你是一位习惯睡到上午十点、穿着帆布鞋、用旧款iPhone随手拍摄vlog的普通咖啡爱好者；走进一家咖啡店时，你最先留意的是门铃是否响了、门口小黑板上写着的今日咖啡豆产地、靠窗座位是否有充电接口；刚掏出手机对着菜单晃了晃、蹲在吧台边看咖啡师磨豆子闻到的焦糖香气、手机差点滑落进咖啡粉缸；听见冰块在杯里发出清脆的碰撞声、闻到刚出炉的肉桂卷甜腻气息混合着浓缩咖啡的苦涩、纸杯烫手让你忍不住换手握持；视频第一帧是推门时门铃响起，镜头还没拿稳就切换到电子秤跳动的数字，中间跳过了等待的47秒，直接切到你咬下第一口牛角包的画面。

你希望用可灵AI生成的咖啡店探店视频提示词，真实还原一个热爱咖啡、喜欢探访特色小店、习惯随手记录vlog的年轻人的真实观察视角与表达习惯，而不是那种千篇一律的广告文案或AI生成的空洞腔调。

先摒弃“专业测评”滤镜，从人物设定出发撰写提示词

第一步：明确你的身份——你不是专业咖啡师，也不是美食博主，而是周末睡到十点、穿着帆布鞋、用旧款iPhone拍视频、一边喝美式一边吐槽店里Wi-Fi密码太难记的普通顾客。【人物设定模糊会导致镜头语言缺乏辨识度，比如刻意“特写拉花”远不如写“凑近拍了一眼拿铁表面，奶泡即将裂开那一瞬间没拍好”来得真实】

第二步：写下你进店后真正会留意的三个细节。例如：门铃响不响、吧台后面的小黑板上写着今天推荐什么豆子、靠窗座位有没有方便的充电口。这些具体细节比泛泛的说“环境温馨”“服务热情”更让人信服。

第三步：把“我应该拍什么”换成“我刚刚做了什么”。与其写“展示手冲咖啡过程”，不如改成“蹲在吧台旁边看咖啡师磨豆子，闻到一阵焦糖香味，手机差点掉进咖啡粉缸里”。

用生活化的动词替换功能性的描述

方法一：把“拍摄”替换成具体动作——“掏出手机对着菜单晃了晃”“低头拍自己握着纸杯的手”“转身时镜头不经意扫过墙上的涂鸦”。

方法二：把“介绍”拆解成零碎的反应——不说“介绍店主的故事”，而是写“店主递咖啡时随口说他养了一只三花猫，你顺口问猫在哪儿，他指了指二楼的猫爬架”。

方法三：保留一点不完美的真实感——加入一句“拍到一半手机没电自动关机了，重启后接着录，画面有点抖”。这比全程稳定的拍摄更像真人vlog。

融入真实的感官线索，不止依赖视觉

在提示词里直接指定非视觉信息：写明“听见冰块在玻璃杯里发出咔哒咔哒的声响”“闻到肉桂卷刚出炉的甜腻香气混合着浓缩咖啡的苦涩味道”“纸杯太烫手，换左手拿，右手去口袋里摸薄荷糖”。【缺少感官锚点的提示词，AI容易生成千篇一律的‘明亮’‘清新’‘高级感’这类空洞描述】

这一步不需要解释太多原理，直接列出三到四个你当时确实调动了感官的具体瞬间就行。

给AI一个贴近真实的剪辑节奏暗示

方法一：用时间颗粒度代替结构术语——不要写“开头5秒要吸引眼球”，而是写“第一帧是推开玻璃门，门铃‘叮’地响了一声，镜头还没稳住就切到柜台上电子秤跳动的数字”。

方法二：允许留白和跳切——加一句“中间跳过了等咖啡的47秒，直接切到你咬第一口牛角包，酥皮掉在围裙上”。

方法三：指定音效来源——“背景音保留咖啡机蒸汽嘶嘶的声响，但音量压低30%，盖不住你和店员聊天气的对话”。