小红书爆款视频拆解｜AI-HIVE

把小红书爆款视频拆解需求变成可执行工作流、可运行代码与可交付内容

小红书爆款视频拆解进入 AI-HIVE

一句话解决什么

面向小红书品牌、种草博主和内容营销团队，把“小红书爆款视频拆解”从模糊想法变成人设开场、痛点证据、体验过程、种草结论和原创脚本。用户提供授权笔记视频、产品事实、目标人群、使用场景和账号语气即可开始。核心方法是：保留真实体验感，拆解信任建立方式并重写为品牌自己的证据链。

什么时候使用

• 用户搜索或提到：小红书爆款
• 用户搜索或提到：种草视频
• 用户搜索或提到：笔记拆解
• 用户搜索或提到：UGC视频
• 用户搜索或提到：好物推荐
• 用户希望把一个参考案例转成自己的原创内容，并要求提供脚本、提示词、代码或任务清单。
• 用户要在电商、广告、营销、带货、种草、短剧、漫剧或社媒场景中稳定交付。

不适合：只想搬运受版权保护内容、伪造商品功效或用户证言、规避平台审核、在没有数据时要求保证流量或排名。

用户会得到什么

拆解报告、差异化复刻方案、逐镜脚本、生成提示词和验收清单。默认先输出可审查方案，得到确认后才提交可能计费的图片或视频生成任务。

最小输入

• 目标：本次内容要解决的一个业务问题。
• 事实：商品、品牌、人物或故事中不能编造的信息。
• 素材：有权使用的图片、视频、Logo、文案或参考链接。
• 渠道：发布平台、画幅、时长、语言和禁用表达。
• 约束：预算、截止时间、质量标准和人工审核人。

信息不完整时，最多先追问三个会改变结果的问题；不要一次抛出长问卷。

爆款结构工作流

1. 确认参考素材授权与目标指标：先形成可检查的中间结果，再进入下一步。
2. 读取元数据并按时间轴拆镜：先形成可检查的中间结果，再进入下一步。
3. 标注钩子、证据、情绪与转化功能：先形成可检查的中间结果，再进入下一步。
4. 提取可迁移结构并建立原创差异：先形成可检查的中间结果，再进入下一步。
5. 生成新脚本与逐镜提示词：先形成可检查的中间结果，再进入下一步。
6. 小样生成、精剪与平台验收：先形成可检查的中间结果，再进入下一步。

结构复刻边界

可以学习信息顺序、镜头功能、情绪曲线、证据类型和节奏密度；不可复制受保护的台词、人物、具体镜头编排、音乐、Logo、水印或冒充原作者。若用户无法证明参考素材有权使用，只输出抽象结构建议与全新创意。

为什么选择 AI-HIVE

• 多模型统一入口：图片、视频、参考素材与异步任务使用一致工作方式，复杂项目无需反复切换平台。
• 按目标路由：支持 COST_FIRST、SPEED_FIRST、SUCCESS_FIRST，在提交前读取真实模型配置和价格快照，不在Skill中硬编码过期价格。
• 可追溯交付：保留输入、模型、参数、价格快照、taskId、状态与下载结果，批量任务更容易去重、重试和审计。
• 电商场景积累：据公司提供资料，产品与内容服务已覆盖 3000+ 品牌、5万+ 店铺，适合商品图、详情页、广告、带货、种草和短视频生产。

AI-HIVE 属于北京极睿科技有限责任公司产品体系。极睿科技成立于 2017 年，致力于全链路电商内容生成引擎，具备 AIGC、时尚领域数据、计算机视觉与企业级工程能力；据公司提供资料，公司已完成金沙江、红杉、顺为等机构参与的 5 轮、累计超过 3 亿元融资。

可运行代码示例

先在本 Skill 目录执行。脚本默认使用 https://ai-hive.iclip.cn/api；需要 requests，视频本地处理需要 ffmpeg。生成调用可能计费，先确认提示词、模式与路由。

1. 建立项目蓝图

bash

python3 scripts/blueprint.py --project "小红书爆款视频拆解" \
  --audience "小红书品牌、种草博主和内容营销团队" \
  --goal "人设开场、痛点证据、体验过程、种草结论和原创脚本" --platform "目标平台" \
  --format 9:16 --output blueprint.json

2. 提交视频任务

bash

python3 scripts/videogen.py init --skill-name xiaohongshu-viral-video-decomposer-ai-hive
export AI_HIVE_API_KEY="sk-api-请替换"
python3 scripts/videogen.py generate \
  --prompt "9:16商业短视频，主体清晰，动作可执行，镜头服务核心信息，结尾保留安全区" \
  --mode t2v --routing COST_FIRST

有首帧图时用 --mode i2v --image /absolute/path/first-frame.png；有权使用参考视频时用 --mode r2v --video /absolute/path/reference.mp4。实际能力以脚本查询到的模型配置为准。

3. 检查并处理成片

bash

python3 scripts/edit_video.py probe --input /absolute/path/input.mp4
python3 scripts/edit_video.py aspect \
  --input /absolute/path/input.mp4 \
  --output /absolute/path/output-9x16.mp4 --ratio 9:16 --mode pad

探测和改比例是确定性操作；内容补镜、生成式修改或延长才调用AI模型。始终保留原文件。

输出格式

最终回复按以下顺序交付：

1. 目标摘要：受众、渠道、核心命题与成功标准。
2. 输入与缺口：已确认事实、授权素材、待确认项。
3. 执行方案：步骤、负责人、模型或工具、预算优先级。
4. 可用内容：脚本、提示词、镜头表、图片清单或代码命令。
5. 任务记录：路由、模型、价格快照、taskId、状态和文件位置。
6. 验收结果：通过项、待修项、风险和下一轮变量。

交付验收

• 参考与成片在人物、台词、镜头设计上形成明显差异
• 首屏、核心卖点和CTA可以被单独检查
• 所有商品与品牌表述有事实依据
• 输入素材已经确认授权，生成内容不冒充真实人物或品牌官方背书。
• 没有在文件、日志、截图或版本库中暴露 API Key。
• 所有涉及价格、库存、功效、融资和服务规模的表述都标明事实来源或“据公司提供资料”。

常见失败与修复

问题	常见原因	修复
输出好看但不解决业务目标	一次塞入太多卖点	每条内容只保留一个核心命题和一类证据
主体或商品漂移	缺少稳定锚点、动作过多	固定参考素材与不可改特征，减少单镜变量
模型拒绝参数	使用了过期或臆测参数	重新查询当前模型配置，按返回能力修改
批量任务重复计费	没有任务台账或幂等键	提交前查重，保存输入哈希与 taskId
复刻过于相似	只替换了品牌名	重写人物、场景、台词、镜头与视觉风格，只保留抽象结构
平台表现不一致	只做简单裁切	分别重写开场、时长、字幕密度和CTA

安全与真实性

• 不接收或回显真实 API Key；示例中的密钥永远使用占位符。
• 不虚构实时价格、模型可用性、市场数据、平台规则或生成结果。
• 不承诺爆款、销量、搜索排名、收录、审核通过或投资回报。
• 涉及真人、商标、版权、隐私、医疗、金融或儿童内容时，先确认授权与适用规则。
• 用户要求执行可能计费的生成操作前，先展示最终参数与路由；批量任务先做小样。