做自媒体，最卡人的从来不是创意，而是"想法到成片"之间那条又长又碎的流水线。文案要写、画面要拍、配音要配、封面要设计，一个人恨不得拆成八个人用。我过去一年大部分时间都耗在这种"一个人活成一支队伍"的状态里，直到把三件工具彻底揉进了自己的生产流程——Deepseek负责想和写，即梦AI负责快速出素材，Midjourney负责把视觉质感拉上去。这套组合跑通之后，一条60秒的短视频，从选题到素材齐活，我最快能做到30分钟。
这篇文章不是工具说明书，是我自己踩了大半年坑之后整理出来的实战体系。里面会讲清楚三件工具到底怎么分工、提示词怎么写才不出废片、完整跑一遍案例的每一个环节，以及那些文档里不会告诉你的翻车点。适合正在做或者打算做短视频、图文账号的朋友，不管你是纯新手还是已经做了几个月，应该都能从里面拿走一些可以直接用的东西。
1. 先想清楚一件事：这三件工具到底怎么分工
很多人刚接触AI自媒体的时候，习惯把工具当成"一个能画图的软件"来用，今天试试这个明天试试那个，最后什么都没沉淀下来。我自己最早也是这样，Midjourney刚上手觉得惊为天人，但真要做内容却不知道该让它生成什么；Deepseek出来之后又觉得文案有救了，结果生成的内容千篇一律，根本没法直接用。
问题不在工具，在于你压根没给它们分配岗位。
1.1 为什么不是只用一个工具
把三件工具放在一起，不是因为我喜欢"AIGC全家桶"式的仪式感，而是因为它们各自的强项确实不重叠。
Deepseek是典型的"文科生"，长文本理解和中文语感在同类模型里属于第一梯队，特别适合做选题策划、脚本撰写、结构化输出这些偏逻辑和语言的活儿。它的中文表达没有那种常见的翻译腔，写口播文案的时候尤其明显，句子短、有节奏、像真人说话。
即梦AI最大的价值是"快"和"接地气"。它对中文画面的理解比很多海外工具强，你直接描述"一个女生在清晨的书桌前喝咖啡，窗外是城市剪影"，它基本能还原个八九不离十。而且它同时覆盖图片生成、视频生成、数字人播报这些功能，一条龙出素材的时候非常顺手，适合做批量化的日常内容。
Midjourney则负责"质感"。它的画面光影、构图、艺术完成度确实高出平均水平，尤其是做封面图、商业感强的视觉物料、或者需要统一视觉风格的系列内容时，Midjourney做后期精修的优势非常明显。代价是上手门槛高一点，需要掌握关键词和参数控制。
所以我的分工逻辑很简单：能用Deepseek动脑的绝不手动写，能用即梦AI快速出图的绝不用Midjourney硬磨，但凡是封面和关键视觉物料，一律切到Midjourney。
1.2 三者协作的常见流程
先看流程图的话大概是这样的：Deepseek先基于账号定位产出选题和脚本，然后把脚本拆成分镜，每个分镜对应一个画面描述，接着把这些画面描述交给即梦AI批量生成底图，遇到重要的封面或核心画面再升级到Midjourney精修，最后把素材拖进剪辑工具配音合成。
这套流程看起来简单，真正跑顺它需要解决三个问题：脚本能不能拆成画面、AI生成结果能不能稳定可控、每个环节的产出格式能不能直接衔接。下面几节我会逐个展开。
| 工具 | 核心职责 | 优势场景 | 常见产出 |
|---|---|---|---|
| Deepseek | 内容策划与文案 | 选题、脚本、标题、口播稿 | 文本 |
| 即梦AI | 批量化视觉素材 | 正文配图、视频片段、数字人口播 | 图片/视频 |
| Midjourney | 高质量视觉精修 | 封面、海报、系列视觉 | 图片 |
2. Deepseek才是这套流程的发动机：选题与脚本的提示词工程
很多人的误区是拿Deepseek直接说"帮我写个文案"，然后得到一个四平八稳但毫无传播力的东西，于是得出"AI写的东西不能看"的结论。实际上问题在于你交给它的上下文太稀薄了。Deepseek这类模型的强项在于"约束条件下生成"，你要把约束给足，它才能产出能用的东西。
2.1 让Deepseek理解你的账号定位
我每次让Deepseek做选题或者写脚本之前，一定会先给它一段"账号背景说明"，让它进入状态。这段说明不是随便写的，至少包含四个要素：账号做什么领域、目标人群是谁、内容风格怎么形容、过往哪条内容表现最好。
举个例子，我会这样写：
我运营一个职场效率类账号，目标人群是25-35岁的办公室白领，他们工作忙碌、想提升效率但没时间系统学习。内容风格是"短平快+有干货+带一点幽默"，问题导向型，不空谈理论。之前数据最好的一条讲的是"如何用AI减少重复劳动"，播放量破10万。现在请基于这个背景，帮我策划10个选题。
加了背景之后，Deepseek给的选题质量完全不一样，它会更贴近真实用户场景，而不是给出"高效工作的十大技巧"这种烂大街的方向。这一步是整个流程中最省时间但最容易被跳过的环节，我强烈建议不要省。
2.2 爆款脚本的公式化生成法
脚本阶段我依赖一套固定的提示词结构，核心是把"公式感"告诉Deepseek。我常用的口播短视频脚本结构是：前3秒钩子 + 痛点共鸣 + 方法给出 + 结论升华。前3秒必须用一个反常识的提问或者场景切入，中间给两到三个可操作的方法，每个方法都要有"做完之后会发生什么"的结果描述。
把这套结构写进提示词，Deepseek就能稳定输出，而不是自由发挥。我用的是这样的模板：
你是一位有10年经验的短视频编导，擅长为职场效率类账号写口播脚本。 请按照以下结构输出一条时长约60秒的短视频脚本： 1. 前3秒钩子：用一个反常识提问或场景切入 2. 痛点共鸣：描述目标人群正在经历的困境，引起认同感 3. 方法段落：给出2-3个具体可执行的方法，每条不超过30字，必须有动作、有结果 4. 结论升华：用一句有记忆点的话收尾 主题是：用AI工具写周报 要求：口语化，不要书面语，不要AI味太重的词，句子要短，多用"你"完成对话感实测跑出来的脚本基本能直接用，偶尔需要改的也就是语气和个别表述。之前我一条口播稿要磨两个小时，现在二十分钟内搞定初稿，效率提升非常明显。
2.3 把文字变画面的关键一步
脚本出来了，接下来要做的不是急着去生成图片，而是把文本脚本转成分镜描述。这一步反而是很多人没意识到的：AI绘图工具不认识你写的中长句，它需要的是"画面要素清单"。
我一般让Deepseek顺手把分镜表也拆了。在脚本生成之后追加一句：
请将上述脚本拆分为6个分镜，每个分镜包含：画面主体、场景、光影氛围、画面中的文字元素。每个分镜的描述控制在50字以内，直接列出，不要用表格。
这样产出的是干干净净的画面描述，直接丢给即梦AI就能出图。这里有个细节：分镜描述里一定要写清楚"画面中的文字元素"，如果没有特别指定，AI生成的图里经常自带乱码文字，后期修起来非常痛苦。
3. 即梦AI：把脚本变成画面的最快路径
脚本和分镜都准备好了，接下来进入视觉素材生产环节。为什么在这个环节优先用即梦AI而不是Midjourney？因为即梦AI足够快，且对中文场景的理解很到位，适合批量打底。我的习惯是先让即梦AI把所有分镜的底图全部生成一遍，跑通全片逻辑，再从中挑出值得精修的画面升级到Midjourney。
3.1 即梦AI的能力边界
即梦AI目前的覆盖范围主要是：文生图、图生图、文生视频、图生视频、数字人播报。对自媒体内容生产来说，最常用的是文生图和图生视频这两个功能。
文生图适合产出口播视频的静态分镜画面，或者图文笔记的配图。图生视频则是把一张静态图变成一段动态视频，适合做运镜效果，比如镜头缓慢推进、人物轻微动作。数字人播报适合做不需要真人出镜的口播内容，选择一个形象，输入文案，它会自动生成说话视频，效率极高。
但也要说清楚它的短板：画面的精致度和艺术性确实不如Midjourney，偶尔会出现手部结构错误、人物面部变形这类问题，尤其是复杂场景和多人构图的时候。所以我的原则是：底图用即梦快速生成，但重场面和封面图一定要给Midjourney留一个精修位。
3.2 文生图的使用要点
用了大半年即梦AI，我觉得最影响出图质量的三个参数是：画面比例、风格描述、负面提示词。
画面比例直接决定素材能不能用。做横屏视频，统一16:9；做图文笔记封面，10:3的比例在平台上展示效果最好；小红书图文通常用4:3或3:4。每生成一张图都要先定比例，不要出了图再裁切，裁切会改变构图完整性。
风格描述要具体到"用词颗粒度"。与其写"唯美风格"，不如写"清晨自然光、浅灰色调、电影感、浅景深、柔焦背景"。同样的提示词，颗粒度粗细不同，出图效果差异非常大。
负面提示词是很多人忽略的。我每次都会写"无文字、无水印、无畸形、无多余手指"，这几个词能拦住大部分常见废图。
3.3 批量出图的参数设置
批量出图的节奏也很关键。我的做法是保持同一个"画面风格基准句"，把它放在每张分镜描述的前面，这样整套视频的画面风格才能统一。
比如我做一个职场口播系列，基准句会是"现代办公室场景、写字楼落地窗、自然光、色调偏暖、真人实拍感"。每个分镜描述都以这个基准句开头，再追加具体的画面要素。这样即梦AI生成出来的6张图放到一起，视觉上是连贯的，不会出现第一张是写实风、第二张突然变成二次元的情况。
图片生成之后，建议每张图点开检查一下，主要看三个地方：文字是否乱码、人物手部是否正常、画面主体是否符合分镜描述。废图直接重新生成，多花十几秒，好过硬着头皮用结果在后期补救。
4. Midjourney：决定视觉质感的进阶环节
如果说即梦AI负责"把内容做完"，Midjourney就负责"把内容做好看"。过去半年凡是数据好的内容，封面图基本都是Midjourney出品的。这一节讲的是我在MJ里的成熟用法，不聊基础操作，只说我验证过的高效路径。
4.1 什么时候该切到Midjourney
不是每张图都值得动用Midjourney。它生成一张图的时间更长，试错成本也更高。我的筛选标准是三条，满足任意一条就切：
- 画面将被用作封面或头图，承担点击率
- 画面包含需要统一风格的多图系列，比如账号整体视觉调性
- 即梦AI在某个关键画面上连续出图失败
封面图为什么这么重要？因为自媒体内容的点击率，在平台算法里是第一道关卡。同一个选题，封面质感不同，点击率能差出两到三倍。Midjourney在光影质感、色彩平衡、构图层次上的表现，确实比即梦AI稳定，这个差距在封面这种大图场景下特别明显。
4.2 关键词与参数配置
Midjourney出图的稳定性靠的是"结构化的关键词 + 参数控制"。我的提示词结构通常会这样组织：
[主体] + [环境] + [光影] + [构图] + [风格参考] + [画质描述] + --ar [比例] --stylize [数值] --v [版本]举例，一个职场口播视频的封面图提示词：
a professional Chinese young woman standing by a floor-to-ceiling window in a modern office, morning sunlight, shallow depth of field, natural pose, candid look at camera, photorealistic, editorial photography style --ar 4:5 --stylize 180 --v 7这里有个参数需要特别注意：--stylize控制的是画面风格化程度，数值越高画面越艺术化，但跟提示词的匹配度会降低。做封面图我一般控制在100-200之间，既保证有质感，又不会偏离描述太多。
4.3 用图生图锁住角色一致性
做系列内容最头疼的问题是什么？是人物形象不统一。这个视频的主角是位扎马尾的女生，下个视频可能就变成短发笑脸了，整个账号的辨识度直接崩掉。
Midjourney解决这个问题靠的是垫图。把第一集定稿的主人公图片作为参考图，生成新图时挂上这张图，再配合提示词描述同一个人物。实际操作上，我通常会准备2-3张不同角度的主人公参考图，每次生成时都把它们挂上去，同时把参考图的权重参数调高一点。这样生成的新图里，人物的大体长相和服装风格能保持统一，不会再出现"每集换一张脸"的尴尬。
有个坑要提醒：参考图不要用AI生成的侧面或背面图，那种图带不动特征信息，会导致角色漂移。尽量用正脸清晰、光线均匀的图片做基底。
5. 一套完整的实战案例：一个知识类口播视频的诞生
前面几节讲的都是方法论，这一节我把一条视频从零到素材齐备的完整过程拆开给你看。我拿最近做的一条"AI写周报"主题的口播视频举例，整条视频60秒，全程只用了前面说的三件工具加一个剪辑软件。
5.1 案例背景与目标
账号定位是职场效率类，目标人群办公室白领。这条视频的目标很明确：通过"用AI写周报"这个具体场景切入，让观众感受到"原来AI能帮我省这么多时间"，从而关注账号。视频形式是口播+情景画面穿插，口播稿由真人配音，画面用AI生成。
5.2 从选题到分镜的完整过程
第一步，Deepseek生成选题。我把账号背景和内容偏好发过去，让它给10个选题，从中选了"用AI写周报"这个方向，原因是它足够具体、日常有高频场景、适合演示。
第二步，Deepseek写口播脚本。用前面说的公式化模板，生成了一版60秒脚本：
- 钩子："你有没有算过，每周写周报要花掉多少时间？"
- 痛点："很多人周一早上光回忆这周干了什么，就能回忆半小时。"
- 方法：三段式，打开AI工具输入岗位和本周事项、要求输出结构化周报、人工检查并调整语气。
- 收尾："把时间花在真正重要的地方，周报这种体力活，交给AI就好。"
第三步，Deepseek拆成6个分镜画面描述。比如第一个分镜对应"一个人看着空白的周报文档发呆，电脑屏幕亮光映在脸上"，第二个分镜对应"手机日历上密密麻麻的会议记录"。
5.3 素材生成与合成
第四步，即梦AI出底图。把6个分镜描述前面都加上"现代办公室、自然光、写实风格"的基准句，一次性生成底图。这个环节大约10分钟，中间有2张废图直接重新生成。
第五步，封面图交给Midjourney精修。封面需要突出"效率感"，我生成了一张主角站在窗前、电脑屏幕投出淡蓝色光线的图，配上标题文字"周报，10分钟搞定"。Midjourney出图后放到封面模板里，加上标题字，质感明显比即梦AI底图高一档。
第六步，剪辑合成。把口播录音、即梦AI的动态画面（把2张静态底图拖进去做成简单运镜）、封面图、字幕全部合到一起，一条完整视频就出来了。从脚本到成片，总耗时大约1小时，其中一半时间花在检查和微调上。
这条视频发出去之后，数据表现明显好于同账号平均水平，完播率高了不少。关键是，同样的流程我可以一周复制三条，内容制作的瓶颈完全被打破了。
6. 趟过这些坑之后，我的效率体系
工具链跑通了不代表不会翻车。恰恰相反，我前面每一次"翻车"都成了现在流程里的一处校准点。这一节我不讲漂亮话，只把最容易踩的坑和我的应对方式列出来。
6.1 最容易翻车的几个环节
第一个坑是脚本和画面的脱节。Deepseek写出来的分镜描述如果太抽象，比如"表现忙碌感"，即梦AI根本不知道你要什么。后来我强制要求分镜描述必须包含主体、环境、光线、画面元素四要素，废图率明显下降。
第二个坑是AI画面里的文字乱码。即梦AI和Midjourney生成的图里，只要画面有文字元素，大概率会出现拼写错误的乱码。我的办法分两层：生成时在负面提示词里写明"无文字"，生成后如果需要文字，一律在剪辑或设计工具里自己加，绝不让AI直接生成中文文字内容。
第三个坑是人物一致性漂移。不仅是系列内容，单条视频里分镜人物前后不一致也很出戏。现在我只要有连续画面，一定用参考图锁脸，而不是重新描述。
第四个坑是平台流量算法的调性要求。AI生成的画面再精美，如果一眼假，用户就会划走。我后来刻意降低画面的"AI感"，方法包括：降低饱和度模拟实拍感、加入轻微噪点、用真人实拍的音轨配合AI画面。
6.2 我的工作流节奏与时间分配
一台电脑、一个Deepseek账号、即梦AI和Midjourney各一个，这就是我全部的生产工具。一条完整短视频的时间分配大概是这样的：
| 环节 | 耗时 | 工具 |
|---|---|---|
| 选题与脚本 | 10分钟 | Deepseek |
| 分镜描述 | 5分钟 | Deepseek |
| 底图生成 | 10分钟 | 即梦AI |
| 封面精修 | 10分钟 | Midjourney |
| 配音与合成 | 25分钟 | 录音+剪辑软件 |
稳定跑起来之后，一天产出一条成品视频是完全可以做到的。如果当天状态好，我还会把Deepseek生成的脚本多存几个，留作备用选题库。
6.3 后续扩展：批量化和矩阵化
这套体系最大的价值在于可复制。脚本结构是固定的、提示词模板是固定的、出图流程是固定的，所以整个流程里最消耗判断力的环节被压缩到了最低。
我现在已经在尝试做内容矩阵化：同一个选题方向，生成多个角度的脚本；同一套视觉风格，批量生成多期封面；再用不同账号分发不同子方向。这种做法放在以前需要一整个团队，现在一个人就能维持日常更新。
如果你正准备开始尝试这套三件套打法，我的建议是从一条最简单的口播视频做起，完整跑一遍流程，先不要追求完美，跑通比跑好更重要。等流程顺了，再回头优化每个环节的质感，那时候你会比任何旁观者都清楚，瓶颈到底出在文案、画面还是剪辑上。
