Zainstaluj skill h3-prompt-writing od MiniMax H3 dla agentów

Skill do pisania promptów MiniMax H3 daje agentowi AI ustalony sposób zamiany twórczej prośby w prompt audiowizualny gotowy dla H3. Zamiast prosić agenta o improwizowanie formatu, instalujesz jeden skill, wskazujesz tryb generowania i dostajesz pola oraz etykiety referencji, których ten tryb oczekuje.

Ten poradnik dotyczy uruchomienia i obsługi skilla, a nie zbierania wszystkich możliwych technik promptowania H3. Idzie za plikami z oficjalnego repozytorium MiniMax-H3 (Otwiera się w nowej karcie), w tym za skillem h3-prompt-writing (Otwiera się w nowej karcie), jego przewodnikiem po trybie base i przewodnikiem po pełnej referencji. Po szersze rady o rolach referencji, zasadach zachowywania i promptach produkcyjnych trzymaj otwarty osobno istniejący przewodnik po promptach MiniMax H3.

Zainstaluj skill h3-prompt-writing od MiniMax H3#

Uruchom komendę instalacji pojedynczego skilla opublikowane w repozytorium MiniMax z poziomu projektu, w którym korzystasz ze swojego agenta programistycznego albo twórczego:

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

Ta komenda instaluje wyłącznie h3-prompt-writing. Repozytorium pakuje obecnie ten skill do pisania promptów razem z ośmioma skillami do generowania wideo w konkretnych stylach, więc wybranie skilla po nazwie utrzymuje tę konfigurację w ryzach.

Zainstalowany skill ma dwa przewodniki referencyjne:

• references/base-en.txt obejmuje T2VA, I2VA, FL2VA i L2VA.
• references/ref-en.txt obejmuje pełnoreferencyjny Ref2VA.

Ten podział znaczy więcej niż temat klipu. Agent powinien wybrać przewodnik na podstawie relacji między wejściami w prośbie, a potem zachować z tego przewodnika nazwy pól, kolejność sekcji, etykiety i zapis czasu.

Wybierz tryb zadania H3, zanim poprosisz o przepisanie#

Podawaj agentowi tryb wprost, ilekroć go znasz. Jeśli nie znasz, opisz, które klatki brzegowe i materiały referencyjne masz, żeby mógł sklasyfikować prośbę.

T2VA, I2VA, FL2VA i L2VA to tryby base skilla. Dzielą jedno trzypolowe ciało. I2VA, FL2VA i L2VA dokładają nad tym ciałem dokładną instrukcję dopasowania; T2VA zaczyna od razu pierwszym polem.

Ref2VA to nie ten sam szablon z większą liczbą załączników. Ma osobny, sześciosekcyjny kontrakt na definiowanie referencji, klasyfikowanie ich roli, analizę zachowania i opis tego, kiedy każda referencja wchodzi w grę.

Nie wybieraj Ref2VA tylko dlatego, że prośba jest szczegółowa. Wybierz go wtedy, gdy treść referencyjna musi zostać zdefiniowana i śledzona w całym wyniku.

Poznaj dokładną strukturę wyjścia trybu base#

W każdym trybie base ciało używa tych trzech nazw pól w tej kolejności:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

integrated_multimodal_description niesie styl wizualny, kompozycję, tematy, otoczenie, działania, kamerę, dialog, śpiew i zsynchronizowany dźwięk diegetyczny wzdłuż osi czasu. overall_soundscape podsumowuje tło akustyczne, dźwięki akcji i pozawerbalne dźwięki ludzkie w całym klipie. non_diegetic_music opisuje muzykę słyszaną przez widownię, ale nie przez postacie; przy jej braku wpisuje się N/A.

Linia dopasowania zmienia się wraz z trybem klatek kluczowych. Oficjalny przewodnik podaje te formy:

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.

W gotowym przepisaniu N staje się faktycznym numerem ostatniego ujęcia, a S.SS — efektywnym czasem trwania z dokładnie dwoma miejscami po przecinku. Linia idzie pierwsza, po niej jedna pusta linia i trzypolowe ciało. T2VA nie ma linii dopasowania.

Rozkład czasu ujęć ma własną konwencję: [Shot 1] nie ma znacznika czasu, a późniejsze ujęcia zaczynają się ściśle rosnącym czasem cięcia, na przykład [Shot 2] At 00:03.500, .... Wyjście w trybie base jest gotowe dopiero wtedy, gdy wybrany tryb, linia dopasowania, ostatnie ujęcie i czas trwania zgadzają się ze sobą.

Poznaj dokładną strukturę wyjścia Ref2VA#

Tryb pełnej referencji musi zwrócić sześć sekcji w tej kolejności:

subject_definitions:
...

summary:
[reference generation] ...

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

detailed_description:
...

overall_soundscape:
...

non_diegetic_music:
...

Każda etykieta ma osobne zadanie:

• <Subject N> nazywa wielokrotnie używaną treść widoczną: osobę, obiekt, scenę, styl, czynność, interfejs albo efekt.
• <Picture N> nazywa obraz użyty jako konkretna klatka docelowa, klatka kluczowa, kotwica kompozycji albo referencja storyboardu.
• <Video N> nazywa wideo źródłowe użyte do montażu, kontynuacji albo struktury czasowej całego materiału.
• <Audio N> nazywa samodzielny sygnał dźwiękowy albo włączoną, zsynchronizowaną ścieżkę audio, która jest kopiowana lub przywoływana.

Te kategorie numeruje się niezależnie. Temat wizualny wyciągnięty z wideo referencyjnego nadal używa <Subject N>; <Video N> reprezentuje sam plik albo relację do całego materiału. Podobnie plik wideo zawierający dźwięk nie tworzy automatycznie wpisu <Audio N>.

summary zaczyna się od jednego albo kilku oficjalnych typów zadania w nawiasach kwadratowych: keyframe completion, reference generation, video editing, video continuation, audio reuse albo audio reference. Kilka pasujących typów łączy się znakiem +.

retention_analysis nadaje potem każdej etykiecie jawną relację. Treść widoczna używa fully_preserved, partially_preserved, attribute_transfer albo weak_reference. Dźwięk używa fully_copy, partially_copy, reference albo weak_reference. Znacznik ma opisywać zamierzoną relację, a nie służyć za ogólną ocenę jakości.

Na koniec Ref2VA zastępuje bazowe pole integrated_multimodal_description polem detailed_description. Przy zadaniach generowania przewodnik MiniMax wymaga tu zwykle 350–500 angielskich słów, z detalem wystarczającym, żeby ustalić kompozycję każdego ujęcia, tematy, otoczenie, światło, działania, zmiany stanu, ruch kamery, dźwięk i użycie referencji. Prace gęste od dialogu przedkładają zmieszczenie pełnej osi wypowiedzi nad mechaniczne dobicie do tego zakresu.

Poproś agenta o prompt w trybie base#

Po instalacji wywołaj skill po nazwie i podaj zwięzły brief produkcyjny. Dołączona do skilla konfiguracja agenta używa w domyślnej prośbie $h3-prompt-writing.

Oto gotowa do wklejenia prośba FL2VA:

Przydatne są w niej: jawny tryb, dokładny czas trwania, jasna rola każdego obrazu, wykonalna ścieżka przejścia, decyzje dźwiękowe i ograniczenie wyjścia. Agent powinien zwrócić najpierw linię dopasowania FL2VA, użyć trzech wspólnych pól i posadzić Picture 2 na 8.00 sekundzie.

Przy I2VA zastąp drugi obraz opisem działań rozwijających się z pierwszej klatki. Przy L2VA opisz zamierzone zdarzenie poprzedzające podaną klatkę końcową. Przy T2VA usuń odniesienia do obrazów i daj agentowi dość informacji, żeby zbudował kompozycję otwierającą i sekwencję audiowizualną z samego tekstu.

Poproś agenta o prompt z pełną referencją#

Prośby Ref2VA działają lepiej, gdy każdy materiał ma podaną rolę. Oto gotowa do wklejenia prośba do agenta, która rozdziela tożsamość, ruch i wskazówki dźwiękowe:

Prośba nie próbuje napisać subject_definitions za agenta. Daje dość informacji o pochodzeniu i zamiarze ponownego użycia, żeby skill zbudował te definicje sam, sklasyfikował podsumowanie jako reference generation plus audio reference i wyjaśnił oczekiwane zachowanie albo przeniesienie dla każdej etykiety. Jeśli materiał ma wpływać tylko na jedną właściwość, powiedz to wprost: klip ruchu może prowadzić ruch dłoni, nie sterując przy okazji wykonawcą, kostiumem, scenografią, produktem, kamerą ani dźwiękiem.

Pracuj z agentem w dwóch przebiegach#

Traktuj wynik skilla jak ustrukturyzowany szkic z deterministycznym przebiegiem kontrolnym.

1. Spisz manifest źródeł. Wypisz każdą instrukcję tekstową, klatkę, obraz, wideo i plik audio. Podaj, czym każdy materiał ma sterować, a czym nie.
2. Zablokuj tryb zadania. Wybierz T2VA, I2VA, FL2VA, L2VA albo Ref2VA przed przepisaniem.
3. Daj agentowi ograniczenia dostawy. Podaj czas trwania, liczbę ujęć, czas klatek brzegowych, dialog, widoczny tekst i to, czy muzyka istnieje.
4. Proś wyłącznie o oficjalną strukturę. Dzięki temu łatwo wychwycisz brakujące pola, przestawione sekcje i komentarz spoza promptu.
5. Sprawdzaj, nie zmieniając briefu. Najpierw skontroluj strukturę, referencje, rozkład czasu, wypowiadany tekst i umiejscowienie dźwięku.
6. Poprawiaj po jednej warstwie. Poproś agenta o skorygowanie konkretnej niezgodności przy zachowaniu zaakceptowanych sekcji.

Do drugiego przebiegu użyj celowanej instrukcji:

Ten prompt kontrolny ogranicza ryzyko, że poprawka formatu po cichu zamieni się w przepisanie twórcze.

Sprawdź wynik przed generowaniem#

Użyj tej listy kontrolnej po każdym przepisaniu przez agenta:

• Tryb: Wynik używa przewodnika właściwego dla faktycznej relacji między wejściami.
• Struktura base: T2VA zaczyna się od integrated_multimodal_description; I2VA, FL2VA i L2VA umieszczają nad nim właściwą instrukcję dopasowania.
• Struktura Ref2VA: Wszystkie sześć pól pojawia się raz i w wymaganej kolejności; zamiast integrated_multimodal_description użyto detailed_description.
• Etykiety: Każde <Subject N>, <Picture N>, <Video N> i <Audio N> zachowuje jedno znaczenie we wszystkich sekcjach. Później nie pojawia się żadna niezdefiniowana etykieta.
• Role referencji: Tematy, konkretne klatki, relacje do całego wideo i sygnały dźwiękowe używają właściwego typu etykiety.
• Zachowanie: Każda śledzona referencja ma dozwolony znacznik relacji zgodny z prośbą.
• Ujęcia: [Shot 1] nie ma znacznika czasu. Późniejsze czasy cięć ściśle rosną i mieszczą się w zamówionym czasie trwania.
• Klatki brzegowe: I2VA zaczyna od pierwszej klatki, FL2VA dochodzi do ostatniej, a L2VA zbiega do podanej klatki końcowej.
• Mowa i tekst: Dialog, tekst piosenki i widoczny tekst w scenie zachowują oryginalny język i brzmienie. Proza przepisania pozostaje po angielsku.
• Dźwięk: Dialog i zsynchronizowane zdarzenia diegetyczne zostają w opisie głównym; tło akustyczne całego klipu należy do overall_soundscape; muzyka słyszana tylko przez widownię należy do non_diegetic_music.
• Wykonalność: Opisane działania mieszczą się w czasie trwania, a moment końcowy jest domknięty, a nie przypadkowo ucięty.
• Higiena wyjścia: Agent nie dołożył streszczenia fabuły, nieistniejącego materiału, sprzecznej roli ani komentarza spoza zamówionego promptu.

Przejdź od szkicu agenta do OmniArt#

Skill jest najbardziej przydatny jako warstwa przygotowawcza: zamienia manifest materiałów i brief twórczy w prompt, który możesz obejrzeć przed generowaniem. Trzymaj zaakceptowany wynik razem z plikami źródłowymi, bo jego etykiety pozostają użyteczne tylko wtedy, gdy kolejność i znaczenie materiałów są stabilne.

Potem zabierz sprawdzony prompt i pasujące materiały do przestrzeni tworzenia wideo w OmniArt. Jeśli chcesz poprawić sam brief twórczy, a nie strukturę pól H3, wróć do przewodnika po promptach MiniMax H3. Czysty podział jest prosty: przewodnika używasz, żeby zdecydować, czego chcesz, h3-prompt-writing — żeby wyrazić to w wybranym kontrakcie H3, a listy kontrolnej — żeby zatrzymać błędy strukturalne, zanim trafią do generowania.