用 TypeScript 构建 Image-to-Video 提示词规划 MCP Server 教程

将一张静态图片转化为一段令人信服的短视频，通常不在于写更长的 prompt，而在于把创作决策清晰地分开。主体需要一个主要动作，相机需要一个克制的指令，环境应该支持而非抢了主体动作的风头。

在本教程中，我们将构建一个小型 Model Context Protocol（MCP）服务器，它可以将一份粗略的创作简报转化为两个有用的输出：

一个结构化的 image-to-video prompt

一个包含连续性和迭代检查的镜头计划

该服务器通过 stdio 运行，因此可以被任何支持本地进程的 MCP 客户端使用。

创建 TypeScript 项目并安装 MCP SDK

mkdir image-to-video-mcp
cd image-to-video-mcp
npm init -y
npm install @modelcontextprotocol/sdk
npm install -D typescript @types/node

在 package.json 中使用 ESM 并添加构建脚本：

{
  "type": "module",
  "scripts": {
    "build": "tsc"
  }
}

一个最小的 tsconfig.json 可以面向现代 Node.js：

{
  "compilerOptions": {
    "target": "ES2022",
    "module": "NodeNext",
    "moduleResolution": "NodeNext",
    "outDir": "dist",
    "strict": true,
    "esModuleInterop": true,
    "skipLibCheck": true
  },
  "include": ["src/**/*.ts"]
}

创建 MCP 服务器

从 stdio transport 和列出及调用工具所需的请求模式开始：

import {
  CallToolRequestSchema,
  ListToolsRequestSchema,
  Tool,
} from "@modelcontextprotocol/sdk/types.js";
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";

const server = new Server(
  { name: "image-to-video-ai", version: "0.1.0" },
  { capabilities: { tools: {} } },
);

重要的设计选择是保持服务器的确定性。它不生成媒体或请求私人凭证。它将用户的意图组织成视频模型可以更可靠地遵循的格式。

定义 prompt 构建工具

第一个工具接受一个主体和主要动作，然后添加可选的制作控制：

const buildPromptTool: Tool = {
  name: "image_to_video_build_prompt",
  description: "Build a production-ready image-to-video motion prompt.",
  inputSchema: {
    type: "object",
    properties: {
      subject: { type: "string" },
      motion: { type: "string" },
      environment: { type: "string" },
      camera: { type: "string" },
      lighting: { type: "string" },
      timing: { type: "string" },
      style: { type: "string" },
      avoid: { type: "string" },
    },
    required: ["subject", "motion"],
  },
};

一个辅助函数在可选字段为空时将其排除在最终 prompt 之外：

function optionalLine(label: string, value: unknown): string {
  return typeof value === "string" && value.trim()
    ? `${label}: ${value.trim()}`
    : "";
}

请求处理器可以按稳定的顺序组装 prompt：

function buildPrompt(args: Record<string, unknown>): string {
  const subject = String(args.subject || "").trim();
  const motion = String(args.motion || "").trim();

  if (!subject || !motion) {
    throw new Error("subject and motion are required");
  }

  return [
    `Subject: ${subject}`,
    `Primary motion: ${motion}`,
    optionalLine("Environment", args.environment),
    optionalLine("Camera", args.camera),
    optionalLine("Lighting", args.lighting),
    optionalLine("Timing", args.timing),
    optionalLine("Style", args.style),
    optionalLine("Avoid", args.avoid),
    "Preserve subject identity, coherent anatomy, stable geometry, and consistent lighting across every frame",
  ].filter(Boolean).join(". ");
}

这个排序很重要。主体和动作排在前面，因为它们定义了视觉目标。相机和环境动作作为支持指令放在后面。伪影约束放在最后。

添加镜头计划工具

第二个工具应该帮助用户在花费生成积分之前推理这个片段：

const shotPlanTool: Tool = {
  name: "image_to_video_plan",
  description: "Create a concise shot plan with continuity and iteration checks.",
  inputSchema: {
    type: "object",
    properties: {
      goal: { type: "string" },
      image_description: { type: "string" },
      duration_seconds: {
        type: "number",
        minimum: 2,
        maximum: 30,
        default: 5,
      },
      aspect_ratio: {
        type: "string",
        enum: ["16:9", "9:16", "1:1", "4:3", "3:4"],
        default: "16:9",
      },
      end_frame_description: { type: "string" },
    },
    required: ["goal", "image_description"],
  },
};

计划应该足够简短以便于浏览，但又足够具体以捕捉冲突指令。一个有用的响应包括：

• 片段目标和时长
• 主体主要动作
• 一个相机指令
• 优先级较低的背景动作
• 身份、几何和光照连续性检查
• 第一轮迭代策略
• 可选的结束帧指导

最好的第一次测试一次只改变一个变量。如果主体动作错了，不要同时更改相机、风格、时间和光照。可控的迭代使失败可诊断。

注册和调用工具

从列表处理器返回两个工具：

const tools = [buildPromptTool, shotPlanTool];

server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools,
}));

然后按工具名称路由调用，并将文本包装在 MCP content 格式中：

function textResult(text: string) {
  return {
    content: [{ type: "text" as const, text }],
  };
}

server.setRequestHandler(CallToolRequestSchema, async (request) => {
  const { name, arguments: args = {} } = request.params;

  if (name === "image_to_video_build_prompt") {
    return textResult(buildPrompt(args));
  }

  if (name === "image_to_video_plan") {
    return textResult(createShotPlan(args));
  }

  throw new Error(`Unknown tool: ${name}`);
});

最后，连接 stdio transport：

const transport = new StdioServerTransport();
await server.connect(transport);

用 npm run build 编译项目。在开发过程中，通过 MCP inspector 测试服务器，或直接在客户端中配置：

{
  "mcpServers": {
    "image-to-video-ai": {
      "command": "npx",
      "args": ["-y", "mcp-imagetovideoai-server"]
    }
  }
}

实用的 prompt 规则

这样的工具在一致地强制执行一些约束时最有用：

• 优选一个主导主体动作
• 除非是镜头的重点，否则保持相机运动微妙
• 单独描述环境运动
• 对于短片段使用基于时间的语言
• 明确保留标签、面孔、手部和产品几何形状
• 只有在过渡需要一个受控的目标时才添加结束帧
• 一次迭代一个失败模式

例如，一个产品镜头可以指定缓慢的瓶子旋转、轻轻的推拉、稳定的标签排版和柔和的移动反光。这比包含几个不相关电影动作的段落更容易让模型解释。

一旦计划稳定了，你可以把它通过 Image to Video AI 生成器运行，并在每次尝试中不必重写创作简报的情况下比较模型输出。

这个服务器可以扩展而不会变成媒体处理后端。有用的添加包括：

• 可重用的 prompt 预设，用于产品、人像和风景
• 矛盾相机指令的验证
• 区域感知的 workspace 链接
• 用于两种运动策略的 prompt 比较工具
• 用于生产流水线的 JSON 输出
• 必需输入和时长限制的轻量级测试

关键在于保持边界清晰：MCP 服务器结构化决策，而视频平台执行生成。这种分离使工具更容易审计、在本地运行更安全，并且在不同的 image-to-video 模型中都有用。