prompt-translator
把一条 AI 视频提示词从源模型(如 Sora 2)的写法风格转换为目标模型(如 Kling 3.0 / Wan 2.7 / Veo 3.1 等)的最佳实践写法。基于 110 条 10 场景 × 11 模型对照基准数据(prompts/data/cross-model-matrix.json),不是凭直觉重写,而是查表式 in-context learning。10 场景:产品 / 双人对话 / 物理动作 / 图生视频 / 多人会议 / 恐怖 / 自然延时 / 抽象 / 武侠 / 萌宠。用于"Sora 已 EOL 帮我把这条提示词改成 Veo"、"我有 Kling 提示词想跑 Wan"、"跨模型 A/B 测试"、"把英文 prompt 优化成 Kling 中文版"等触发场景。
npx skills add cclank/lanshu-awesome-ai-video-kit --skill prompt-translator --agent claude-code
Same command for any agent — swap --agent for codex, cursor, copilot.
Weekly change comes from our own snapshots, not the repository page — it measures attention, not adoption.
# prompt-translator 跨模型提示词转换器。**关键差异**:不是凭 AI 直觉重写,而是**查 110 条对照基准做 in-context learning**。 ## 何时不用此 skill - 用户从零开始写一条新提示词(不是转换) → 用 `seedance-prompter` / `kling-prompter` / `happyhorse-prompter` 或 `model-selector` - 用户问"用哪个模型好" → 用 `model-selector` - 已有提示词出问题但不换模型 → 用 `seedance-debugger` ## 核心数据资产 **[`prompts/data/cross-model-matrix.json`](../../prompts/data/cross-model-matrix.json)** — 这就是 translator 的"训练数据": - **10 个核心场景**:产品广告 / 情感重逢 / 滑板动作 / 图生视频 / 多人会议 / 恐怖悬疑 / 自然延时 / 抽象艺术 / 武侠决斗 / 萌宠爆款 - **每个场景 × 11 模型 = 110 条对照 prompt**,每条严格遵循对应模型的官方公式 - 这构成"同一场景在 11 模型上的最佳写法对照",**就是 translator 的查找表** ## 工作流程 ### 步骤 1:接收输入 最少需要: - **源模型** (如 Sora 2 / Kling 3.0 / Wan 2.7) - **源 prompt** (用户的现有提示词) - **目标模型** (用户想转到哪个) 可选: - 转换偏好(更简洁 / 更详细 / 保留中文) ### 步骤 2:分析源 prompt 的语义内容 提取**核心场景元素**(与具体写法风格无关的): - 主体(subject):是谁/什么 - 场景(scene):在哪/什么环境 - 动作(motion):发生了什么时序事件 - 情绪(mood):整体氛围 - 镜头(camera):怎么拍 - 音频(audio):需要什么声音 - 对白(dialogue):有无台词 - 风格(style):视觉锚点 这一步是**剥离风格,提取语义**。把 Sora 的 `Style: → Cinematography: → Actions:` 分层结构里的实际内容,抽象成"核心场景描述"。 ### 步骤 3:查 110 条基准对照表找最相似场景 读取 [`prompts/data/cross-model-matrix.json`](../../prompts/data/cross-model-matrix.json),在 10 个场景里找**与用户输入最相似的 1-2 个场景**: | 用户输入像... |
- 何时不用此 skill
- 核心数据资产
- 工作流程
- 步骤 1:接收输入
- 步骤 2:分析源 prompt 的语义内容
- 步骤 3:查 110 条基准对照表找最相似场景
- 步骤 4:基于相似场景的对照模式,做转换
- 步骤 5:输出格式
- 实战示例
- 例 1:用户给一条 Sora 2 提示词,想转成 Kling 3.0
- 例 2:用户的 Wan 2.7 提示词转 Hailuo 02
- 例 3:用户的 Kling 中文 prompt 转回 Pika 简洁英文
- 局限性 — 必须诚实告知
- 路线图(等数据更扎实再做)
What does the prompt-translator skill do?
把一条 AI 视频提示词从源模型(如 Sora 2)的写法风格转换为目标模型(如 Kling 3.0 / Wan 2.7 / Veo 3.1 等)的最佳实践写法。基于 110 条 10 场景 × 11 模型对照基准数据(prompts/data/cross-model-matrix.json),不是凭直觉重写,而是查表式 in-context learning。10 场景:产品 / 双人对话 / 物理动作 / 图生视频 / 多人会议 / 恐怖 / 自然延时 / 抽象 / 武侠 / 萌宠。用于"Sora 已 EOL 帮我把这条提示词改成 Veo"、"我有 Kling 提示词想跑 Wan"、"跨模型 A/B 测试"、"把英文 prompt 优化成 Kling 中文版"等触发场景。
How do I install it?
Run `npx skills add cclank/lanshu-awesome-ai-video-kit --skill prompt-translator --agent claude-code` — it drops the skill into your project so the agent can pick it up. Swap the --agent value for codex, cursor or copilot if you use one of those.
Where does this skill come from?
From cclank/lanshu-awesome-ai-video-kit, a repository with 336 stars. We read it straight from the repository tree rather than a submitted listing, so what you see here is what is actually published.
Is a popular skill a good skill?
Not necessarily. Stars measure attention, not adoption — a repository can trend for a week and be abandoned. That is why we show the weekly change from our own snapshots next to the total, instead of a single flattering number.