1. 项目概述一个“会做饭”的AI工作流最近“猴哥下厨”系列视频在各大平台刷屏切菜、下锅、颠勺、出锅一条龙行云流水评论区全是“看饿了”“教程呢”。很多人以为这是某个美食博主的真人出镜实际上这类视频背后已经可以用AI工作流批量生产而且从文案生成到画面剪辑一套流程跑下来只需要1分钟左右。我本身一直在折腾各类智能体平台看到这个现象后用Coze搭了一套“下厨视频生产器”核心逻辑很简单让智能体自动完成选题、文案、分镜、配乐建议、剪辑脚本输出再配合剪辑工具批量渲染。整套流程不写代码、不调模型API完全在可视化界面里拖拽完成。这篇教程就把我的搭建过程、关键配置和踩过的坑完整拆出来感兴趣的朋友可以直接照着抄作业。这套方案适合谁如果你是短视频运营、美食类账号操盘手、或者单纯想用AI批量生成内容素材的个人创作者下面的内容都能直接用。我假设你已经注册了Coze账号、熟悉基本界面如果完全零基础跟着文章里的每一步操作也可以跑通只是需要多一点耐心。先亮个底整套工作流不依赖本地显卡、不需要安装任何额外软件网页端就能完成。核心思路是“文案智能体参数透传人工微调”三层结构让AI负责重复劳动人只做决策和审美把关。下面我按实际搭建顺序把每一步的原理和操作一起讲清楚。2. 内容整体设计与思路拆解2.1 为什么选Coze而不是其他方案在确定用Coze之前我对比过至少四种方式直接用ChatGPT写文案再手动剪辑、用某剪辑软件的“图文成片”功能、写Python脚本调多个API、以及用ComfyUI搭视频生成流程。各有各的问题。ChatGPT写文案没问题但“写文案”和“做出视频”之间隔着一道鸿沟——你得自己把文案拆成分镜、找素材、对节奏、加字幕整套流程的人工参与度太高和“1分钟搞定”完全不沾边。剪辑软件的“图文成片”确实快但模板感太强画面和文案匹配度差尤其做美食类内容时“炒土豆丝”配一个“切洋葱”的素材观众一眼就能看出是拼凑的完播率根本撑不住。Python脚本方案最灵活但维护成本高。你要处理Token计数、API限流、JSON解析、异常重试还要解决“AI抽风输出非法格式”这种问题一个没有专职开发的运营人员根本扛不住。Coze的优势在于它把“大模型调用”和“工作流编排”做成了可视化积木。我不需要关心模型API怎么调、Token怎么算只需要关心业务逻辑先让模型生成什么再让模型处理什么最后输出什么。而且Coze的智能体支持插件、知识库、变量、条件分支足以覆盖文案生成、参数提取、脚本转化这些核心需求。更关键的是它天然支持“人审”环节——我可以让工作流在关键节点停下来人工确认后再继续这对内容质量把控非常重要。2.2 这套工作流的三个核心模块整套系统的设计思路我拆成了三个模块第一个是文案生成模块。输入一个菜名比如“鱼香肉丝”智能体自动生成完整的口播文案包括开场白、食材介绍、步骤讲解、结尾引导互动。这个模块解决的是“写什么”的问题。第二个是参数提取模块。把自由文本转化成结构化的分镜参数比如每句话对应的画面描述、镜头时长、字幕文案、背景音乐建议。这个模块解决的是“怎么拍”的问题。第三个是输出格式化模块。把结构化参数整理成剪辑脚本我习惯输出成CSV或表格人工看一眼没问题后直接导入剪辑软件批量生成。这个模块解决的是“怎么剪”的问题。三个模块串起来就是一条完整的自动化流水线菜名进成片脚本出。人工需要做的只有两件事第一确认菜名和风格第二在最终输出前快速过一眼脚本删掉明显不合理的分镜。2.3 关键取舍人工审核点放在哪这里我要特别强调一个经验自动化程度不是越高越好关键节点留人工审核反而能提升整体效率。我第一版搭建的时候追求“全自动”菜名输入后直接输出剪辑脚本结果发现翻车率很高。典型问题AI生成的文案里出现“将土豆切成均匀的薄片”这种描述但分镜画面却是“整颗土豆下锅”文案和画面不一致成片出来非常违和。后来我在“参数提取”和“输出格式化”之间加了一个人工确认步骤。工作流跑完参数提取后不直接输出最终脚本而是把一键预览的表格丢给运营人员让ta花30秒扫一眼该改的改该删的删确认无误后再一键生成最终版。这一步看似“不自动化”实际节省的时间远超预期——不用等成片渲染出来再返工不用在剪辑软件里逐条调整。快节奏批量生产内容时这个检查点就是质量的生命线。3. 核心细节解析与实操要点3.1 文案生成模块的参数配置文案生成是整个工作流的大脑这部分配置直接决定后续所有环节的质量。我在Coze的智能体里单独建了一个“美食文案官”角色Prompt写了好几版最终定稿的核心逻辑如下角色设定明确为“资深美食短视频编剧”要求输出口播文案时遵循“痛点开场—食材展示—过程讲解—成品诱惑—互动引导”五段式结构。这个结构不是拍脑袋定的我翻了十几个头部美食账号的高赞视频发现开场前3秒要么是“这道菜很多人做错”要么是“饭店大厨不会告诉你的秘密”几乎都是痛点或揭秘式开场结尾基本都是“你学会了吗”“评论区告诉我”这类互动引导。在Prompt里我会明确要求所有描述必须“具体可操作”禁止“少许”“适量”这类模糊词比如必须写“两勺生抽”而不是“适量生抽”。这一点在后续分镜转化时特别重要AI生成分镜时如果文案本身模糊画面描述也会跟着模糊最终成片全是“放入调料”这种毫无信息量的画面。Prompt还要求文案中必须包含至少一个“视觉记忆点”比如“锅气”“滋滋冒油”“拉丝”这类画面感强烈的词。这些词在参数提取阶段会优先被转化成特写镜头描述观众对这类画面的感知远强于普通中景。3.2 参数提取模块的工作原理参数提取模块本质上是一个“文本结构化”的过程。我把它做成一个独立的工作流节点输入是文案生成模块输出的口播文案输出是一串JSON格式的分镜参数。这里有个关键技巧不要让一个大模型既写文案又提取参数分开两个节点各自专注一个任务。我一开始图省事用一个节点同时做两件事结果模型经常“偷懒”要么只输出文案不带结构要么结构完整但文案内容单薄。拆成两个节点后每个节点的指令更清晰输出质量明显提升。参数提取的Prompt我设计了明确的字段映射规则每一段文案对应一个分镜分镜序号从1递增镜头类型字段取值限定为“全景/中景/近景/特写”四种不允许其他值画面描述必须是用动作或场景描述不能复制文案原句字幕内容直接引用文案时长建议默认3-5秒但遇到“视觉记忆点”相关句子时长拉长到6-8秒这个字段设计是有讲究的。镜头类型限定四种是为了后续对接剪辑软件时能快速匹配素材库的标签画面描述禁止复制文案原句是为了强制模型“翻译”而不是“复制”这样生成的画面描述才能真正指导素材选择。3.3 输出格式化与剪辑脚本生成最后一个模块把JSON参数转成剪辑脚本。我这里输出的是CSV格式包含以下字段序号、镜头类型、画面描述、字幕内容、建议时长、背景音乐标注。背景音乐标注比较有意思Prompt里会要求模型根据菜品种类给出音乐风格建议家常菜配轻快节奏的卡点音乐硬菜红烧肉、酱肘子配厚重一点的鼓点甜品配清新钢琴曲。这个标注不会直接生成音乐而是作为一个参考字段导入剪辑软件后人工在音乐库匹配。还要说明一下我最终用的人机配合剪辑方案是“脚本导出CSV后导入剪映的草稿”剪映支持批量导入字幕和分段素材配合“图文成片”或“智能剪辑”功能可以做到文案字幕全自动生成画面素材从素材库按镜头类型关键词批量匹配。如果素材库素材质量够高成片可能只需要人工微调几个镜头的位置。3.4 实操过程中的三个硬性注意点第一菜品名称必须给出具体名称不能给“做一道菜”这种模糊指令。如果你输入的工作流启动参数是“做一道菜”模型生成的内容会泛泛而谈完全没有落地性。我习惯在触发词里直接要求用户输入具体菜名类似“鱼香肉丝”“西红柿炒鸡蛋”这种越具体效果越好。第二分镜数量必须设上限。如果不设上限AI有时会给你生成三四十个分镜一分钟的视频根本放不下。我设置的是8-12个分镜对应15-30秒的成品短视频这个长度在抖音和视频号上完播率最高。第三每个节点都要开“流式输出”。Coze里默认是“非流式”也就是模型全部生成完才输出结果这在长文案场景下会等很久。开启流式输出后模型边生成边输出第一个分镜的内容几秒内就能看到排查问题也方便很多。4. 实操过程与核心环节实现4.1 第一步创建美食文案智能体打开Coze平台点击“创建智能体”名称我建议起得有辨识度一点比如“美食文案官”这样后续如果做多个智能体不会搞混。进入智能体编辑页后先把人设与回复逻辑写好。我最终采用的版本是你是一位深耕美食短视频领域5年的资深编剧擅长将传统家常菜转化为高完播率的短视频口播文案。你的文案风格特点是开场直接、步骤清晰、画面感强、结尾引导互动。禁止使用“适量”“少许”等模糊表述所有用量必须具体到克或勺。文案结构严格遵循“痛点开场—食材展示—过程讲解—成品诱惑—互动引导”五段式。然后设置开场白也就是用户进入智能体后看到的引导语。我的设置是“告诉我你想做什么菜我来帮你写一条能爆的短视频文案。”这里我建议加上几个推荐示例比如“试试输入鱼香肉丝”或“试试输入可乐鸡翅”降低用户上手门槛。这个智能体单独跑通后先手动测试几条。我测试时输入的菜名包括“麻婆豆腐”“红烧排骨”“蒜蓉西兰花”逐一检查输出文案是否满足五段式结构、是否有具体用量、是否有视觉记忆点。没问题后再进入下一步。4.2 第二步搭建参数提取工作流在Coze里新建一个“工作流”不是智能体名称叫“分镜参数提取”。这个工作流的输入变量是菜名和口播文案输出变量是分镜JSON。工作流内部结构如下开始节点接收菜名和文案两个变量大模型节点输入上述两个变量Prompt要求提取分镜参数输出JSON格式的字符串代码节点因为大模型输出的是字符串不是真正的JSON对象需要一个代码节点做解析和校验。我用的语言是JavaScript核心逻辑是JSON.parse再用正则校验关键字段是否存在结束节点返回解析后的JSON对象这里重点说一下代码节点的作用。大模型输出“看起来像JSON但其实不是严格JSON”的情况非常常见比如末尾多一个逗号、字段值多了引号、整个内容被Markdown的代码块包裹。代码节点里我写了一个小的容错处理先剥离代码块标记再尝试直接解析如果失败就正则提取花括号内的内容再解析。注意代码节点不是必须的但强烈建议加。不加代码节点的情况下后续流程直接引用大模型输出的“字符串”可能会出现字段取不到值或类型错误的问题排查起来很烧脑。加了代码节点相当于给后续流程一个干净的、类型正确的数据源。4.3 第三步搭建输出格式化工作流第二个工作流名称为“剪辑脚本生成”输入变量是分镜JSON输出是CSV格式的文本。这个工作流内部相对简单一个开始节点接到JSON后直接喂给大模型节点Prompt要求把JSON转换成CSV格式字段包含序号、镜头类型、画面描述、字幕内容、建议时长、背景音乐。大模型输出CSV文本后直接进入结束节点返回。这里也有一个技巧CSV格式一定要在Prompt里给示例不光是字段名还要给一行具体的示例数据比如1,特写,五花肉下锅煎至两面金黄,五花肉下锅煎至两面金黄,6,轻快卡点有了这行示例模型输出的格式基本不会跑偏。如果只给字段名模型偶尔会在CSV里加表头、加引号、加空行导入剪辑软件时解析就会出错。两个工作流分别搭好后回到“美食文案官”智能体在“工作流”区域把这两个工作流添加进来。然后在编排的触发逻辑里设置收到用户消息后先调用“分镜参数提取”再调用“剪辑脚本生成”最后把CSV结果直接返回给用户。整体链路到这里基本闭环了。4.4 第四步从CSV到成片的实操路径工作流输出CSV后我把它保存成.csv文件然后导入剪映具体操作如下打开剪映新建草稿先导入背景音乐根据CSV里“背景音乐”字段的标注从音乐库选使用“字幕”功能的“智能字幕”导入CSV字幕文本会自动按行生成每条字幕对应一个分镜在素材库按“镜头类型”和“画面描述”的关键词搜索素材比如“煎肉”“切菜”“翻炒”拖入轨道对应位置根据“建议时长”调整每个素材的时长整体预览一遍人工调整明显不匹配的镜头加上转场和特效如果用的是剪映的“图文成片”功能就更简单直接把CSV里的“字幕内容”列粘贴进去系统会自动匹配素材、生成配音、加上字幕。但“图文成片”的素材匹配度比较随机质量要求高的场景我一般不依赖它。这个从CSV到成片的过程熟练之后大概3-5分钟不算“1分钟搞定”的范畴但AI工作流部分确实是1分钟内完成的。如果素材库足够丰富配合剪映的智能匹配全流程压到2-3分钟是完全可以做到的。5. 常见问题与排查技巧实录5.1 文案质量差、内容千篇一律怎么办很多人在文案生成阶段就遇到问题——生成的内容“正确但无趣”像说明书一样枯燥。我实测发现问题基本出在Prompt里没给“风格锚点”。单纯写“写一条美食文案”模型会倾向输出最安全、最模板化的内容。解决方法是加“风格偏好说明”和“禁止事项”。风格偏好说明可以是“文案要有网感多用短句节奏快像朋友聊天而不是老师讲课。”禁止事项可以是“禁止使用‘首先’‘其次’‘最后’等连接词禁止使用‘美味的’‘好吃的’‘香喷喷’等空洞形容词。”加了两条约束之后文案的风格立刻就不一样了。另外可以尝试在Prompt里给一两个“参考句式”比如“很多人做这道菜第一步就错了”让模型在句式上有个模仿的锚点但内容不能照抄。5.2 分镜JSON解析失败工作流中断这是我最常遇到的问题。症状是工作流跑到代码节点时报错提示JSON解析失败。排查思路按顺序来先看大模型节点输出的原始字符串——在Coze的调试面板里可以看到每个节点的输入输出详情确认是不是被Markdown代码块包裹了开头是json结尾是如果是代码里的剥离逻辑会处理确认是否有中文字符的引号问题AI有时会把英文引号写成中文引号代码里我加了正则把所有中文引号统一替换成英文引号确认是否有字段值为空的情况比如模型输出画面描述: 这个不影响解析但会影响后续CSV的质量值得留意如果代码节点逻辑没问题但依然频繁解析失败考虑换一个模型版本。Coze平台里的不同模型对JSON输出的“纪律性”差异很大我实测某些轻量模型的JSON稳定性明显更好但文案创意能力弱一些。我的方案是“文案用强模型提取用纪律性强的模型”两个环节各取所长。5.3 CSV导入剪映后字幕错位CSV导入剪映后偶尔出现字幕错位的情况——比如第3条字幕显示的是第5条的内容或者有字幕被吞掉。这个问题基本是CSV格式不规范导致的。剪映对CSV的解析比较严格要求每行必须是一条完整记录字段分隔符统一不能有换行符嵌套。大模型在输出CSV时偶尔会在字段内加换行符比如画面描述写了两行这就会导致剪映解析错位。解决思路有两个层面第一在CSV生成的Prompt里明确要求“每条记录只能用一行不得在字段内使用换行符”。第二在代码节点或新增一个代码节点里做一次格式化清洗把字段内的换行符替换成空格确保每行输出严格按逗号分隔。这一步加完之后字幕错位问题基本绝迹。5.4 不同菜品生成的镜头类型单调重复有时生成的脚本翻来覆去都是“中景”“近景”全景和特写很少。这说明模型的镜头切换意识不强。在参数提取的Prompt里我加了一条规则“每连续三个分镜中至少出现一次全景和一次特写特写优先分配给含有‘视觉记忆点’的句子开场使用全景或近景成品展示使用特写。”加了这个约束后镜头的多样性明显好转成片的节奏感也更强。6. 进一步扩展批量生产与多平台适配跑通单条视频的流程后很自然会想到一个问题能不能批量生产答案是能而且Coze的“批量处理”功能天然支持这个需求。你可以把几十个菜名整理成一个CSV文件通过批量处理功能逐个喂给工作流每行输出一条剪辑脚本。这个模式下AI在短时间内生成几十条分镜脚本运营人员只需要批量审查、批量保存再配合剪辑软件的批量导入就能实现一天产出多条视频。但批量模式下必须注意两条经验第一条不要完全相信AI生成的菜品名称与文案的对应关系。批量处理时模型偶尔会把菜A的文案套到菜B上审查的人如果没细看就会发出去一条“西红柿炒鸡蛋的文案配鱼香肉丝的分镜”的视频。批量输出后我通常会抽检20%-30%的条目保证核心信息正确。第二条多平台适配要考虑文案长度。同一个文案抖音版15-25秒视频号版可能30-40秒更合适小红书版则需要更详细的文字说明。我的做法是在输出格式化模块加一个“平台类型”变量让模型根据平台调整分镜数量和字幕详略程度而不是一套脚本走天下。7. 写在最后的一点个人体会搭建这套工作流前后大概花了一个周末迭代了三个版本才稳定下来。第一版全自动翻车频繁第二版加了人工确认顺滑了很多第三版把文案和提取彻底分开质量才真正稳定。我个人在实际操作中最深的一点体会是AI工作流搭建的核心难点不是技术而是“把业务逻辑拆清楚”。你看这套系统每一步都是单线程的——菜名进文案出文案进分镜出分镜进脚本出。没有复杂的循环没有过度的条件分支就是一条干净的流水线。但正因为每步职责单一、边界明确AI才能在每一步都发挥出最佳效果。最后再分享一个小技巧文案生成模块的Prompt我即使定稿后每隔一两周也会微调一次因为平台模型会升级热门内容的风格也会变化Prompt调优是一次又一次的微调。奥卡姆剃刀原理放在这里同样适用——逻辑越简单AI越不容易跑偏。如果后续想往更远的方向扩展可以尝试在工作流里接入图像生成插件为每个分镜生成预览图甚至配合本地部署的视频生成模型让“画面描述”字段直接变成视频画面。那个方向我还在探索中等跑通了再回来分享。