下面这支 47 秒的 MV 全程没有用任何剪辑素材——画面是 Agent 用代码（Remotion）逐帧渲染出来的：字幕按语音逐字踩点，动效全部对齐音频节拍。它出自一段我自己手写的提示词，今天把它分享出来，附上实测成片。
提示词原文
基于这个音频做一个MV动画，横屏16：9，MV要求画风活跃且观感跃动力强，禁止背景单一、特效单一、文字单一，站在专业的MG动画设计师的角度来设计MV动画，需要极致的交互动画观感和音频的音准踩点歌词展示，可以调用remotion技能来完成这个动画，没有该技能可以先去安装
用法很简单：把这段提示词连同音频文件一起交给 Agent，剩下交给它。
逐句拆解：每一句都在解决一个问题
①「基于这个音频」——把音频设为唯一输入源。 Agent 会先做音频分析：测 BPM、找节拍点、跑 ASR 拿到歌词的逐字时间戳，然后让所有画面都挂在这条时间轴上。这次实测测出来的是 148.03 BPM。
②「横屏16：9」——先把画幅钉死。 不写比例，Agent 会自己猜，横竖屏都有可能；要发竖屏短视频，改成 9：16 就行。
③「画风活跃且观感跃动力强」——先定基调。 一句话把风格框住，避免出来一支「能看但没劲」的片子。
④「禁止背景单一、特效单一、文字单一」——全句最关键的一句。 Agent 做动画的默认倾向是省事：一个静态背景加文字淡入淡出就交差。这三个「禁止」分别堵住三条最容易偷懒的路径。实测成片里，背景轮换了十种变体、转场七种、文字样式十种，就是被这句逼出来的。
⑤「站在专业的MG动画设计师的角度」——给角色。 让 Agent 按 MG（Motion Graphics）行业的做法来设计，而不是「程序员顺手做个动画」。
⑥「极致的交互动画观感」——要交互感，不是位移感。 画面里要有拟真的交互动作：光标点击回弹、按钮按压、点赞计数、开关拨动、滑杆拖动、进度条，这些比单纯缩放位移更有质感。
⑦「音频的音准踩点歌词展示」——核心质量指标。 动效必须对齐节拍网格，歌词按字级时间戳做「点唱」效果：未唱描边、正在唱放大加辉光、已唱实心。踩没踩准，一眼就能看出来。
⑧「可以调用remotion技能……没有该技能可以先去安装」——工具路由。 明确告诉 Agent 用什么工具、缺了怎么办，避免它自己发明轮子或者卡在半路。
这次实测的技术细节
- 音频输入取自一条「Opus 5.5 vs GPT 6 Astra」同题对比视频的音轨——我用同一段音频，让积木里的 DeepSeek V4.1 Flash 也做了一版
- 双轨驱动：148.03 BPM 节拍网格（107 个节拍点、129 个 onset）加 ASR 逐字时间戳
- 画面：十种背景变体、七种转场、十种文字样式，全程轮换不重复
- 渲染：Remotion（React + TypeScript），1920×1080、30fps、1411 帧，纯代码逐帧生成
- 工程可复用：歌词、配色、段落都能直接改，重新渲染即可
使用建议
- 复制提示词，连同音频文件一起发给 Agent 即可
- 想发竖屏，把「横屏16：9」改成「竖屏9：16」
- 如果成片还有「偷懒感」，重点检查第④句有没有被完整执行
- 不满意不用重做：让 Agent 改对应模块重新渲染就行（这是一份代码工程，不是一次性的生成结果）
大家要是用它做出了有意思的片子，欢迎在评论区分享。