用Runway生成咖啡店探店视频时，一个最常见的翻车点不是整体构图，而是细节丢失。你写了一句“咖啡师正在制作拿铁”，画面里也许有吧台、有人、有杯子，但拉花图案糊成一团，奶缸的金属反光变成了塑料感，窗边的自然光也被默认成了均匀的室内光。这类问题不能简单归结为模型版本不够新，更多时候是提示词本身没有把关键细节翻译成模型能逐项执行的视觉指令。
Runway的文本生成视频模型在理解提示词时，通常会优先识别主体、动作和环境的大致类别，对于材质纹理、光影方向、液体流动、镜面反射等小尺度信息，只有被明确写出时才容易稳定出现。如果提示词停留在“温馨的咖啡店”这种概括层面，模型就会用训练数据里最常见的咖啡店形象来补全，结果自然千篇一律，细节也无法保留。想保留咖啡店探店视频里的手冲壶、拉花图案、木质桌面、玻璃反光等关键元素，最有效的做法是把提示词从描述感受改成描述可见事实。
一、为什么咖啡店探店视频的提示词容易丢失细节
咖啡店场景的细节密度很高，但模型在生成时存在注意力分配。提示词中如果有多个并列元素，模型有时无法同等重视所有细节，尤其是那些出现在句子后半段或修饰语过长的信息。比如一句包含长定语和多个并列名词的提示词，模型可能在理解时把“深绿色瓷砖墙”和“黄铜色手冲壶”压缩成“绿色背景”和“金属壶”，导致具体颜色、材质、形状逐一丢失。
另一个原因是咖啡店大量使用反光、透明和微纹理材质。陶瓷杯的哑光釉面、不锈钢奶缸的镜面高光、玻璃分享壶的折射、蒸汽在半空中的稀薄状态，这些都需要模型在时间去噪过程中保持稳定。如果提示词没有明确提到材质和光线的交互方式，生成结果很容易把这些表面处理成默认材质，甚至出现杯壁厚薄不均、把手方向错误、拉花线条与咖啡液混色等情况。
此外，探店视频通常需要连续的镜头语言和真实的动作节奏。如果只描述静态画面，模型可以生成一张好看的帧，但一旦进入视频生成，注水、拉花、推镜头等动态过程就可能出现跳变。细节保留不仅依赖提示词中的静态描述，还需要用动作顺序、速度和时间关系来约束。
二、结构化提示词：用五个维度固定视觉细节
想把关键细节稳定保留下来，建议把提示词拆成主体、环境、材质与光影、动作与互动、镜头语言五个维度。每个维度只写必须出现的视觉信息，避免使用“好看的”“有氛围感的”这类无法被视觉化执行的词。下面是一个面向咖啡店拉花场景的结构化提示词模板。
主体：咖啡师穿着深灰色围裙，左手持银色奶缸，右手扶着白色陶瓷杯 环境：浅色橡木吧台，背景有深绿色瓷砖墙，左侧有一台黑色意式咖啡机 材质与光影：陶瓷杯表面有哑光质感，奶缸金属反光，窗户自然光从左后方射入，暖色吊灯作为补光 动作与互动：奶缸倾斜，奶泡缓慢注入咖啡液，拉花形成郁金香图案 镜头语言：中景，略微俯拍，焦点在咖啡杯拉花上，背景轻微虚化
这个模板把细节分散在不同层级，模型在解析时可以对每个层级单独建立约束。尤其是材质与光影部分，写清楚“奶缸金属反光”“窗户自然光从左后方射入”“暖色吊灯作为补光”，比笼统地写“光线很好”更能影响画面。动作与互动部分则用连续动词描述过程，让镜头里的手部动作和咖啡液变化保持连贯。
实际使用时，不需要每句都等长。如果拉花图案是这期视频的核心，可以把与拉花相关的描述提前，并补充细节，例如“拉花为郁金香形，线条宽度均匀，奶泡与咖啡液边界清晰”。提前放置的重要细节，模型在生成时的注意力权重通常会更高。对于次要元素，则用短词带过，避免抢焦点。
三、两个咖啡店场景的高保真提示词实例
下面分别以手冲咖啡和拉花特写为例，展示如何把上述结构转成可直接输入Runway的提示词。这些提示词都采用自然语言描述，同时保留明确可验证的视觉锚点。
一个俯拍镜头，木色手冲吧台上放着一个透明玻璃分享壶，壶内咖啡液呈浅琥珀色；咖啡师右手持细口壶，从中心向外缓慢注水；镜头焦点在咖啡粉膨胀形成的“汉堡”上，背景是模糊的白色瓷砖墙；保留玻璃壶上的水蒸气凝结和滤纸边缘的纹理，自然光从左侧打亮咖啡粉表面。
特写镜头，白色陶瓷杯放在浅灰色桌面上，杯中拿铁表面有一个清晰的郁金香拉花图案；咖啡师的手指握住杯柄，背景中一台不锈钢意式咖啡机轻微虚化；光线为暖色侧光，拉花线条的咖啡色与奶白色边缘分明，不要出现颜色混合或晕染。
第一组提示词通过“透明玻璃分享壶”“浅琥珀色咖啡液”“咖啡粉膨胀形成的汉堡”“白色瓷砖墙”等具体名词，把材质、颜色、形状和背景信息都固定住了。第二组提示词则用“郁金香拉花图案”“拉花线条的咖啡色与奶白色边缘分明”来保护最容易出错的高频细节，同时用“暖色侧光”强化画面层次。
如果生成结果中的某个细节仍然不理想，不要整段推翻，可以只替换对应维度的短语。例如把“浅灰色桌面”改成“深色胡桃木桌面”，把“郁金香拉花图案”改成“心形拉花图案”。单点修改能减少其他已保留细节被重新打乱的风险。
四、用否定提示词排除干扰项
Runway的部分版本或接入平台支持独立的否定提示词字段，也可以在正向提示词末尾加入排除语句。咖啡馆场景中最常需要排除的负面项包括：拉花模糊、手指变形、杯把方向错误、背景文字乱码、颜色溢出、过曝、塑料感材质等。否定提示词应保持短而具体，避免整句否定，因为模型对否定词的理解不如对正面描述的稳。
avoid: 拉花图案模糊, 手指变形, 咖啡杯扭曲, 背景文字乱码, 过曝, 颜色溢出, 低清晰度
如果不支持独立的否定提示词字段，可以在正向提示词最后加入“避免拉花图案模糊，排除背景中的多余人物，不要出现文字乱码”。但注意不要写太多否定项，否则会分散正向细节的权重。一般控制在一到三组高频问题即可，其余靠正向描述强化。
还可以利用Runway对关键词的敏感性，把某些负面状态写成正面要求。例如与其写“不要过曝”，不如写“窗边高光不过曝，奶缸金属反光自然，桌面纹理仍然清晰可见”。这种反向转正的方法在生成不稳定时往往更有效。
五、生成后的细节检查清单
提示词写得再细，生成结果仍可能出现偏差。每次生成后，建议对照以下清单快速检查关键细节是否保留。这个步骤尤其适合探店视频素材筛选，因为反光、文字和手柄方向等问题在缩略图阶段不容易发现，却会在剪辑时非常刺眼。
- 拉花图案是否形状完整，线条边缘是否清晰，奶泡与咖啡液有没有混色。
- 咖啡杯把手方向是否与手指位置一致，杯壁厚度是否均匀。
- 金属器具上的反光是否连续，有没有出现额外的光源或怪异的倒影。
- 玻璃器皿是否透明，折射是否符合基本物理，蒸汽是否只出现在杯口上方。
- 背景中的菜单、招牌、包装文字是否清晰，有没有乱码或变形。
- 光线方向是否统一，窗户光和室内暖光能否看出层次但不互相打架。
如果某一项细节频繁丢失，不要反复用同一句提示词重试。回到结构化模板中，找到对应维度，把描述改得更具体，或者把它在提示词中的位置提前。比如拉花图案总是糊，就把“清晰的郁金香拉花图案”放到句首，并去掉可能干扰它的多余背景细节。通过这种小步调整，通常比整体重写更能稳定提升生成质量。
用Runway做咖啡店探店视频，关键细节能不能保留，取决于提示词是否把抽象感受转化为可验证的视觉事实。把主体、环境、材质光影、动作和镜头语言分开写，配合少量否定词和生成后检查，就能在多次生成中筛出更接近实拍质感的素材。提示词不是越长越好，而是每个词都要负责锁定一个可见特征。