1. 开工前先搞明白WorkBuddy 和 Hypit 在这套流程里到底谁干什么先说个场景。我前段时间帮一个做短视频的朋友复刻一条百万播放的口播视频主题是如何用AI做副业原视频 60 秒节奏快、钩子密。朋友给我的需求只有一句话照着这个风格给我出一版讲Excel培训的。 如果按老办法我得手动拆脚本、写分镜、想画面、找配音、配字幕没有三天下不来。但这次我用腾讯 WorkBuddy 配合开源 Hypit从拆解到出片只花了大概一个下午。这篇文章就把这套完整流程摊开讲面向完全没接触过这两个工具的小白。先说清楚一个容易混淆的点WorkBuddy 和 Hypit 不是同类产品它们的分工完全不同。Hypit 是一个开源的提示词编排工具核心作用是帮你把一句模糊的话扩展成结构清晰、参数完整、AI 能直接执行的生产指令。你可以把它理解成一个翻译器——把人话翻译成 AI 听得懂的任务书。它在整条链路里负责的是想清楚做什么、按什么顺序做、每一步给什么参数。WorkBuddy 则是腾讯推出的 AI 智能体工作台更准确的定位是一个执行车间。它可以调用多种 AI 能力比如文本生成、图像生成、视频生成、配音、字幕识别等并且支持把这些能力串成自动化流程。你给它输入任务书它负责调动底层模型把素材一段段生产出来。它负责的是动手做。换句话说Hypit 管脑子WorkBuddy 管手脚。单独用 WorkBuddy 也不是不行但你需要自己把需求拆得非常细还得懂提示词的各种门道单独用 Hypit 更不行它不负责生成任何视频素材。两者配合才真正实现了标题里说的一句话复刻爆款视频。为什么这套组合特别适合小白因为 Hypit 把专业提示词工程师的思考过程变成了一个开源模板库你不需要从零学提示词只需要填空WorkBuddy 又把调用多个 AI 模型变成了图形化操作你不需要写代码调接口。这两件事恰好是普通人复刻视频时最大的两道门槛。提示如果你已经用过其他 AI 工作台比如各类智能体平台上手 WorkBuddy 会非常快核心逻辑都是建项目、配技能、跑流程如果你以前完全没接触过提示词工程建议先把 Hypit 的模板跑通一遍再谈自定义。2. 复刻不是抄袭先把爆款视频拆成可执行的配方很多人一听复刻爆款视频下意识以为是洗稿或者搬运。实际不是。真正可落地的做法是把爆款视频当成一个产品拆出它的配方再用 AI 重新生产一套同配方、不同内容的视频。配方是什么是下面这五个要素。一是主题钩子。前 3 秒靠什么留住人是反常识结论、悬念提问还是数字冲击这个必须单独抽出来。二是口播脚本结构。爆款口播通常有固定的起承转合开头抛问题中间给方法结尾催行动。每条视频的节奏比例不一样要拆出来看。三是画面表现形式。是真人出镜、图文轮播、屏幕录制还是 AI 生成画面镜头大概多少秒切换一次四是音频风格。原视频是快语速、情绪激昂还是慢条斯理、娓娓道来背景音乐是轻快还是紧张五是字幕与包装。字体风格、有没有强调词标红、有没有重复闪回画面。把这五要素拆完你手里就有了一张配方表。接下来你要把这张配方表写成一个可以被 AI 理解的一句话需求。一句话需求的标准写法是目标观众 视频主题 核心钩子 参考风格 时长限制举个例子。我要复刻朋友那条如何用AI做副业的视频写给系统的需求是给短视频平台上希望用AI增加收入的职场白领讲三个普通人就能上手的AI副业方法开头用别再问AI能不能赚钱了问就是能但有门槛做钩子风格参照某条已爆视频的快节奏口播时长控制在60秒左右。这句话看起来已经很完整了但直接丢给 WorkBuddy 还不够。因为 WorkBuddy 里的视频生成模型、配音模型、画面生成模型各自需要不同粒度的指令。比如视频生成模型要知道每个镜头的内容描述配音模型要知道语气和语速画面模型要知道风格关键词。这就是 Hypit 要上场的地方。我再拿一个真实案例展示拆解过程。原视频的核心是用ChatGPT写周报钩子是你还在手动写周报看看AI 3分钟干完你两小时的活。拆出来的配方是钩子反常识对比手动 vs AI 的时间差结构问题引入10秒→ 三个步骤演示40秒→ 结果对比与引导关注10秒画面屏幕录制为主配合动态标注音频中等语速略带兴奋感字幕关键词加粗变色底部居中这套配方可以套用到用AI做PPT用AI写小红书文案用AI整理发票等任意主题上。复刻的底层逻辑是配方不变内容替换。这也是为什么这套方法能做成长线内容生产流程而不是一次性搬运。注意拆解直播、拆解图文教程也是同一套思路。关键在于不要只抄表面形式要把钩子—结构—节奏这些抽象要素提炼出来。3. 环境准备从零装好 WorkBuddy 并拉取 Hypit 开源项目进入实操之前先把环境搭起来。整个准备过程大约需要 20 分钟我会把每一步可能踩的坑点都标出来。3.1 安装 WorkBuddy 客户端WorkBuddy 提供桌面客户端官方渠道下载安装包即可支持 Windows 和 macOS。安装过程没有特别之处一路下一步就行。但有两个细节要注意第一首次启动需要用腾讯账号登录登录之后会进入一个工作台界面左侧是项目列表右侧是技能面板。如果登录后界面空白先检查网络是否正常因为这个工作台需要连接云端服务。第二建议在设置里把自动更新打开。我遇到过几次旧版本找不到某个模型入口的情况更新后功能就出现了。3.2 拉取 Hypit 开源项目Hypit 托管在 GitHub 上直接在仓库页面找到 Releases 或者按照 README 的命令拉取即可。如果你不熟悉 Git可以直接下载 ZIP 包解压。解压后你会看到几个核心目录模板库、解析器、示例配置。小白不需要关心解析器的实现只需要找到模板库目录里面有大量现成的提示词模板这是 Hypit 最值钱的部分。打开配置文件你会看到类似这样的结构project: name: 视频复刻 goal: 生成60秒口播视频制作方案 steps: - name: 拆解需求 model: text - name: 生成脚本 model: text - name: 生成分镜 model: text - name: 生成画面描述 model: image_prompt - name: 生成配音指令 model: tts不需要改动这些配置就能跑通基础流程。如果你想把 Hypit 接入 WorkBuddy需要做的只是把 Hypit 生成的提示词文本复制出来粘贴到 WorkBuddy 的对应输入框里。两者不需要做深度代码集成这是这套方案对小白友好最关键的一点。3.3 在 WorkBuddy 里配置生成视频所需的技能WorkBuddy 的技能面板里有多个预置技能文本生成、图像生成、视频生成、语音合成、字幕生成。在新建项目时建议一次性勾选这些技能。勾选后项目编辑界面会按顺序出现多个任务节点你可以把 Hypit 拆好的每一条提示词填进对应节点。要特别注意一个容易被忽略的设置画幅比例。抖音、快手、视频号通常用 9:16 竖屏B站和西瓜视频用 16:9 横屏。在 WorkBuddy 的视频生成节点里默认可能不是竖屏需要手动切换。很多人都栽在这里——提示词写得很完整结果生成出来是横屏放进抖音里上下全是黑边。提示WorkBuddy 里每个技能节点都可以单独测通。建议先跑通文本生成确认输出正常后再依次测试图像生成和视频生成。不要一次性把五个节点全部跑完再查问题否则报错时很难定位是哪个环节出了问题。4. 核心环节用 Hypit 把一句话扩写成视频制作全案环境搭好后最关键的环节来了把一句话需求扩写成完整的视频制作全案。这一步做得好不好直接决定输出质量。很多人复刻失败不是 AI 不行而是给 AI 的指令太粗糙。4.1 Hypit 提示词模板的结构化写法Hypit 模板库里的提示词模板核心逻辑是分模块、给示例、锁风格。以视频复刻场景为例一个完整的提示词应该包含以下模块角色设定告诉 AI 它是什么角色。比如你是一位资深短视频编导擅长快节奏口播视频策划。这一步是为了让 AI 的输出带上专业视角。任务目标一句话描述最终要交付什么。比如输出一条 60 秒口播视频的完整制作方案。输入素材把你拆解的爆款视频配方填进来包括钩子、结构比例、画面形式、音频风格、字幕风格。分步指令让 AI 按顺序输出脚本、分镜表、画面提示词、配音指示和字幕样式。输出格式约束规定每个模块的字数、条数、格式方便直接复制到 WorkBuddy。这五个模块缺一个效果都会打折扣。尤其是输入素材和分步指令很多人觉得有角色设定和任务目标就够了结果 AI 输出的脚本很泛一点都不像原视频的节奏。4.2 完整示例从一句话到脚本、分镜、风格参数下面给一个可以直接抄的 Hypit 提示词模板。以前面提到的用AI做副业为例你是一位做过 100 条百万播放口播视频的短视频编导。 任务为一期主题为普通人如何用 AI 做副业的 60 秒口播视频输出完整制作方案。 参考配方 - 钩子3 秒内抛出反常识结论 - 结构问题引入 10 秒 三个方法讲解 40 秒 引导关注 10 秒 - 画面真人出镜为主穿插屏幕演示 - 音频快语速情绪有起伏 - 字幕关键词加粗放大 请按以下顺序输出 1. 完整口播脚本每句话标注预计时长 2. 分镜表包含镜头序号、画面内容、字幕文案 3. 每个镜头的 AI 画面生成提示词 4. 配音指令包含语速、语气、停顿位置 5. 字幕样式建议把这段话丢给 Hypit 处理后它输出的就是一份结构化生产单。每个模块都对应 WorkBuddy 里一个技能节点的输入。4.3 为什么配方要写成参数化而不是直接给文案这里有一个容易被忽略但非常重要的思路配方要参数化不要给成品文案。什么意思呢如果你直接让 AI把这条视频改成讲 Excel 培训的AI 大概率只会做词语替换产出的脚本既没有结构感也丢失了原视频的节奏。但如果你把配方拆解成开头 3 秒反常识钩子 三个方法各 10 秒 结尾引导关注AI 就知道它需要按照这个节奏重新创作。参数化的本质是告诉 AI骨架长什么样而不是把肉换掉。这也是 Hypit 模板库设计的核心思路——它沉淀的不是某一条视频的文案而是可复用的视频生产结构。我实际测试下来参数化配方的效果和直接替换文案的差距非常明显。前者生成的口播脚本结构完整、节奏紧凑几乎可以直接录后者生成的脚本读起来像流水账开头钩子一点都不抓人。经验分享刚开始用 Hypit 的时候可以先用模板库自带的视频类模板跑一遍再对照着修改配方参数。不要一上来就自己从零写模板容易漏掉输出格式约束这个关键模块。格式约束一旦缺失输出的结构就不可控后面对接 WorkBuddy 会很痛苦。5. WorkBuddy 实操按配方逐段生成视频素材并合成Hypit 输出完整方案后接下来就是 WorkBuddy 的执行环节。整个流程可以拆成四段先出口播文案再出分镜和画面描述然后逐镜头生成画面素材最后配音、字幕、合成。5.1 生成口播文案与分镜脚本在 WorkBuddy 的文本生成节点粘贴 Hypit 输出的第一部分口播脚本指令。节点输出后检查几个关键点第一脚本总时长是否匹配。60 秒的视频口播文案大约在 220 到 280 字之间正常语速每秒 3.5 到 4.5 个字。如果输出超过 400 字需要在文本生成节点里追加控制在 250 字以内的约束。第二钩子是否在前两句。如果 AI 输出的第一句是今天我们来聊聊……这种平淡开场直接删掉重写不要浪费时间修改。第三分镜表里的镜头数量。60 秒视频通常拆 8 到 12 个镜头每个镜头 5 到 8 秒。镜头太少画面会显得呆板镜头太多后期剪辑工作量会成倍增加。5.2 逐镜头生成画面素材分镜确认后把 Hypit 输出的画面生成提示词填入 WorkBuddy 的图像生成或视频生成节点。这里有一个重要的实操技巧不要一次性生成全部镜头一次只处理一个镜头。原因很简单。视频生成模型对单次输入长度有隐性限制提示词越长越容易出现元素丢失。而且逐个生成可以随时替换不满意的镜头一次性批量生成的话如果中间某个镜头风格跑偏你可能需要全部重新生成。为了保证风格统一在每个镜头的画面提示词里都加上一组风格描述词。比如风格真人实拍感室内自然光浅景深画面偏暖色调这段风格描述词是所有镜头共用的每次生成都粘贴一遍。实测下来加上统一风格词后各镜头之间的割裂感会大大降低。5.3 配音、字幕与自动剪辑画面素材齐了之后把 Hypit 输出的配音指令填入语音合成节点。配音环节的关键参数有两个语速和停顿。WorkBuddy 的语音合成节点支持调整语速通常 60 秒视频选 1.1 到 1.2 倍速比较合适。如果你发现配音太急先把语速降到 1.0 再听不要直接改文案因为文案字数是按 60 秒规划的改字数会影响整体时长。字幕生成节点一般会自动识别配音转成字幕文件。这里要检查的是断句位置。AI 经常会把长句切得很难看比如现在很多人都在用AI做副业但是呢不知道怎么开始这种句子被切成现在很多人都在用AI/做副业观感就很差。手动调整断句是值得花时间的这是成品和半成品之间很重要的一个区别。最后在剪辑节点把画面、配音、字幕按分镜顺序拼接。WorkBuddy 内置的自动剪辑可以把每段视频素材按顺序排列配上统一转场。新手直接用默认的淡入淡出转场就好不需要额外加工。注意画面素材和配音的时长匹配是自动剪辑最常见的翻车点。如果某段画面素材明显短于对应配音剪辑输出会出现音频延续到下一个镜头的问题。解决办法是在视频生成节点里明确指定每个镜头的时长精确到秒。6. 实测中必定会撞上的坑和我的处理办法这套流程我前后跑了不下二十次把高频问题的排查思路整理如下。每个问题都附带我实际使用的处理方案你可以直接照着做。6.1 提示词太长被截断Hypit 输出的完整方案往往很长直接粘贴到 WorkBuddy 节点时有时候会被截断。直观表现是节点输出内容明显缺了后半部分。处理方法不是缩短提示词而是拆分输入。比如 Hypit 生成了 5 个模块的内容WorkBuddy 处理文本生成时只粘贴角色设定 任务目标 输入素材 分步指令这四部分把输出格式约束单独放在文本框末尾避免挤在一起。如果仍然截断就把输出格式约束拆成两条先让模型输出口播脚本再让它输出分镜表。6.2 画面一致性崩坏复刻类视频最常见的翻车现场就是第一个镜头是室内暖色调第二个镜头变成了冷色调外景。人物长相、服装、环境全对不上。这是因为不同镜头分别调用模型生成时模型没有全局记忆。我测试出三个有效的缓解办法。第一在每段画面提示词里重复粘贴统一的风格描述词前面已经说过。第二如果是真人出镜类视频尽量选择 WorkBuddy 支持的角色一致性功能在图像生成节点里勾选参考图先上传第一段画面的截图作为后续镜头的参考基准。第三减少无关细节描述提示词里只写核心元素比如办公桌、笔记本电脑、一杯咖啡不要加太多环境形容词因为每多一个细节模型崩坏的概率就高一分。6.3 声音和画面不同步生成的配音时长和视频素材时长不匹配是自动拼接后最容易被发现的缺陷。根源几乎都在视频生成环节——单个镜头的实际时长和提示词要求的时长有明显偏差。排查思路是先看剪辑时间轴确定是哪个镜头超出了预期时长回去重新生成该镜头并在提示词里再次强调时长 5 秒。如果多次生成仍然超时就把该镜头的画面描述简化通常画面元素越多模型生成耗时越长实际表现时长也越难控制。6.4 素材版权与平台审核风险最后这个坑必须单独提醒复刻爆款视频时使用的参考素材可能存在版权风险。我的处理原则是参考结构不搬运素材。也就是说原视频的音频、高清画面、字幕文件不要直接下载使用只用它的配方——结构、节奏、钩子方式。生成过程中涉及的所有画面、配音、文案全部由 AI 新建从源头避开版权问题。平台审核方面如果原视频带有明显的真人形象和独特场景复刻时建议在配方的画面形式那一栏直接改成AI 生成画面或屏幕演示避免被判定为高度相似内容。我在实际项目中用这套方法跑了几个视频没有出现过搬运处罚核心原因就是我们从不直接复用任何原始素材片段。最后再分享一个小技巧每次成功跑通一条视频就把 Hypit 的配方模板存一份副本命名规则是主题 钩子类型 时长。攒上十几个模板之后你会发现一句话复刻视频越来越接近字面意思——因为大部分工作已经被模板代码消化掉了剩下的事情只是换主题、换参数、点运行。