Cách cài skill viết prompt MiniMax H3 cho agent

Skill viết prompt MiniMax H3 cung cấp cho agent AI một cách thức rõ ràng để chuyển yêu cầu sáng tạo thành prompt nghe nhìn sẵn sàng cho H3. Thay vì để agent tự nghĩ định dạng, bạn cài một skill, xác định chế độ tạo rồi nhận các trường và nhãn tham chiếu mà chế độ đó yêu cầu.

Hướng dẫn này tập trung vào việc thiết lập và sử dụng skill, không tổng hợp mọi kỹ thuật viết prompt H3. Nội dung bám theo các tệp trong kho MiniMax-H3 chính thức, gồm skill h3-prompt-writing, hướng dẫn chế độ cơ bản và hướng dẫn tham chiếu đầy đủ. Để tìm hiểu rộng hơn về vai trò tham chiếu, quy tắc duy trì và prompt sản xuất, hãy mở riêng hướng dẫn prompt MiniMax H3.

Cài skill viết prompt MiniMax H3

Trong dự án nơi bạn dùng agent lập trình hoặc sáng tạo AI, hãy chạy lệnh cài một skill do kho MiniMax công bố:

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

Lệnh này chỉ cài h3-prompt-writing. Kho còn có tám skill tạo video theo phong cách cụ thể, vì vậy chọn theo tên sẽ giữ phần thiết lập tập trung vào việc viết prompt.

Skill đã cài có hai hướng dẫn tham chiếu:

• references/base-en.txt bao gồm T2VA, I2VA, FL2VA và L2VA.
• references/ref-en.txt bao gồm Ref2VA tham chiếu đầy đủ.

Sự phân chia này quan trọng hơn chủ đề của clip. Agent cần chọn hướng dẫn dựa trên mối quan hệ giữa các tệp tham chiếu của yêu cầu, sau đó giữ nguyên tên trường, thứ tự phần, nhãn và ký hiệu thời gian.

Chọn chế độ tác vụ H3 trước khi yêu cầu viết lại

Hãy nêu rõ chế độ khi bạn đã biết. Nếu chưa, hãy mô tả các khung hình biên và tệp tham chiếu hiện có để agent phân loại yêu cầu.

T2VA, I2VA, FL2VA và L2VA là chế độ cơ bản của skill. Chúng dùng chung phần thân ba trường. I2VA, FL2VA và L2VA thêm một chỉ dẫn căn chỉnh chính xác phía trên; T2VA bắt đầu ngay từ trường đầu tiên.

Ref2VA không phải cùng một mẫu có thêm tệp đính kèm. Chế độ này có quy ước sáu phần riêng để định nghĩa tham chiếu, phân loại vai trò, phân tích mức duy trì và mô tả thời điểm từng tham chiếu phát huy tác dụng.

Đừng chọn Ref2VA chỉ vì yêu cầu có nhiều chi tiết. Hãy chọn khi nội dung tham chiếu cần được định nghĩa và theo dõi xuyên suốt đầu ra.

Hiểu cấu trúc đầu ra chính xác của chế độ cơ bản

Với mọi chế độ cơ bản, phần thân dùng ba tên trường sau theo đúng thứ tự:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

integrated_multimodal_description chứa phong cách hình ảnh, bố cục, chủ thể, môi trường, hành động, camera, hội thoại, lời hát và âm thanh diegetic đồng bộ dọc theo dòng thời gian. overall_soundscape tóm tắt âm thanh môi trường, âm thanh vật lý và âm thanh phi ngôn ngữ của con người trong toàn clip. non_diegetic_music mô tả nhạc chỉ khán giả nghe thấy; dùng N/A nếu không có.

Dòng căn chỉnh thay đổi theo chế độ keyframe. Hướng dẫn chính thức quy định các dạng sau:

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.

Trong bản viết lại hoàn chỉnh, N trở thành số cảnh quay cuối thực tế và S.SS trở thành thời lượng hiệu lực với đúng hai chữ số thập phân. Dòng này đứng đầu, sau đó là một dòng trống rồi phần thân ba trường. T2VA không có dòng căn chỉnh.

Thời gian cảnh quay cũng có quy ước: [Shot 1] không có dấu thời gian, còn các cảnh sau bắt đầu bằng thời điểm cắt tăng nghiêm ngặt và nằm trong thời lượng, chẳng hạn [Shot 2] At 00:03.500, .... Chế độ, dòng căn chỉnh, cảnh cuối và thời lượng phải khớp nhau.

Hiểu cấu trúc đầu ra Ref2VA chính xác

Chế độ tham chiếu đầy đủ phải trả về sáu phần theo thứ tự sau:

subject_definitions:
...

summary:
[reference generation] ...

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

detailed_description:
...

overall_soundscape:
...

non_diegetic_music:
...

Mỗi nhãn có một vai trò riêng:

• <Subject N> đặt tên cho nội dung nhìn thấy có thể tái sử dụng, như người, vật thể, cảnh, phong cách, hành động, giao diện hoặc hiệu ứng.
• <Picture N> đặt tên cho ảnh dùng làm khung hình mục tiêu, keyframe, mốc bố cục hoặc tham chiếu storyboard.
• <Video N> đặt tên cho video nguồn dùng để chỉnh sửa, nối tiếp hoặc cung cấp cấu trúc thời gian toàn video.
• <Audio N> đặt tên cho tín hiệu âm thanh độc lập hoặc bản âm thanh đồng bộ đã bật để sao chép hay tham chiếu.

Các nhóm này được đánh số độc lập. Chủ thể nhìn thấy lấy từ video tham chiếu vẫn dùng <Subject N>; <Video N> đại diện cho tệp hoặc mối quan hệ của nó với toàn video. Việc tệp video có âm thanh cũng không tự động tạo mục <Audio N>.

summary bắt đầu bằng một hoặc nhiều loại tác vụ chính thức trong ngoặc vuông: keyframe completion, reference generation, video editing, video continuation, audio reuse hoặc audio reference. Nhiều loại áp dụng được nối bằng +.

retention_analysis gán một mối quan hệ rõ ràng cho từng nhãn. Nội dung nhìn thấy dùng fully_preserved, partially_preserved, attribute_transfer hoặc weak_reference; âm thanh dùng fully_copy, partially_copy, reference hoặc weak_reference. Nhãn này mô tả mối quan hệ dự kiến chứ không phải điểm chất lượng chung.

Cuối cùng, Ref2VA thay integrated_multimodal_description bằng detailed_description. Với tác vụ tạo, hướng dẫn MiniMax thường yêu cầu 350–500 từ tiếng Anh, đủ chi tiết về bố cục, chủ thể, môi trường, ánh sáng, hành động, thay đổi trạng thái, camera, âm thanh và cách dùng tham chiếu của từng cảnh. Nội dung dày hội thoại ưu tiên chứa trọn dòng thời gian lời nói thay vì cố đạt số từ.

Yêu cầu agent viết prompt chế độ cơ bản

Sau khi cài, hãy gọi skill theo tên và cung cấp brief sản xuất ngắn gọn. Cấu hình agent đi kèm dùng $h3-prompt-writing trong yêu cầu mặc định.

Bạn có thể sao chép yêu cầu FL2VA sau:

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.

Các phần quan trọng là chế độ rõ ràng, thời lượng chính xác, vai trò riêng của từng ảnh, lộ trình chuyển tiếp khả thi, quyết định âm thanh và giới hạn đầu ra. Agent cần trả dòng căn chỉnh FL2VA trước, dùng ba trường chung và đến Picture 2 ở giây 8.00.

Với I2VA, hãy thay ảnh thứ hai bằng các hành động phát triển từ khung hình đầu. Với L2VA, mô tả sự kiện trước khung hình cuối được cung cấp. Với T2VA, bỏ tham chiếu ảnh và cung cấp đủ thông tin để xây dựng bố cục mở đầu cùng chuỗi nghe nhìn từ văn bản.

Yêu cầu agent viết prompt tham chiếu đầy đủ

Yêu cầu Ref2VA hiệu quả hơn khi mỗi tệp có vai trò đã nêu. Yêu cầu có thể sao chép này tách danh tính, chuyển động và hướng dẫn âm thanh:

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.

Yêu cầu này không cố viết subject_definitions thay agent. Nó cung cấp đủ nguồn gốc và ý định tái sử dụng để skill dựng định nghĩa, phân loại phần tóm tắt thành tạo theo tham chiếu cộng tham chiếu âm thanh, rồi giải thích mức duy trì hoặc chuyển giao của từng nhãn. Nếu một tệp chỉ nên ảnh hưởng đến một thuộc tính, hãy nói rõ: video chuyển động có thể dẫn chuyển động tay mà không điều khiển người diễn, trang phục, bối cảnh, sản phẩm, camera hoặc âm thanh.

Dùng quy trình agent hai bước

Hãy xem đầu ra của skill là bản nháp có cấu trúc rồi thực hiện một lượt kiểm tra xác định.

1. Viết danh mục nguồn. Liệt kê mọi chỉ dẫn, khung hình, ảnh, video và âm thanh, đồng thời nêu những gì mỗi tệp nên và không nên điều khiển.
2. Khóa chế độ tác vụ. Chọn T2VA, I2VA, FL2VA, L2VA hoặc Ref2VA trước khi viết lại.
3. Đưa ra giới hạn bàn giao. Gồm thời lượng, số cảnh, thời gian khung hình biên, hội thoại, chữ hiển thị và âm nhạc.
4. Chỉ yêu cầu cấu trúc chính thức. Nhờ vậy dễ phát hiện trường thiếu, phần sai thứ tự và bình luận ngoài prompt.
5. Kiểm tra mà không đổi brief. Xem cấu trúc, tham chiếu, thời gian, lời nói và vị trí âm thanh trước.
6. Sửa từng lớp. Yêu cầu sửa một điểm không khớp, đồng thời giữ nguyên các phần đã duyệt.

Ở bước hai, dùng chỉ dẫn sau:

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.

Prompt kiểm tra này giảm khả năng việc sửa định dạng âm thầm trở thành thay đổi sáng tạo.

Kiểm tra đầu ra trước khi tạo

Dùng danh sách này sau mỗi lần agent viết lại:

• Chế độ: đầu ra dùng hướng dẫn phù hợp với mối quan hệ đầu vào thực tế.
• Cấu trúc cơ bản: T2VA bắt đầu bằng integrated_multimodal_description; I2VA, FL2VA và L2VA đặt đúng chỉ dẫn phía trên.
• Cấu trúc Ref2VA: sáu trường xuất hiện một lần theo đúng thứ tự; dùng detailed_description thay vì integrated_multimodal_description.
• Nhãn: mỗi <Subject N>, <Picture N>, <Video N> và <Audio N> giữ một nghĩa ở mọi phần, không có nhãn chưa định nghĩa xuất hiện sau.
• Vai trò tham chiếu: chủ thể, khung hình cụ thể, quan hệ toàn video và tín hiệu âm thanh dùng đúng loại nhãn.
• Duy trì: mọi tham chiếu được theo dõi đều có dấu quan hệ được phép và phù hợp.
• Cảnh: [Shot 1] không có dấu thời gian; thời điểm cắt sau tăng dần và nằm trong thời lượng.
• Khung hình biên: I2VA bắt đầu từ khung đầu, FL2VA đến khung cuối và L2VA hội tụ vào khung cuối được cung cấp.
• Lời nói và chữ: hội thoại, lời bài hát và chữ trong cảnh giữ nguyên ngôn ngữ cùng câu chữ; mô tả viết lại vẫn bằng tiếng Anh.
• Âm thanh: lời nói và âm thanh diegetic đồng bộ nằm trong mô tả; âm thanh toàn clip ở overall_soundscape; nhạc chỉ dành cho khán giả ở non_diegetic_music.
• Tính khả thi: hành động vừa thời lượng và khoảnh khắc cuối được giải quyết thay vì vô tình bị cắt.
• Độ sạch: agent không thêm tóm tắt cốt truyện, tệp không được hỗ trợ, vai trò xung đột hoặc bình luận ngoài prompt.

Chuyển bản nháp agent sang OmniArt

Skill hữu ích nhất ở lớp chuẩn bị: nó chuyển danh mục nguồn và brief thành prompt có thể kiểm tra trước khi tạo. Hãy giữ đầu ra đã duyệt cùng tệp nguồn vì nhãn chỉ còn hữu ích khi thứ tự và ý nghĩa của tệp ổn định.

Sau đó, đưa prompt đã kiểm tra và tệp tương ứng vào studio tạo video của OmniArt. Nếu cần cải thiện brief thay vì cấu trúc trường H3, hãy quay lại hướng dẫn prompt MiniMax H3. Dùng hướng dẫn để quyết định mục tiêu, dùng h3-prompt-writing để diễn đạt theo quy ước H3 đã chọn và dùng danh sách kiểm tra để chặn lỗi cấu trúc trước khi tạo.