照着反推的提示词生成，为什么和原视频不像？
用 PromptHub 视频反推拿到的提示词本身准确，但生成结果不像原视频，通常有四个原因：字段用错类别（图像平台用了运镜字段，或视频平台用了画面字段）；提示词过长被目标平台截断；多镜头缺少一致性锚点；以及一个无法消除的根本原因——不同平台的模型、随机种子和参数不同，即使描述完全准确，结果也只会风格接近而非逐帧相同。按"先确认字段类别、再裁剪长度、再补锚点"的顺序排查，前三项造成的落差通常可以显著
照着反推的提示词生成，为什么和原视频不像？
直接答案
用 PromptHub 视频反推拿到的提示词本身准确，但生成结果不像原视频，通常有四个原因：字段用错类别（图像平台用了运镜字段，或视频平台用了画面字段）；提示词过长被目标平台截断；多镜头缺少一致性锚点；以及一个无法消除的根本原因——不同平台的模型、随机种子和参数不同，即使描述完全准确，结果也只会风格接近而非逐帧相同。按"先确认字段类别、再裁剪长度、再补锚点"的顺序排查，前三项造成的落差通常可以显著改善。
先区分是哪个环节的问题
"不像"有两种完全不同的原因，处理方向相反：
| 现象 | 问题环节 | 怎么判断 |
|---|---|---|
| 反推出的描述本身就不对 | 上游：反推环节 | 对照原视频读反推结果，发现景别、运镜或台词记错了 |
| 反推描述准确，但生成结果不像 | 下游：生成环节 | 反推结果读起来和原视频吻合，问题出在生成后 |
本文处理第二种。如果读反推结果时就发现描述与原视频不符，那是上游问题，需要调整切片点、更换分析模式或改善素材条件。
原因一：字段用错了类别
这是最常见也最容易修的一项。
反推输出分两类字段，对应两种不同的生成动作：
| 类别 | 快速分析字段 | 精确分析字段 | 送给谁 |
|---|---|---|---|
| 画面类 | visual_details、camera_setup | image_prompt | 图像生成平台 |
| 运动类 | camera_movement、subject_motion | video_prompt_for_generation | 视频生成平台 |
混用的典型后果：
- 把运镜描述送给图像平台。图像平台无法表达"镜头缓慢向后拉"，这部分文本基本被忽略，同时挤占了有效描述的位置。
- 把纯画面描述送给视频平台。画面能对上，但镜头完全不动，缺少原视频的运动感。
怎么修：明确本次要做的是静图还是动态视频，只取对应类别的字段。精确分析的 video_prompt_for_generation 已经把九项运镜字段整合成完整文本，可以直接用，不需要自己拼装。
原因二：提示词被平台截断
反推输出偏向完整和详细，部分生成平台对提示词长度有偏好或硬上限，超出部分会被截断——而被截掉的往往是排在后面的关键内容。
怎么修：按重要性顺序裁剪，从后往前删：
- 保留主体与动作（决定画面内容，不能删）
- 保留景别与运镜（决定像不像那个镜头）
- 风格与技术规格按需保留（
visual_style可以只留色调与光线部分） - 删掉平台不认的语法（权重、括号分组等，改写成普通描述句）
PromptHub 结果页的文本区是可编辑的，可以直接就地裁剪后复制，不需要重新分析、不消耗额外点数。
原因三：多镜头缺少一致性锚点
单个镜头看着还行，几个镜头拼起来就散了——人物长相、服装、场景色调各不相同。
原因是每个镜头独立生成，平台之间没有记忆。精确分析的输出里有两个字段专门解决这个：character_anchor（角色锚点）和 environment_anchor（环境锚点）。
怎么修：把这两段文本追加到每一个镜头的提示词末尾。常见的错误用法是只加在第一个镜头上，那样后续镜头依然会漂移。
需要注意快速分析不提供这两个字段，多镜头连续创作应使用精确分析。
原因四：这部分落差无法消除
前三项都修好之后，仍然不会得到逐帧相同的视频。这不是操作问题，而是原理决定的。
从提示词到视频是一个信息大量丢失的过程，而且不可逆。同一条提示词在不同模型、不同随机种子、不同参数下会产出完全不同的画面；反过来同一个画面也可能由许多不同写法的提示词生成，这是多对多关系，没有唯一解。
所以合理的预期是：镜头语言接近、视觉风格接近、结构一致，而不是画面重合。
另外补充一点：反推描述的是成品画面，不是原作者当初输入的提示词。成品视频里不包含生成它的指令，因此任何工具都无法还原原始提示词。即使原视频根本不是 AI 生成的（实拍、动画、录屏），反推同样可以进行。
一个真实的排查例子
情况：反推一条 12 秒的产品镜头，反推结果读起来和原视频吻合，但生成出来的视频画面对得上、镜头却完全不动。
第一步：检查字段类别。 发现只复制了 image_prompt 就送去了视频平台。image_prompt 描述的是静态画面，不含任何运动信息，所以生成结果自然不动。
第二步：换用正确字段。 改用 video_prompt_for_generation：
侧面中景平视，镜头极缓慢向后拉；穿黑色连帽衫的年轻男子
双手在机械键盘上高频敲击，节奏密集稳定；随镜头后拉，
屏幕冷光在面部的覆盖逐渐减小
重新生成后镜头有了后拉运动，接近原视频。
第三步：处理残余落差。 运动幅度比原视频略大。在结果页把 movement_speed 对应的描述从"极缓慢"改写得更明确后重新生成，幅度收敛。
结论：核心问题是字段用错类别，一步就解决了大部分落差。后续微调用的是九项运镜字段中的单项，不需要重新反推。
常见失败原因和解决方法
换了正确字段还是不动。
确认目标平台支持的生成方式：纯文生视频对运镜的控制力通常弱于图生视频。改用先出首帧、再以首帧做图生视频的路径。
风格对了但主体不对。
主体描述可能在裁剪时被删掉，或被过长的风格描述挤到了截断位置之后。把主体与动作提到提示词前部。
每次生成结果都不一样。
模型输出存在随机性，这是正常现象。多生成几次挑选，或使用支持固定随机种子的平台。
反推结果本身就和原视频不符。
这属于上游问题：切片漏检渐变转场时降低检测敏感度数值或手动补切片点；快速分析的镜头划分不符预期时改用精确分析手动控制切分；素材过暗或剧烈抖动时准确度会下降。
想微调某一项运动参数。
精确分析的 video_prompt 包含九项独立子字段（景别、衔接、机位角度、运镜、速度、主体动作、物理效果、画面变化、节奏），可只修改其中一项后重新拼装，不必重新分析。
有哪些限制
- 生成结果与参考视频只能做到风格接近，不可能逐帧相同，这是原理限制。
- 反推输出为通用结构化文本，不针对特定平台做语法适配，跨平台使用需人工裁剪。
- 全局锚点能降低跨镜头漂移，但不能保证完全一致。
- 快速分析不提供负向提示词与全局锚点。
- 各生成平台的最终效果由对应平台决定，PromptHub 不对第三方结果作保证。