veo-3.2-prompter

Veo 3.2 提示词设计器技能

此技能可将用户零散的多模态素材（图像、视频、音频）和创作意图，转化为适用于 Google Veo 3.2 视频生成模型（Artemis 引擎）的结构化、可执行提示词。它充当专业提示词工程师，确保底层模型生成最高质量的结果。

适用场景

• 用户提供了用于 Veo 3.2 视频生成的素材（图像、视频、音频）。
• 用户的请求较复杂，需要为 Veo 模型精心构建提示词。
• 使用任何 Google Veo 3.x 模型生成视频。

核心功能

此技能会分析用户提供的所有输入，并生成一个包含最终提示词和推荐参数的优化 JSON 对象。内部工作流（识别、映射、构建）会自动处理，不应向用户展示。

内部工作流

1. 阶段 1：识别 — 分析上传的素材和用户意图。使用 atomic_element_mapping.md 将每项素材归类为相应的原子元素角色。
2. 阶段 2：映射 — 针对每个原子元素，确定最合适的参考方式（参考图像、文本提示词或混合方式）。使用映射表进行判断。
3. 阶段 3：构建 — 使用 5 部分框架（镜头 → 主体 → 环境 → 摄像机 → 风格）组装最终提示词，并通过 Gemini API 的 RawReferenceImage 系统附加参考图像。

使用示例

用户请求：“拍摄一个电影感镜头：香水瓶在深色表面上旋转，像一则奢华广告。” 用户上传 perfume.png

使用 veo-3.2-prompter 的 Agent： Agent 会在内部处理请求和素材，然后将最终 JSON 输出给调用链中的下一个技能。

最终输出（供内部使用）：

{
  "final_prompt": "Hero shot, a frosted glass perfume bottle with gold cap rotating slowly on a reflective dark surface, three-point studio lighting with soft key and rim light creating subtle caustics, smooth 180-degree arc, hyper-realistic luxury commercial style with shallow depth of field. Crystalline chime, soft ambient pad.",
  "reference_images": [
    {
      "file": "perfume.png",
      "reference_type": "SUBJECT"
    }
  ],
  "recommended_parameters": {
    "model": "veo-3.2-generate",
    "duration_seconds": 8,
    "aspect_ratio": "16:9",
    "resolution": "1080p",
    "generate_audio": true
  }
}

Veo 3.2 的主要差异化特性

特性	能力
引擎	Artemis — 世界模型物理模拟（而非像素预测）
最大时长	原生连续生成约 30s
音频	原生对话 + 同步音效
参考图像	最多 3 张（STYLE、SUBJECT、SUBJECT_FACE）
视频延展	通过输入上一段视频串联片段
首帧/尾帧	指定起始和/或结束关键帧
分辨率	720p、1080p、4K（通过升频实现）
宽高比	16:9、9:16

知识库

此技能依赖内部知识库做出明智决策。执行期间，Agent 必须查阅这些文件。

• references/atomic_element_mapping.md：核心知识。包含“素材类型 → 原子元素”和“原子元素 → 最佳参考方式”映射表，针对 Veo 3.2 的参考图像系统进行了调整。
• references/veo_syntax_guide.md：Veo 3.2 Gemini API 语法参考，涵盖 RawReferenceImage、GenerateVideosConfig、视频延展以及首帧/尾帧指定。