【米核Coze工作流】Seedance 2.0电商展示图+模特视频进阶工作流：8步从产品图到成片

一、工作流整体架构

这条工作流的核心思路是：上传一张产品图，AI自动生成模特展示图和配套视频。整个流程分为三大阶段：

阶段一：图片生成（步骤1-3）— 从产品图生成正面模特图 + 10张多角度图 阶段二：分镜与视频（步骤4-7）— 生成九宫格分镜 → Seedance 2.0视频 阶段三：结果轮询（步骤8）— 异步查询视频生成状态，直到拿到成片

开始节点需要3个输入参数：

表格

二、阶段一：图片生成（步骤1-3）

2.1 步骤1：上传产品图片及定义模特场景

在开始节点中配置三个变量：key（API密钥）、changjing（场景描述）、chanpingtu（产品图）。用户只需上传一张产品实物图，并用自然语言描述想要的模特场景即可。

2.2 步骤2：生成正面人物图片及10张不同角度的图片提示词

这一步使用大模型节点，核心任务有两个：

1. 根据产品图和场景描述，生成正面模特展示图的提示词
2. 同时生成10张不同角度（侧面、背面、45度角等）的图片提示词

节点类型：大模型节点 输入：changjing（场景描述）、chanpingtu（产品图） 输出：正面图片提示词 + 10张多角度图片提示词

提示词设计的要点：

• 正面图需要包含产品与模特的关联描述（如"模特手持产品微笑展示"）
• 多角度图需要明确每个角度的视角方向和光线条件
• 保持风格一致性，所有图片使用相同的色调和背景风格

2.3 步骤3：根据提示词生成正面图片及10张不同角度图片

这一步包含几个子节点的串联：

图片格式转换节点：将产品图转换为工作流可处理的格式

节点类型：插件节点（str_to_list） 输入：chanpingtu（原始产品图） 输出：格式化后的图片数据列表

生成正面图片节点：使用图像生成模型，根据正面提示词生成模特+产品展示图

节点类型：图像生成节点 输入：正面图片提示词 输出：正面模特展示图

图片聚合节点：将正面图和产品图聚合，作为后续节点的输入

节点类型：变量聚合节点 输入：正面图片 + 格式转换后的产品图 输出：聚合图片列表

批量生成10张不同角度图片：这是阶段一的核心难点。10张图的生成需要用到批处理机制，并且加入了质量保障流程：

批处理体内节点流程： 生成9张图片 → 提示词优化 → 再次生图 → 选择器_1 → 变量聚合

这里的提示词优化 + 再次生图 + 选择器构成了一个质量自检闭环：

1. 先用原始提示词生成图片
2. 如果生成效果不理想，通过提示词优化节点自动调整提示词
3. 用优化后的提示词再次生图
4. 选择器节点判断哪次生成效果更好，保留较优结果
5. 变量聚合节点将所有图片汇总输出

这个闭环设计的巧妙之处在于：不需要人工介入，工作流自己就能完成"生成→评估→优化→再生成"的迭代。对于批量生图场景，这种自检机制能避免因个别提示词偏差导致大量废图。

三、阶段二：分镜与视频（步骤4-7）

3.1 步骤4：根据正面图片生成九宫格分镜图片提示词

有了正面模特图和多角度图片后，下一步是规划视频分镜。这里使用大模型节点（豆包·2.0 pro），根据正面图片和场景信息生成九宫格分镜的提示词。

节点类型：大模型节点 模型：豆包·2.0 pro 输入：正面图片URL、changjing（场景描述） 输出：9个分镜画面的文字提示词

为什么用九宫格分镜？因为电商展示视频通常需要多个角度和场景切换：

• 正面全身展示
• 产品细节特写
• 模特侧面展示
• 产品使用场景
• 背面展示
• 动态行走展示
• 产品与场景融合
• 面部特写
• 品牌收尾画面

九宫格分镜的好处是一次生成9个连贯的分镜画面，保证视觉风格统一、镜头语言连贯，为后续视频生成提供稳定的视觉参考。

3.2 步骤5：根据九宫格图片提示词生成九宫格分镜图片

使用图像生成节点，根据上一步生成的9个分镜提示词，批量生成9张分镜图片。

节点类型：图像生成节点 输入：9个分镜提示词 输出：9张分镜图片

3.3 步骤6：参照九宫格分镜图片生成视频提示词

这一步是连接图片和视频的桥梁。使用大模型节点，根据九宫格分镜图片的内容，生成适合Seedance 2.0模型的视频提示词。

节点类型：大模型节点 模型：豆包·2.0 pro 输入：九宫格分镜图片URL、changjing（场景） 输出：output（视频提示词）、reasoning_content（推理过程）

视频提示词的关键要素：

• 画面内容描述（模特动作、产品展示方式）
• 镜头运动方式（推、拉、摇、移）
• 场景氛围（光线、色调、情绪）
• 时长分配（每个分镜的时长建议）

3.4 步骤7：根据视频提示词使用Seedance 2.0生成视频

这是整条工作流的核心节点——调用Seedance 2.0模型生成视频。

节点类型：Seedance 2.0视频生成节点 输入：key（API密钥）、prompt（视频提示词）、duration（时长）等 输出：data（任务ID）、message（状态信息）

Seedance 2.0是字节跳动推出的视频生成模型，支持：

• 文生视频：根据文字描述直接生成视频
• 图生视频：根据参考图片+文字描述生成视频
• 多镜头叙事：支持多个分镜的连贯视频生成
• 可控时长：支持3-12秒的视频时长配置

注意：Seedance 2.0的视频生成是异步的，提交任务后会返回一个任务ID，需要通过轮询机制查询生成状态。

四、阶段三：结果轮询（步骤8）

4.1 异步轮询机制

视频生成需要一定时间（通常2-5分钟），工作流通过循环+选择器+定时器的组合实现异步轮询：

循环体节点流程： 查询任务 → 选择器 → 定时器 / 终止循环

循环节点：控制整体轮询逻辑，中间变量var_id记录任务ID

查询任务节点：每次循环调用task_info接口，查询视频生成状态

节点类型：插件节点（task_infos） 输入：id（任务ID） 输出：message（状态信息）、status（任务状态）、data（视频数据）

选择器节点：判断视频是否生成完成

判断条件：task_info.url 是否为空

• 如果为空 → 视频还在生成中 → 进入定时器等待
• 如果不为空 → 视频生成完成 → 终止循环

定时器节点：控制轮询间隔，避免频繁请求

节点类型：定时器节点（time_wait） 输入：seconds（等待秒数，建议60秒） 输出：message、success、actual_delay

终止循环节点：视频生成完成后，退出循环

4.2 去空值处理

循环结束后，可能存在空数据（如某些视频生成失败），需要过滤：

节点类型：代码块节点（list_sli_trim） 输入：循环输出的视频列表 输出：过滤空值后的有效视频数据

4.3 结束节点

最终输出有效的视频URL列表，用户可以直接下载或使用。

五、核心节点配置汇总

表1：工作流核心节点配置一览

表格

六、搭建注意事项

6.1 提示词质量决定输出质量

整条工作流中，步骤2和步骤6的提示词生成是质量的关键。建议在提示词模板中明确以下要素：

• 模特外貌特征（性别、发型、服装风格）
• 产品与模特的互动方式（手持、穿戴、摆放）
• 场景氛围（室内/室外、光线、色调）
• 视角和构图（全身/半身/特写、俯拍/仰拍）

6.2 批量生图的质量自检

批量生成10张不同角度图片时，难免有个别图片质量不佳。工作流中的"提示词优化→再次生图→选择器"三节点组合，可以有效解决这个问题。如果你的场景比较简单，也可以去掉这个闭环，直接用原始提示词生成，节省Token消耗。

6.3 轮询间隔的选择

定时器的等待时间建议设为60秒。设置太短（如10秒）会频繁请求API，可能触发限流；设置太长（如5分钟）会导致工作流执行时间过长，影响用户体验。60秒是一个兼顾效率和稳定性的选择。

6.4 异步视频生成的超时处理

如果Seedance 2.0的视频生成时间较长（超过5分钟），建议在循环中增加一个最大循环次数限制，避免无限等待。可以在选择器节点中增加一个判断条件：如果循环次数超过10次（约10分钟），则终止循环并返回错误信息。

七、总结

这条工作流实现了从产品图到电商展示视频的全自动化，核心亮点有三个：

1. 多阶段图片生成：产品图→正面模特图→多角度图→九宫格分镜图，层层递进，保证视觉一致性
2. 批量生图质量自检：提示词优化+选择器的闭环设计，无需人工介入即可保证生图质量
3. 异步视频轮询机制：循环+选择器+定时器的组合，优雅地处理Seedance 2.0的异步生成

对于电商运营者来说，这条工作流可以把"请模特拍展示视频"这件事从数千元、数天周期，压缩到几毛钱、几分钟完成。当然，AI生成的视频在细节上还无法完全替代实拍，但对于产品详情页、社交媒体推广等场景，已经足够使用。

建议先从简单的场景（如纯色背景的产品展示）开始测试，逐步增加场景复杂度和分镜数量，积累提示词调优经验后再挑战更复杂的电商视频制作。

全网搜索「米核AI易山」，获取更多扣子工作流实战案例和模板。