prompt-translator

# prompt-translator 跨模型提示词转换器。**关键差异**:不是凭 AI 直觉重写,而是**查 110 条对照基准做 in-context learning**。 ## 何时不用此 skill - 用户从零开始写一条新提示词(不是转换) → 用 `seedance-prompter` / `kling-prompter` / `happyhorse-prompter` 或 `model-selector` - 用户问"用哪个模型好" → 用 `model-selector` - 已有提示词出问题但不换模型 → 用 `seedance-debugger` ## 核心数据资产 **[`prompts/data/cross-model-matrix.json`](../../prompts/data/cross-model-matrix.json)** — 这就是 translator 的"训练数据": - **10 个核心场景**:产品广告 / 情感重逢 / 滑板动作 / 图生视频 / 多人会议 / 恐怖悬疑 / 自然延时 / 抽象艺术 / 武侠决斗 / 萌宠爆款 - **每个场景 × 11 模型 = 110 条对照 prompt**,每条严格遵循对应模型的官方公式 - 这构成"同一场景在 11 模型上的最佳写法对照",**就是 translator 的查找表** ## 工作流程 ### 步骤 1:接收输入 最少需要: - **源模型** (如 Sora 2 / Kling 3.0 / Wan 2.7) - **源 prompt** (用户的现有提示词) - **目标模型** (用户想转到哪个) 可选: - 转换偏好(更简洁 / 更详细 / 保留中文) ### 步骤 2:分析源 prompt 的语义内容 提取**核心场景元素**(与具体写法风格无关的): - 主体(subject):是谁/什么 - 场景(scene):在哪/什么环境 - 动作(motion):发生了什么时序事件 - 情绪(mood):整体氛围 - 镜头(camera):怎么拍 - 音频(audio):需要什么声音 - 对白(dialogue):有无台词 - 风格(style):视觉锚点 这一步是**剥离风格,提取语义**。把 Sora 的 `Style: → Cinematography: → Actions:` 分层结构里的实际内容,抽象成"核心场景描述"。 ### 步骤 3:查 110 条基准对照表找最相似场景 读取 [`prompts/data/cross-model-matrix.json`](../../prompts/data/cross-model-matrix.json),在 10 个场景里找**与用户输入最相似的 1-2 个场景**: | 用户输入像... | 参考场景 | |---|---| | 产品旋转 / 静态主体特写 | scene-1-perfume | | 双人对白 / 情感叙事 | scene-2-reunion | | 户外动作 / 物理运动 | scene-3-kickflip | | 图生视频(有参考图) | scene-4-i2v-cafe | | 多人对话 / 室内会议 | scene-5-meeting | | 恐怖悬疑 / 慢推进氛围 | scene-6-horror-balloon | | 自然延时 / 无人景观 | scene-7-mountain-sunrise | | 抽象艺术 /...