MiniMax-H3-Skill zum Prompt-Schreiben installieren

Der MiniMax-H3-Skill zum Prompt-Schreiben gibt einem KI-Agenten einen festen Weg, eine kreative Anfrage in einen H3-tauglichen audiovisuellen Prompt zu verwandeln. Statt den Agenten ein Format improvisieren zu lassen, installierst du einen Skill, bestimmst den Generierungsmodus und erhältst die dafür vorgesehenen Felder und Referenzlabels.

Dieses Tutorial erklärt Einrichtung und Einsatz des Skills, nicht jede denkbare H3-Prompt-Technik. Grundlage sind die Dateien im offiziellen MiniMax-H3-Repository, darunter der h3-prompt-writing-Skill, sein Leitfaden für Base-Modi und der Leitfaden für vollständige Referenzen. Ausführlichere Hinweise zu Referenzrollen, Erhaltungsregeln und Produktions-Prompts stehen separat im MiniMax-H3-Prompt-Leitfaden.

Den MiniMax-H3-Skill zum Prompt-Schreiben installieren

Führe im Projekt deines KI-Coding- oder Kreativagenten den von MiniMax veröffentlichten Befehl für einen einzelnen Skill aus:

npx skills add https://github.com/MiniMax-AI/MiniMax-H3 --skill h3-prompt-writing

Der Befehl installiert nur h3-prompt-writing. Das Repository enthält daneben acht Video-Skills für bestimmte Stile. Die Auswahl per Name hält diese Einrichtung auf das Prompt-Schreiben beschränkt.

Der installierte Skill bringt zwei Referenzleitfäden mit:

• references/base-en.txt behandelt T2VA, I2VA, FL2VA und L2VA.
• references/ref-en.txt behandelt Ref2VA mit vollständigen Referenzen.

Diese Trennung ist wichtiger als das Thema des Clips. Der Agent wählt den Leitfaden anhand der Beziehung der Eingaben und bewahrt dessen Feldnamen, Abschnittsreihenfolge, Labels und Zeitnotation.

Vor dem Umschreiben den H3-Aufgabenmodus wählen

Nenne dem Agenten den Modus ausdrücklich, wenn du ihn kennst. Andernfalls beschreibst du die vorhandenen Randframes und Referenzmaterialien, damit er die Anfrage einordnen kann.

T2VA, I2VA, FL2VA und L2VA sind die Base-Modi des Skills. Sie teilen einen Hauptteil aus drei Feldern. I2VA, FL2VA und L2VA ergänzen darüber eine genaue Ausrichtungsanweisung; T2VA beginnt direkt mit dem ersten Feld.

Ref2VA ist nicht dieselbe Vorlage mit mehr Anhängen. Es besitzt einen eigenen Vertrag aus sechs Abschnitten, der Referenzen definiert, ihre Rollen und Erhaltung einordnet und ihren Einsatzzeitpunkt beschreibt.

Wähle Ref2VA nicht nur, weil eine Anfrage ausführlich ist. Nutze es, wenn referenzierte Inhalte in der Ausgabe definiert und durchgängig verfolgt werden müssen.

Die genaue Ausgabestruktur der Base-Modi verstehen

Der Hauptteil jedes Base-Modus verwendet diese drei Feldnamen in dieser Reihenfolge:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

integrated_multimodal_description führt visuellen Stil, Komposition, Motive, Umgebung, Handlungen, Kamera, Dialog, Gesang und synchronen diegetischen Ton entlang der Zeitleiste. overall_soundscape fasst Atmosphäre, physische Geräusche und nonverbale menschliche Laute des gesamten Clips zusammen. non_diegetic_music beschreibt Musik, die nur das Publikum hört; ohne solche Musik steht dort N/A.

Die Ausrichtungszeile ändert sich mit dem Keyframe-Modus. Der offizielle Leitfaden schreibt diese Formen vor:

I2VA
For the target video, at 0.00 seconds into the target video, <Picture 1> (from [Shot 1]) is fully referenced.

FL2VA
How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot N) aligns with the S.SS-second mark of the target video.

L2VA
How the reference pictures align with the target video — <Picture 1> (from [Shot N]) aligns with the S.SS-second mark of the target video.

In der fertigen Fassung wird N zur tatsächlichen Nummer des letzten Shots und S.SS zur effektiven Videodauer mit genau zwei Dezimalstellen. Die Zeile steht zuerst, danach folgen eine Leerzeile und der Hauptteil mit drei Feldern. T2VA hat keine Ausrichtungszeile.

Auch Shot-Zeiten folgen einer Konvention: [Shot 1] hat keinen Zeitstempel. Spätere Shots beginnen mit einer innerhalb der Dauer streng steigenden Schnittzeit, etwa [Shot 2] At 00:03.500, .... Modus, Ausrichtung, letzter Shot und Dauer müssen übereinstimmen.

Die genaue Ref2VA-Ausgabestruktur verstehen

Der Modus mit vollständigen Referenzen muss sechs Abschnitte in dieser Reihenfolge ausgeben:

subject_definitions:
...

summary:
[reference generation] ...

retention_analysis:
<Subject 1> (appears in [Shot 1]): fully_preserved - ...

detailed_description:
...

overall_soundscape:
...

non_diegetic_music:
...

Jedes Label hat eine eigene Aufgabe:

• <Subject N> bezeichnet wiederverwendbare sichtbare Inhalte wie Personen, Objekte, Szenen, Stile, Handlungen, Oberflächen oder Effekte.
• <Picture N> bezeichnet ein Bild als konkretes Zielframe, Keyframe, Kompositionsanker oder Storyboard-Referenz.
• <Video N> bezeichnet ein Quellvideo für Bearbeitung, Fortsetzung oder die zeitliche Gesamtstruktur.
• <Audio N> bezeichnet ein eigenständiges Audiosignal oder eine aktivierte synchrone Spur, die kopiert oder referenziert wird.

Die Kategorien werden unabhängig nummeriert. Ein sichtbares Motiv aus einem Referenzvideo nutzt weiterhin <Subject N>; <Video N> steht für die Datei oder ihre Beziehung zum Gesamtvideo. Enthält ein Video Ton, entsteht dadurch nicht automatisch ein <Audio N>-Eintrag.

summary beginnt mit einem oder mehreren offiziellen Aufgabentypen in eckigen Klammern: keyframe completion, reference generation, video editing, video continuation, audio reuse oder audio reference. Mehrere passende Typen werden mit + verbunden.

retention_analysis weist jedem Label eine genaue Beziehung zu. Sichtbare Inhalte verwenden fully_preserved, partially_preserved, attribute_transfer oder weak_reference; Audio verwendet fully_copy, partially_copy, reference oder weak_reference. Der Marker beschreibt die gewünschte Beziehung und ist keine allgemeine Qualitätsnote.

Ref2VA ersetzt schließlich integrated_multimodal_description durch detailed_description. Für Generierungsaufgaben verlangt MiniMax normalerweise 350–500 englische Wörter mit Details zu Komposition, Motiven, Umgebung, Licht, Handlungen, Zustandswechseln, Kamera, Ton und Referenzen jedes Shots. Bei vielen Dialogen hat die vollständige Sprechzeitleiste Vorrang vor einer mechanischen Wortzahl.

Einen Base-Modus-Prompt vom Agenten anfordern

Rufe den Skill nach der Installation beim Namen auf und übergib ein kompaktes Produktionsbriefing. Die mitgelieferte Agentenkonfiguration nutzt $h3-prompt-writing in ihrer Standardanfrage.

Diese FL2VA-Anfrage kannst du direkt einfügen:

Use $h3-prompt-writing to rewrite this request as a MiniMax H3 FL2VA prompt.

Duration: 8.00 seconds.
Picture 1: the supplied first frame, a closed field notebook on a rain-darkened café table.
Picture 2: the supplied last frame, the same notebook open to a pressed violet flower.
Action: one hand enters, opens the notebook, and stops on the flower page.
Camera: one continuous shot with a slow, small push in.
Sound: quiet café room tone, rain against glass, paper and cover movement.
Dialogue: none.
Non-diegetic music: none.

Preserve the table position, notebook identity, hand continuity, lighting direction, and final composition. Return only the final rewrite in the official base-mode structure.

Wichtig sind der genaue Modus, die exakte Dauer, eine klare Rolle je Bild, ein machbarer Übergang, Tonentscheidungen und die Ausgabebeschränkung. Der Agent soll zuerst die FL2VA-Ausrichtungszeile liefern, die drei Felder nutzen und Picture 2 bei 8.00 Sekunden erreichen.

Für I2VA ersetzt du das zweite Bild durch Handlungen, die sich vom ersten Frame aus entwickeln. Für L2VA beschreibst du das Ereignis vor dem gelieferten Schlussframe. Für T2VA entfernst du Bildreferenzen und gibst genug Informationen für Anfangskomposition und audiovisuelle Sequenz.

Einen Prompt mit vollständigen Referenzen anfordern

Ref2VA-Anfragen funktionieren besser, wenn jedes Material eine benannte Rolle hat. Diese kopierbare Anfrage trennt Identität, Bewegung und Audioführung:

Use $h3-prompt-writing to rewrite this request as a MiniMax H3 full-reference Ref2VA prompt.

Target: a 10-second, three-shot product demonstration.
Picture 1: preserve the reusable bottle identity, silhouette, cap, label placement, and material finish.
Video 1: reference only the demonstrator's hand action and the three-shot cut rhythm; do not reuse its product, set, or wardrobe.
Audio 1: reference the percussion tempo for edit timing without copying the source signal.

Shot flow:
1. Establish the bottle centered on a stone counter.
2. A hand presses the pump once and the lotion lands on the back of the other hand.
3. End on the bottle and a small lotion smear beside it.

No dialogue or visible text beyond the preserved label. Use new room ambience and restrained audience-only percussion. Return only the six official Ref2VA sections in their required order, with consistent labels and explicit retention markers.

Die Anfrage schreibt subject_definitions nicht für den Agenten vor. Sie liefert genug Herkunft und Wiederverwendungsabsicht, damit der Skill Definitionen erstellt, die Zusammenfassung als Referenzgenerierung plus Audioreferenz einordnet und Erhaltung oder Übertragung jedes Labels erklärt. Soll ein Material nur eine Eigenschaft beeinflussen, sag das ausdrücklich: Ein Bewegungsvideo kann die Hand führen, ohne Person, Kleidung, Set, Produkt, Kamera oder Audio zu steuern.

Einen zweistufigen Agenten-Workflow verwenden

Behandle die Skill-Ausgabe als strukturierten Entwurf mit anschließender deterministischer Prüfung.

1. Quelleninventar schreiben. Liste Anweisungen, Frames, Bilder, Videos und Audio auf und benenne, was jedes Material steuern soll und was nicht.
2. Aufgabenmodus festlegen. Wähle vor dem Umschreiben T2VA, I2VA, FL2VA, L2VA oder Ref2VA.
3. Lieferbedingungen nennen. Füge Dauer, Shot-Anzahl, Randframe-Zeiten, Dialog, sichtbaren Text und Musik hinzu.
4. Nur die offizielle Struktur anfordern. Fehlende Felder, falsche Reihenfolgen und Zusatzkommentare werden so sichtbar.
5. Ohne Briefingänderung prüfen. Kontrolliere zuerst Struktur, Referenzen, Zeiten, Sprechtext und Audiozuordnung.
6. Jeweils eine Ebene ändern. Lass eine konkrete Abweichung korrigieren und akzeptierte Abschnitte unverändert.

Nutze für den zweiten Durchlauf diese Anweisung:

Review the rewrite against the h3-prompt-writing guide. Keep the creative brief unchanged. Correct only field order, unresolved reference labels, shot timestamps, duration alignment, dialogue preservation, and diegetic versus non-diegetic audio placement. Return the corrected prompt only.

Dieser Prüf-Prompt verhindert eher, dass eine Formatkorrektur unbemerkt zur kreativen Umarbeitung wird.

Die Ausgabe vor der Generierung prüfen

Nutze nach jeder Überarbeitung diese Checkliste:

• Modus: Die Ausgabe nutzt den Leitfaden für die tatsächliche Eingabebeziehung.
• Base-Struktur: T2VA beginnt mit integrated_multimodal_description; I2VA, FL2VA und L2VA setzen die richtige Ausrichtungsanweisung darüber.
• Ref2VA-Struktur: Alle sechs Felder erscheinen einmal in richtiger Reihenfolge; detailed_description ersetzt integrated_multimodal_description.
• Labels: Jedes <Subject N>, <Picture N>, <Video N> und <Audio N> behält überall dieselbe Bedeutung; später erscheint kein undefiniertes Label.
• Referenzrollen: Motive, konkrete Frames, Gesamtvideobeziehungen und Audiosignale nutzen den richtigen Typ.
• Erhaltung: Jede verfolgte Referenz hat einen erlaubten, zur Anfrage passenden Marker.
• Shots: [Shot 1] hat keinen Zeitstempel; spätere Schnittzeiten steigen und bleiben innerhalb der Dauer.
• Randframes: I2VA startet beim ersten Frame, FL2VA erreicht den letzten und L2VA konvergiert zum gelieferten Schlussframe.
• Sprache und Text: Dialog, Liedtext und sichtbarer Text behalten Originalsprache und Wortlaut; die Überarbeitung bleibt englisch.
• Audio: Dialog und synchroner diegetischer Ton bleiben in der Beschreibung, Gesamtambiente steht in overall_soundscape, reine Publikumsmusik in non_diegetic_music.
• Machbarkeit: Die Handlungen passen in die Dauer und das Ende löst sich, statt unbeabsichtigt abzubrechen.
• Sauberkeit: Der Agent fügt keine Handlungszusammenfassung, nicht unterstützte Materialien, widersprüchliche Rollen oder Zusatzkommentare hinzu.

Vom Agentenentwurf zu OmniArt wechseln

Der Skill eignet sich am besten als Vorbereitung: Er verwandelt Inventar und Briefing in einen vor der Generierung prüfbaren Prompt. Bewahre die akzeptierte Ausgabe zusammen mit den Quelldateien auf, denn die Labels bleiben nur bei stabiler Reihenfolge und Bedeutung nützlich.

Übernimm danach Prompt und Materialien in das OmniArt-Studio zur Videoerstellung. Möchtest du statt der H3-Feldstruktur das kreative Briefing verbessern, geh zurück zum MiniMax-H3-Prompt-Leitfaden. Der Leitfaden klärt das Ziel, h3-prompt-writing drückt es im gewählten H3-Vertrag aus und die Checkliste stoppt Strukturfehler vor der Generierung.