诉我 MP4 的路径、一段简短的创作决策总结，以及 NOTES.md。

---

四、 提示词工程：如何用 XML 结构实现工业级稳定出片

在社交媒体上，常见一种“炫技式”的一句话提示词（例如：“做一条 15 秒的动态图形视频，展示你作为动效设计师的最高水平，全力以赴”）。这类提示词适合测试模型的创作上限，但缺乏可控性，无法直接应用于自媒体生产、产品商业广告或特定叙事短片。

对比社区内的高质量可控作品可以发现，最稳定的工程实践是遵循 Anthropic 官方推荐的 XML 标签结构化提示词。将角色设定、输入参数、艺术指导、分镜结构与构建规范封装在独立的 XML 标签中，能够彻底消除上下文混淆。

核心方法论：通过 <direction> 的“负面清单”打破模型默认惰性

在缺乏明确约束时，Opus 5.5 极易退化回其训练分布中最常见的“平庸默认风格”：深色渐变背景、居中大字标题、全局统一淡入淡出（Fade-in/out）、线性匀速运动。

要获得具备高级设计感的成片，必须在 <direction> 标签中明确列出负面约束（Negative Constraints），例如明确禁止：弹跳缓动、廉价粒子爆炸、组件发光（Glow）、渐变填充以及模板化的布局。

通用工业级视频生成 Prompt 模板

以下模板整合了分镜确认、静帧自检、纯函数渲染与波形防爆音检查，可直接复制用于商业或自媒体视频生产：

<role>
你是一位动态设计师，也是一位创意程序员，擅长用代码做出有设计感的视频。
</role>

<inputs>
开工前先问我这几件事，我没给的不要自己编：
1. 主题，以及看完以后希望观众记住的一句话：【你的主题】
2. 时长和画幅：【30】秒，【1920×1080 / 1080×1920 / 1080×1080】，【30 / 60】帧
3. 风格：【像素 / 扁平插画 / 界面动效 / 彩铅手绘 / 复古电视 / 3D】，有参考视频或截图就发给你
4. 配色和字体：【主色 #颜色】，【字体】
5. 声音：【我提供的音乐文件 / 用代码合成配乐】，要不要配音：【要 / 不要】
</inputs>

<direction>
整片只用一套风格、一套配色，同一个角色或元素在每个镜头里的样子都要一致。
每个镜头只讲一件事，画面上的字少而大，每段文字至少停留 2.5 秒。
动画用缓动或弹簧，不用匀速运动。转场从画面内容里长出来，比如一条线变成下一个场景的地平线，不用默认的淡入淡出。
镜头要跟着内容动，推近、拉远、跟随，让主体在画面里足够大。
禁止：【居中大字加渐变背景的默认风格、所有元素同时淡入、满屏小字、任何看起来像模板的东西，按你的情况补充】
</direction>

<structure>
先写分镜表，每个镜头写清楚：
镜头 [N]｜[开始–结束秒]
画面：构图、元素、文字
动作：进场、主要动作、出场
镜头：推、拉、跟随还是固定
声音：这一段的音乐和音效
转场：怎么过渡到下一个镜头
如果有音乐，先分析节拍，镜头切换和关键动作都落在拍子上。
</structure>

<build>
1. 画面用【Canvas 2D / HTML+CSS+SVG / WebGL 着色器 / Three.js / Remotion / HyperFrames】来做，不用外部图片和素材。
2. 页面暴露 window.render(t)，画出第 t 秒。所有画面只由 t 算出来，随机数带固定种子，不用计时器，帧和帧之间不保存状态。
3. 用 Playwright 逐帧调用 render(t) 并截图，再用 ffmpeg 合成 MP4。
4. 配乐和音效用 Python（numpy、scipy）从零合成，每个音效放在画面动作发生的那一帧上；有配音的话，整段合成，不要一句一句拼。
5. 每做完一个镜头，先渲 3 张静帧自己检查：文字有没有溢出、元素有没有重叠、画面够不够满，修好了再做下一个。
</build>

<gotchas>
- 字体加载完再开始截图，不然前几帧会用默认字体。
- 用了 WebGL 的话，先渲一帧确认着色器真的生效了，再渲整片。
- 你听不到声音，所以要把音频的波形画成图自己检查，确认没有爆音。
</gotchas>

<start>
先问我 inputs 里的问题，然后给我分镜表，等我确认。再渲 3 张关键帧让我看风格，确认后再渲整片。
</start>

---

五、 工程化进阶：Agent Skill 自动化与质量控制（QA）

在高频生产场景中，手动维护长提示词依然存在效率瓶颈。通过引入 Claude Code 的 Skill 机制、全局规范文件（CLAUDE.md）与多模态视觉自检闭环，可将工作流升级为全自动管线。

1. 部署开源自动化工作流：xilo-opus-video

社区已将上述完整的制作规范封装为开源 Agent Skill。在支持 Skill 的终端或客户端中，直接向 AI 发送以下指令即可完成部署：

帮我安装这个 Skill：[https://github.com/Kianzzz/xilo-opus-video](https://github.com/Kianzzz/xilo-opus-video)

该 Skill 激活后将自动接管以下标准作业程序（SOP）：

1. 多源需求解析：支持输入文本创意、文章链接、产品 URL 或参考视频。若提供参考视频，Agent 会自动抽帧分析其分镜与剪辑节奏；若提供背景音乐，则先行运行节拍检测算法。
2. 差异化提案生成：输出 3 套在视觉风格、底层代码技术栈、分镜设计与预估渲染耗时上显著区分的方案。
3. 关键帧/小样预览：为每个方案渲染静态关键帧（或数秒的动效小样），实现“所见即所得”的方案决策。
4. 分步实施与自检交付：方案确认后自动生成包含 7 大 XML 模块的 brief.md，逐镜头编码并抽帧自检，最终完成多维度打分迭代（全项达 8 分以上）后交付成片。

2. 提升出片质量的 3 个工程技巧

技巧一：拉满推理思考强度（Thinking Effort）

程序化动画涉及复杂的空间坐标计算、缓动函数推导与时间轴对齐。在生成效果不理想时，优先在配置中将模型的推理预算（Thinking Budget / Effort）调至最高档位。

技巧二：配置项目级持久化规范（CLAUDE.md）

在工作区根目录下创建 CLAUDE.md 文件。Claude Code 每次启动会话时会自动加载该文件作为全局系统上下文，无需在单次对话中重复强调基础规范：

# 视频制作规矩
## 渲染
- 每一条视频都只由时间决定：window.render(t) 画出第 t 秒。
- 不用 CSS 动画、不用计时器，帧和帧之间不保存状态，随机数带固定种子。

## 画面
- 禁用的默认风格：居中大字加渐变背景、所有元素一起淡入、角落里的标签和边框、界面上的发光。
- 一种标题字体、一种正文字体，除非我另外说明，只用一个强调色。
- 每 2–4 秒画面上要有新东西出现。

## 声音
- 没有给音乐的话，配乐和音效都用代码合成，放在节拍上，响度 -14 LUFS。

## 给我看之前
- 先出抽帧图，自己打分，把最严重的 3 个问题改掉，每一项都到 8 分以上再给我看。

技巧三：建立多模态抽帧自查闭环（Self-Correction Loop）

利用 Opus 5.5 强大的视觉理解能力，让其在完成初步渲染后，将视频拆解为网格静帧图并切换至“严苛的动效导演”视角进行自我审查。可直接复用以下自检 Prompt：

检查视频，先完成抽帧处理，然后站在严格的动效导演视角，专门挑毛病，别替自己说好话。
按下面几项各打 1–10 分：前 2 秒抓不抓人、缩到手机屏幕大小还看不看得清、动作是否自然（有没有匀速滑动、有没有卡住不动的空拍）、画面变化是否足够（每 2–4 秒要有新东西）、构图、声音和画面是否对得上。

列出最严重的 3 个问题，标上时间点。重点找这几类：切换时文字叠在一起、居中大字加渐变背景的默认画面、角落里多余的标签和边框、缩放以后变糊的字、循环接缝处的卡顿。

列出以后重新渲染有问题的部分，再出一张新的抽帧图和新的分数。

重复这个过程，直到每一项都在 8 分以上。

---

六、 延伸阅读与开源生态参考

Opus 5.5 并非视频生成模型，但其顶尖的代码架构能力与视觉审美先验，使其成为了极具潜力的“程序化动态设计引擎”。如需进一步探索底层源码与提示词范式，推荐参考以下开源仓库：

• **athemeroy/awesome-opus-5-5-videos**：收录了 1000+ 条由 Opus 5.5 生成的视频案例，并详细标注了每条作品对应的渲染技术栈与实现路径。
• **guanmo-ai/awesome-ai-motion**：中文 AI 动效案例精选集，附带原作者完整 Prompt 与原始出处链接。
• **JohnHeibel/ClaudeAnimationBase**：基于 p5.js 与 p5.brush 构建手绘卡通动画的标准化工程脚手架。
• **JohnHeibel/PDoomVideo**：一支完整音乐 MV 的全量工程源码，适合深入研究长视频的代码目录组织与状态管理模式。