Come installare la skill per prompt di MiniMax H3

La skill di scrittura dei prompt di MiniMax H3 offre a un agente IA un metodo definito per trasformare una richiesta creativa in un prompt audiovisivo pronto per H3. Invece di lasciare che l’agente improvvisi un formato, installi una skill, identifichi la modalità di generazione e ricevi i campi e le etichette di riferimento previsti da quella modalità.

Questo tutorial spiega come configurare e usare la skill, senza raccogliere ogni possibile tecnica di prompting H3. Segue i file del repository ufficiale MiniMax-H3, compresi la skill h3-prompt-writing, la guida alle modalità base e quella ai riferimenti completi. Per indicazioni più ampie su ruoli dei riferimenti, regole di conservazione e prompt di produzione, apri separatamente la guida ai prompt di MiniMax H3.

Installare la skill di scrittura dei prompt di MiniMax H3

Nel progetto in cui usi il tuo agente IA per il coding o la creazione, esegui il comando di installazione della singola skill pubblicato nel repository MiniMax:

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

Il comando installa solo h3-prompt-writing. Il repository include anche otto skill di generazione video dedicate a stili specifici; selezionarla per nome mantiene la configurazione concentrata sulla scrittura dei prompt.

La skill installata contiene due guide di riferimento:

• references/base-en.txt copre T2VA, I2VA, FL2VA e L2VA.
• references/ref-en.txt copre Ref2VA con riferimenti completi.

Questa distinzione conta più del tema del clip. L’agente deve scegliere la guida in base al rapporto tra gli input della richiesta, quindi conservarne nomi dei campi, ordine delle sezioni, etichette e notazione temporale.

Scegliere la modalità H3 prima della riscrittura

Indica esplicitamente la modalità all’agente quando la conosci. Altrimenti descrivi i fotogrammi di confine e i materiali di riferimento disponibili, così potrà classificare la richiesta.

T2VA, I2VA, FL2VA e L2VA sono le modalità base della skill. Condividono un corpo di tre campi. I2VA, FL2VA e L2VA aggiungono sopra un’istruzione di allineamento esatta; T2VA parte direttamente dal primo campo.

Ref2VA non è lo stesso template con più allegati. Ha un contratto distinto in sei sezioni per definire i riferimenti, classificarne i ruoli, analizzarne la conservazione e descrivere quando ciascuno interviene.

Non scegliere Ref2VA solo perché una richiesta è dettagliata. Usalo quando il contenuto di riferimento deve essere definito e seguito nell’intero output.

Conoscere la struttura esatta delle modalità base

Per ogni modalità base, il corpo usa questi tre nomi di campo in quest’ordine:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

integrated_multimodal_description contiene stile visivo, composizione, soggetti, ambiente, azioni, camera, dialoghi, canto e audio diegetico sincronizzato lungo la timeline. overall_soundscape riassume ambiente, suoni fisici e suoni umani non verbali dell’intero clip. non_diegetic_music descrive la musica sentita dal pubblico ma non dai personaggi; usa N/A se non c’è.

La riga di allineamento cambia con la modalità keyframe. La guida ufficiale prescrive queste forme:

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.

Nella riscrittura finale, N diventa il numero reale dell’ultima inquadratura e S.SS la durata effettiva con esattamente due decimali. La riga viene prima, seguita da una riga vuota e dal corpo di tre campi. T2VA non ha una riga di allineamento.

Anche i tempi seguono una convenzione: [Shot 1] non ha timestamp, mentre le inquadrature successive iniziano con un tempo di taglio strettamente crescente e interno alla durata, come [Shot 2] At 00:03.500, .... Modalità, allineamento, ultima inquadratura e durata devono concordare.

Conoscere la struttura esatta di Ref2VA

La modalità a riferimenti completi deve restituire sei sezioni in questo ordine:

subject_definitions:
...

summary:
[reference generation] ...

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

detailed_description:
...

overall_soundscape:
...

non_diegetic_music:
...

Ogni etichetta ha una funzione diversa:

• <Subject N> identifica contenuti visibili riutilizzabili, come persone, oggetti, scene, stili, azioni, interfacce o effetti.
• <Picture N> identifica un’immagine usata come fotogramma obiettivo, keyframe, riferimento di composizione o storyboard.
• <Video N> identifica un video sorgente usato per montaggio, continuazione o struttura temporale complessiva.
• <Audio N> identifica un segnale audio autonomo o una traccia sincronizzata abilitata da copiare o usare come riferimento.

Le categorie sono numerate separatamente. Un soggetto visivo estratto da un video di riferimento usa comunque <Subject N>; <Video N> rappresenta il file o il rapporto con l’intero video. La presenza di audio in un video non crea automaticamente una voce <Audio N>.

summary inizia con uno o più tipi di attività ufficiali tra parentesi quadre: keyframe completion, reference generation, video editing, video continuation, audio reuse o audio reference. Più tipi applicabili vengono uniti con +.

retention_analysis assegna una relazione esplicita a ogni etichetta. I contenuti visivi usano fully_preserved, partially_preserved, attribute_transfer o weak_reference; l’audio usa fully_copy, partially_copy, reference o weak_reference. Il marcatore descrive il rapporto previsto, non un punteggio generico di qualità.

Infine Ref2VA sostituisce integrated_multimodal_description con detailed_description. Per le attività di generazione, la guida MiniMax richiede normalmente 350–500 parole inglesi con dettagli su composizione, soggetti, ambiente, luce, azioni, cambi di stato, camera, suono e riferimenti di ogni inquadratura. Nei contenuti ricchi di dialoghi conta inserire l’intera timeline parlata, non raggiungere meccanicamente il numero di parole.

Chiedere all’agente un prompt in modalità base

Dopo l’installazione, chiama la skill per nome e fornisci un brief di produzione compatto. La configurazione dell’agente inclusa usa $h3-prompt-writing nella richiesta predefinita.

Puoi copiare questa richiesta FL2VA:

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.

Gli elementi utili sono modalità esplicita, durata esatta, ruolo chiaro di ogni immagine, transizione fattibile, decisioni sul suono e limite dell’output. L’agente deve restituire prima la riga FL2VA, usare i tre campi e arrivare a Picture 2 a 8.00 secondi.

Per I2VA, sostituisci la seconda immagine con le azioni che si sviluppano dal primo fotogramma. Per L2VA, descrivi l’evento precedente al fotogramma finale fornito. Per T2VA, rimuovi i riferimenti visivi e dai informazioni sufficienti per costruire composizione iniziale e sequenza audiovisiva.

Chiedere all’agente un prompt a riferimenti completi

Le richieste Ref2VA funzionano meglio quando ogni materiale ha un ruolo dichiarato. Questa richiesta separa identità, movimento e guida audio:

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.

La richiesta non prova a scrivere subject_definitions al posto dell’agente. Fornisce provenienza e intenzione di riutilizzo sufficienti perché la skill crei le definizioni, classifichi il riepilogo come generazione da riferimento più riferimento audio e spieghi conservazione o trasferimento di ogni etichetta. Se un materiale deve influire su una sola proprietà, dillo: un video di movimento può guidare la mano senza controllare interprete, abbigliamento, set, prodotto, camera o audio.

Usare una procedura dell’agente in due passaggi

Considera l’output della skill come una bozza strutturata seguita da un controllo deterministico.

1. Scrivi l’inventario delle fonti. Elenca istruzioni, fotogrammi, immagini, video e audio e indica cosa ogni materiale deve o non deve controllare.
2. Blocca la modalità. Scegli T2VA, I2VA, FL2VA, L2VA o Ref2VA prima della riscrittura.
3. Fornisci i vincoli di consegna. Includi durata, numero di inquadrature, tempi dei fotogrammi di confine, dialoghi, testo visibile e musica.
4. Richiedi solo la struttura ufficiale. Così campi mancanti, sezioni fuori ordine e commenti extra sono facili da rilevare.
5. Controlla senza cambiare il brief. Verifica prima struttura, riferimenti, tempi, testo parlato e collocazione audio.
6. Rivedi uno strato alla volta. Chiedi di correggere una differenza specifica mantenendo le sezioni approvate.

Per il secondo passaggio usa questa istruzione:

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.

Questo prompt di controllo riduce il rischio che una correzione del formato diventi silenziosamente una riscrittura creativa.

Controllare l’output prima della generazione

Usa questo elenco dopo ogni riscrittura dell’agente:

• Modalità: l’output usa la guida corrispondente al rapporto reale tra gli input.
• Struttura base: T2VA inizia con integrated_multimodal_description; I2VA, FL2VA e L2VA collocano sopra l’istruzione corretta.
• Struttura Ref2VA: i sei campi appaiono una volta e nell’ordine richiesto; viene usato detailed_description, non integrated_multimodal_description.
• Etichette: ogni <Subject N>, <Picture N>, <Video N> e <Audio N> mantiene un significato e non compare poi alcuna etichetta non definita.
• Ruoli: soggetti, fotogrammi concreti, rapporti con l’intero video e segnali audio usano il tipo corretto.
• Conservazione: ogni riferimento seguito ha un marcatore consentito e coerente con la richiesta.
• Inquadrature: [Shot 1] non ha timestamp; i tagli successivi aumentano e restano entro la durata.
• Fotogrammi di confine: I2VA parte dal primo, FL2VA raggiunge l’ultimo e L2VA converge nel fotogramma finale fornito.
• Parlato e testo: dialoghi, testi cantati e testo visibile conservano lingua e parole originali; la descrizione riscritta resta in inglese.
• Audio: parlato e suoni diegetici sincronizzati restano nella descrizione; l’ambiente generale va in overall_soundscape; la musica solo per il pubblico in non_diegetic_music.
• Fattibilità: le azioni rientrano nella durata e il momento finale si conclude senza tagli involontari.
• Pulizia: l’agente non aggiunge riassunto narrativo, materiale non supportato, ruoli contrastanti o commenti extra.

Passare dalla bozza dell’agente a OmniArt

La skill è più utile come livello di preparazione: trasforma inventario e brief in un prompt controllabile prima della generazione. Conserva l’output approvato insieme ai file sorgente, perché le etichette restano utili solo se ordine e significato dei materiali rimangono stabili.

Porta poi il prompt verificato e i materiali corrispondenti nello studio di creazione video di OmniArt. Se devi migliorare il brief anziché la struttura H3, torna alla guida ai prompt MiniMax H3. Usa la guida per decidere cosa vuoi, h3-prompt-writing per esprimerlo nel contratto H3 scelto e l’elenco per fermare gli errori strutturali prima della generazione.