商品视频生成前如何拦住模型编造价格
文章用 Python 串联 Shopify Admin GraphQL API、模型生成和脚本校验,将商品数据转为结构化短视频脚本。流程在渲染前检查 JSON 结构及商品事实,避免错误价格、虚构功能和时长失控。
AI 深度解读
让 LLM 根据商品资料写一段短视频脚本,难点往往不在文案是否顺口,而在它会不会擅自降价、添加不存在的卖点,或者给 15 秒视频塞进 40 秒内容。作者开发的 Lyks 把 Shopify 商品转成竖屏视频,脚本出错后再渲染,修正成本就高了。
他们的做法是:从 Shopify 取事实,让模型按 JSON 填写脚本,再用程序检查结构、价格和时长,最后交给人审核。这套流程值得借鉴,但原文的校验代码,也没有覆盖它希望守住的全部边界。
先把商品事实整理好,再让模型写脚本
作者通过 Shopify Admin GraphQL API 获取商品,令牌需要 read_products 权限,示例 API 版本是 2025-10。请求只取标题、描述、类型、标签,以及 priceRangeV2.minVariantPrice 中的 amount 和 currencyCode,HTTP 超时设为 timeout=15。
这里有两个具体选择。
第一,用 description,不用 descriptionHtml。商品详情里的表格、内联样式和模板残留,对脚本没有多少帮助,却会增加模型处理的噪声。第二,用 description(truncateAt: 1200) 截短描述。十几秒的视频只需要两三个重点,没有必要把尺码表和护理说明全部塞进去。
不过,截短只是减少输入,并不保证关键事实都留下来了。限制条件如果在描述后半段,模型也就看不到。原文没有提供进一步筛选商品信息的办法。
还有一个业务口径:这里拿到的是最低变体价格。它适合表达商品起价,但如果镜头展示的是更贵的规格,仅仅核对这个数字,还不能证明宣传准确。
JSON 要能交给渲染器,也要能被程序拒绝
作者把视频拆成开场钩子、场景和行动引导。钩子需要在前两三秒吸引注意;场景则明确时长、旁白、屏幕文字和镜头类型。模型不再交付一篇需要重新解析的文案,而是填写渲染器需要的数据。
下面这段提示词,同时约束事实来源和输出结构:
PROMPT = """You write scripts for 9:16 product videos.
Rules:
- Use ONLY the facts in PRODUCT. Do not invent features, results or reviews.
- If you mention the price, use exactly {price} {currency}.
- The hook must work in the first 3 seconds, with the sound off.
- Total length: 8 to 15 seconds.
- Return JSON only, matching this shape:
{{"hook": str, "scenes": [{{"seconds": number, "voiceover": str,
"on_screen_text": str, "shot": "product_closeup"|"in_use"|"presenter"|"before_after"}}],
"cta": str, "duration_s": number}}
PRODUCT:
{product_json}
"""
要看的是 on_screen_text 和 shot:前者服务于静音观看,后者把镜头限制到 product_closeup、in_use、presenter、before_after 四种,方便下游处理。
但提示词里的要求,还需要变成程序规则。作者用 JSON Schema 和 Draft202012Validator 检查:
- 顶层必须有
hook、scenes、cta、duration_s,顶层和场景对象都禁止额外字段。 - 场景数量为 2 到 4 个,每个场景为 1 到 6 秒。
- 钩子最多 60 字符,旁白最多 140 字符,屏幕文字和行动引导各最多 40 字符。
- 总时长字段限制为 6 到 15 秒。
这里有一个明确的不一致:提示词要求 8 到 15 秒,Schema 却允许 6 秒。照搬代码时,6 秒脚本可能通过检查。
作者认为,40 字符适合手机屏幕,140 字符旁白大致能在五六秒说完。这是经验设定,原文没有给测量依据,也没有区分语言、字号和语速。中文场景尤其不能直接把字符数当成口播时长。
结构通过以后,还得检查价格和时长
合法 JSON 只能证明数据符合接口,不能证明内容符合事实。
作者因此增加第二层检查:场景秒数相加后,与 duration_s 的差距不能超过 0.5 秒;脚本里出现的美元价格,必须与商品价格一致。
下面是原文的校验函数,它先检查结构,再检查这两类问题:
def validate_script(raw: str, product: dict) -> list[str]:
try:
script = json.loads(raw)
except json.JSONDecodeError as e:
return [f"Not valid JSON: {e}"]
problems = [f"{'/'.join(map(str, err.path)) or '(root)'}: {err.message}"
for err in Draft202012Validator(SCRIPT_SCHEMA).iter_errors(script)]
if problems:
return problems
total = sum(s["seconds"] for s in script["scenes"])
if abs(total - script["duration_s"]) > 0.5:
problems.append(f"Scenes add up to {total}s but duration_s is {script['duration_s']}s")
text = json.dumps(script).lower()
for amount in re.findall(r"\$\s?(\d+(?:\.\d{1,2})?)", text):
if float(amount) != float(product["price"]):
problems.append(f"Mentions ${amount}, but the product costs ${product['price']}")
return problems
要留意 re.findall 那一行:它识别的是 $ 后面的数字,没有核对币种,也不会识别所有价格写法。商品明明标价 28.00,脚本写成 $19,示例会返回 Mentions $19, but the product costs $28.00;但模型输出 19 USD,这条规则就检查不到。
它也只核对填写的场景时长,没有验证旁白实际需要多久,更没有明确检查开场和结尾是否占用额外时间。
校验失败后,作者把错误列表追加到提示词,让模型修正,默认 max_attempts=3,用尽次数后抛出 RuntimeError。调用接口 call_llm 只负责接收提示词并返回文本,因此可以替换模型供应商。若供应商支持 structured outputs,也可以同时使用,事实检查仍然保留。
最后是人工审核。程序负责明显错误,人负责判断钩子是否误导、语气是否符合品牌,再决定是否进入渲染。
我的判断
我赞成这套职责划分:模型负责组织表达,确定性规则负责可以明确比较的事实,人工负责语境判断。对于会触发视频渲染这类后续操作的任务,把审核放在操作之前很合理。
但作者展示的是实现思路和一个错误价格示例,没有提供样本量、错误检出率、重试成功率,也没有比较不同模型或提示词的效果。因此,不能据此认定这套方案已经可靠地解决商品幻觉。
原文建议继续检查尺寸、数量、商品名称,以及 clinically proven、guaranteed 等需要证据的措辞,但没有实现这些检查。禁止编造功能,目前仍主要依赖提示词和人工审核。
相比只使用 structured outputs,这套方案多了一层业务事实校验;相比全部人工审稿,它能提前拦截一部分机械错误。它的实用价值在于流程清晰,覆盖范围则取决于团队愿意把多少业务规则写进代码。
原文还介绍了 Lyks 的按量付费:充值 $10 大约可生成五条标准短视频,额度不过期,每次任务前显示费用。这是产品计费说明,不能拿来推算模型成本或校验流程的收益。
能拿来做什么
- 在 Node 商品文案接口中,把模型输出定义成明确的数据结构,并在发送给前端预览前执行结构校验和业务校验,避免页面收到缺字段或未知镜头类型的数据。
- 在前端审核页同时展示商品原始价格、币种和脚本中的价格表达,让审核者能直接对照;涉及商品变体时,也要展示对应规格。
- 把校验错误作为下一次生成的输入,并设置重试上限;三次仍失败就展示错误,交给人工修改,避免无休止调用。
- 制作中文短视频时,先统一提示词与 Schema 的时长下限,再结合实际配音时长检查脚本,不要直接沿用 140 字符对应五六秒的经验值。