想用 HiDream-O1-World 做可交互画面，卡点通常不是提示词不够长，而是一次输入里混了几层互相干扰的条件。建议把每次交互拆成场景、视角、动作三块分开写，先固定其中两块，每次只改一块，画面变化才能对应到具体条件上。一次要给多少条件，取决于你想归因到哪一层：只想验证镜头能不能动，场景和动作就应当写成常量；想验证场景里能不能加东西，视角和动作就先别动。下面的输入骨架和记录方式都可替换，字段名需要结合你所用版本的接口或页面配置确认。

判断方向：一次交互至少要有场景、视角、动作三层可分辨的输入，否则结果变化无法归因。做法是先固定场景与视角，只让动作层变化，再用单变量方式逐层放开。验证方式是保留每层文本并记录观察部位，看变化是否只落在预期区域。边界：各层之间仍可能存在耦合，若只改一层就出现大范围重排，不建议继续加描述，先回退到上一次能通过的输入。

把一次交互拆成场景、视角、动作三层

三层的输入骨架可以先长这样，字段名按你的接口或页面替换：

{
  "scene":  "黄昏的城市天桥，水泥护栏，远处高架车流，阴天漫射光",
  "view":   "机位与人眼同高，朝护栏内侧，略俯视，镜头缓慢右移",
  "action": "一个人从画面左侧走入，到护栏边停下，双手搭上护栏"
}

• 场景层：世界里有什么、光源从哪来、材质与天气如何。scene 只描述世界本身，不描述谁在看。
• 视角层：谁在看、从哪看、朝向与运动。view 只描述摄像机，不新增物体。
• 动作层：画面中的主体做什么、按什么顺序做。

最常见的混淆是把视角变化写进场景描述，例如在 scene 里写“镜头推近护栏、从高处俯瞰”。这类句子会被当成空间结构的一部分，于是你只改了一句关于“看”的描写，画面却整体重排。判断依据很简单：句子涉及观察位置和方向，放 view；涉及世界里的物体、光和材质，放 scene。

场景层怎么写才不引入自相矛盾

场景描述内部打架，通常表现为光源、地面状态和空间尺度互相冲突。同一场景的两种写法对照：

• 冲突写法：正午强光的室内，窗户透进黄昏暖光，地面潮湿反光，空气干燥有浮尘——时间与光源方向矛盾，地面状态与空气状态也矛盾。
• 收敛写法：午后室内，光从右侧窗户斜射进来，地面干燥，空气中有少量浮尘——保留单一主光源，材质与空气状态不互斥。

只改场景层做单变量验证时，按下面这张表记录。输出两列按实际观察填写，不要凭印象概括成一句好或不好：

记录时写事实，比如“反光出现在护栏下方”“远处高架变得不可辨”。连续两次只改 scene、view 和 action 逐字复制，才有依据判断整体走样是不是场景层引入的。

视角层改变后画面为什么整体重排

视角条件控制的是投影关系，不决定画里存在什么。固定 scene 与 action、只改 view，画面重新排布属于正常现象；如果背景物体凭空多出或消失，那更可能是场景层被带偏，而不是视角本身的问题。

前后两列只填实际看到的部位变化，不填主观评价，这样下一轮改动才有参照。

动作层描述颗粒度的取舍

粗动作只写起、中、止三个状态，例如“人物从左侧走入，到护栏边停下，双手搭上护栏”。细动作会写顺序和幅度，例如“右手先抬起搭上护栏，随后左手，身体前倾”。粗写更容易保持前后一致，适合先确认主体数量、位置和遮挡是否正确；细写适合已经锁定场景与视角后再补。

• 粗动作的输出记录：记动作起始与结束时的主体位置、主体数量、与场景遮挡是否成立。观察项是主体是否漂移、动作是否中断。
• 细动作的输出记录：按动作分段，每段记一个衔接点。观察项是肢体数量是否变化、前后两段身体朝向是否连续、道具是否半途出现或消失。

不建议一上来就把动作写到每个手指关节。动作越细，需要维持一致性的时间跨度越长，容易出现前段符合、后段走样。可以先粗写跑通，再按段加细节，每次只加一段并记录该段的观察项。

结果不符预期时先回退哪一层

回退顺序建议是动作层 → 视角层 → 场景层，从最容易单独验证的一层往回退，每一步只改一层。

1. 动作层回退：把 action 换回上一次能通过的粗动作，scene 和 view 保持不变。记录字段：输入版本号、动作文本、起始与结束状态、主体位置是否偏移。
2. 视角层回退：若动作层回退后异常仍在，把 view 换回上一次的机位与运动参数，scene 保持当前值。记录字段：机位高度、朝向、运动方式，以及地平线和遮挡关系变化的部位。
3. 场景层回退：最后把 scene 换回没有内部冲突的版本，view 与 action 都用当前值。记录字段：光源方向、地面材质、空间尺度、远景层次，以及是否出现物体凭空增减。

每步都保留改动前后的三层文本和观察记录。若某层回退后异常消失，问题大概率落在这一层；三层都回退仍然复现，就该去检查输入长度、步数一类的参数，而不是继续重写描述。