用Claude和DeepSeek做AI动画科普视频，小白也能复制

为什么这类视频能火？

最近刷B站和短视频平台，你大概率见过那种“小道人生哲理、大道宇宙万物”的动画科普——纯黑背景、暖金色物体、镜头缓慢移动，配上一段魔性音乐，直接把人硬控住。起初我以为只是小众玩法，直到看见数据：像“比特星宇”这样的账号，仅20条视频粉丝就逼近80万；“站在外面的Q”只发了两条，其中一条播放量直接突破120万。更夸张的是，二手平台上已经有人专门接这种单子，靠手艺赚钱了。

评论区里反复出现同一个问题：这玩意儿到底怎么做出来的？完全不懂AI的小白能不能自己搞？B站UP主“元宝一台”发布了一期被其称为“全网最详细”的拆解，声称只要会复制粘贴、会点鼠标，就能跟着一步步做出来。我结合他的教程，把原理、工具链和提示词写法重新梳理了一遍，尽量让你看完就能上手。

原理拆解：AI不是画出来的，是“写”出来的

这类视频既不是实拍，也不是一帧一帧手绘。核心逻辑是：把你想要的画面用文字描述清楚，交给AI，AI自己写代码把视频渲染出来。这段文字就是提示词，相当于给AI的一份说明书。

所以准备工作只有三样：一个能干活的软件、一个AI大脑、一份写得清楚的提示词。听起来简单，但每一步都有坑。

第一步：安装Agent软件，而不是聊天AI

普通聊天AI只会回答文字，做不了这种活。你需要的是Agent（智能体）类软件，它能自己写代码、执行代码、生成文件。视频里提到的Workbody、DeepSeek^广告 Harness都属于这一类。但为了保证输出效果统一，教程统一使用Claude桌面版。操作路径很直接：打开官网下载页，按系统选择安装包，双击安装、按指引下一步即可。

装完之后你会发现进不去主界面——因为此时软件只是个空壳，还没有“脑子”。

第二步：给软件接上AI大脑

所谓“大脑”就是大语言模型，比如Claude Opus 5.5或者DeepSeek V4.1。教程用的是Claude Opus 5.5，也鼓励尝试接入DeepSeek，但提醒不同模型理解画面、编写代码的能力有差异，最终效果也会不同。

如果你有Claude官方账户，按官方流程登录即可。如果走API接入，需要准备三样信息：API Key（调用模型的钥匙）、接口地址（告诉软件去哪里找模型）、模型名称（决定调用哪一个）。教程用CCSwitch来配置管理：下载安装后，创建一个API Key，找到接口地址和模型名称，在CCSwitch里选择Claude桌面版对应的预设或自定义配置，把信息填进去。注意要选择与安装版本对应的桌面版；如果用的是DeepSeek这类模型，还需要开启模型映射，填入服务商提供的实际模型名称。

配置保存并切换后，完全退出Claude桌面版再重新打开，让配置生效。后续输入提示词、制作视频都在这里操作。这一步的关键提醒是：使用这类接入方式时，CCSwitch要保持运行。

Agent（智能体）与聊天AI的本质区别：普通聊天AI（如网页版ChatGPT）只能被动回答问题，输出的是文字；而Agent类软件被赋予了“工具使用”和“任务执行”能力——它能根据你的指令自主编写代码、运行代码、读写文件，甚至调用外部程序。在本文场景中，Agent接收到提示词后，会生成一段Python或JavaScript代码（例如使用Manim、Three.js等渲染库），然后在本机执行这段代码，最终输出视频文件。这就是“AI不是画出来的，是写出来的”这一说法的技术根源：视频的每一帧都由代码逻辑驱动渲染，而非AI直接生成像素。

API Key、接口地址与模型名称的作用：当你通过API接入大模型时，这三项信息缺一不可。API Key相当于你的身份凭证和计费凭证，服务商通过它识别调用者并扣费；接口地址（Endpoint）告诉软件向哪个服务器发送请求，不同服务商（如Anthropic、DeepSeek）的地址不同；模型名称则指定具体调用哪一个模型版本，因为同一服务商往往提供多个能力/价格不同的模型。CCSwitch这类工具的作用就是帮你管理多组配置，一键切换，避免每次手动填写。需要强调的是，API调用按token计费，长提示词和多次生成都会产生费用。

提示词才是分水岭：把要求写成“说明书”

模型接上了，只说明它能干活。做出来的东西是不是你想要的，全看你怎么提要求。很多人上来就说“帮我做一个3D视频”，主题、画面、镜头运动一概没说，AI只能靠猜，结果必然跑偏。

教程用一条关于“28定律”的视频做示范，提示词分五层推进：

1. 基本要求：主题是什么、视频多长、竖屏还是横屏、分辨率多少。这条视频定为85.4秒、横屏1920x1080、60帧。写在最前面，AI才知道按什么规格制作。

2. 画面内容与表达逻辑：说清楚每个意象代表什么——沙子代表每天忙不完的琐事，金粒代表真正重要的几件事，沙漏表示时间流逝，天平比较事情的价值，淘金盘表现筛选过程。关系交代清楚，AI才知道每个物体为什么出现、怎么连起来讲一个道理。

3. 统一视觉效果：整体风格定调——纯黑背景、暖金色灯光、镜头缓慢移动、画面之间平滑过渡。再细化到物体：沙漏是透明玻璃、支架是黄铜、金粒表面有不规则起伏和金属反光。从整体到细节都写清楚，画面才容易保持统一。

4. 画面安排（最核心）：把视频拆成14个镜头，从金子落入沙堆开始，到沙子被吹散聚成沙漏，经过沙漠、天平和淘金盘，最后回到沙漏用一张卡片总结方法。每个镜头从第几秒到第几秒、出现什么、发生什么变化、镜头怎么移动，都要交代清楚，同时把对应的口播和字幕放进去。这样AI才知道这句话出现时画面该演到哪里。

5. 交付要求：让它制作完成后继续渲染导出可直接播放的MP4文件，并告诉保存位置。否则它可能只写完代码，还没生成真正的视频。

这套写法听着繁琐，但其实不需要每次从零开始。教程准备了15套固定模板，覆盖2D和3D不同风格，把上述要求都嵌进去了。有些参数看不懂没关系，先把主题、口播、画面稿替换掉，跑出第一条再说。

不同模型差距有多大？

为了直观展示，教程用同一份提示词分别跑了DeepSeek V4.1 Flash 1017版本和Claude Opus 5.5，生成效果差异明显。虽然没有给出量化评分，但“不同模型理解画面、编写代码的能力有区别，效果也会不同”这句话本身就是结论：提示词决定下限，模型决定上限。对于想稳定产出的人来说，选一个代码能力强的模型比反复调提示词更省时间。

为什么代码能力强的模型效果更好：这类视频的生成质量高度依赖模型“把自然语言描述翻译成可运行渲染代码”的能力。代码能力强的模型（如Claude Opus系列）在理解复杂空间关系、镜头运动、材质光照描述时更准确，生成的代码逻辑更完整、语法错误更少，渲染出的画面更接近提示词意图；而代码能力较弱的模型可能遗漏镜头细节、写错渲染参数，甚至无法一次性跑通代码，需要人工反复调试。因此“提示词决定下限”是因为结构化提示词保证了基本框架，“模型决定上限”则是因为最终画面精度和代码稳定性由模型能力决定。

小白能不能做？我的判断

从流程看，门槛确实被压到了“会复制粘贴、会点鼠标”的程度。但有几个隐性成本值得提前知道：

• API调用需要付费，教程提到准备了一定额度的API方便测试，长期批量产出要算成本；
• 模型输出有随机性，同一份提示词多跑几次结果可能不同，需要筛选和微调；
• 14个镜头的描述工作量不小，模板能省掉结构设计的力气，但主题相关的画面逻辑仍然要自己想。

换句话说，工具链已经不是障碍，真正的分水岭在于你能不能把“想讲什么”翻译成AI能执行的画面语言。这类视频能涨粉，靠的不是AI本身，而是选题和叙事节奏——AI只是把制作成本打了下来。

如果你只想先跑通一条，建议按教程顺序走：装Claude桌面版、用CCSwitch接上模型、拿模板替换主题和口播、导出第一条MP4。跑完一遍，后面的事就顺了。