两句提示词，一个MV。作者花叔用 Opus 5.5 配合 huashu-art-motion，把周杰伦的《七里香》做成了一支莫奈画风的音乐视频。

他给出的指令简单到近乎随意：用莫奈的绘画风格，给周杰伦的七里香做一个 MV，然后调用 /huashu-art-motion。没有分镜脚本，没有逐帧描述，画面意象、运镜和动效规划都由模型自己完成。

Agent 自己去把音频找来了

更值得注意的一步发生在素材获取环节。Claude Code 自主从 YouTube 检索并抓取了演唱会版本的音频，并在此基础上完成视听对齐。

这意味着输入并不是一份准备好的音频文件，而是一个需要 Agent 自行搜集、处理非标准输入的过程。抓取、对齐、生成，链条上的这几步没有靠人工搬运。

提示词里只提了两个约束：莫奈的绘画风格，以及契合歌曲节奏与运镜。风格和节奏是仅有的两个锚点，其余留给了模型判断。

两轮迭代，不到100万Token

成本数据是这次实践里最直接的一项。整个过程迭代了两个版本，整体消耗不到 100 万 Token。

对于长篇幅的视听内容生成来说，这个数字体现的是生成效率与成本控制的表现。作者自己的评价是"居然还挺省 token 的"。

把这件事拆开看，几个环节被压缩进了同一条流程：

  • 极简提示词驱动复杂的视听协同生成
  • Agent 自主搜集素材并处理非标输入
  • 多模态长视频生成的 Token 消耗得到优化

三个环节原本各自需要不同的工具和人工介入，现在被两句提示词串了起来。作者记录下的这次尝试，展示的是工具在长篇幅视听内容生成上的成本与控制表现。