当用户要求生成病毒式「Kiss Cam 名场面」（观众视角…

需要把两张任意风格的主体参考图做成 MSG Jumbotron Kiss Cam 静帧，再生成 15 秒 first-frame 锁定的球场 Kiss Cam 短视频（含 off-screen PA 解说与人群反应）时使用。

适用场景

解决思路

1. 确认宿主中 pika MCP 可用；工具名前缀随挂载点变化，用宿主实际暴露的名字。需要这几类工具：identity balance、asset upload、image generation、reference-video generation，以及生成未内联完成时的异步状态跟进。
2. 任何付费 MCP 调用之前，先调用一次 identity_balance({verbose: true})，展示当前余额、近期消耗速率和剩余可用额度。
3. 用原文那段消息做成本门控：说明预计花费约 1,500-3,500 credits（约 $15-$35），涵盖 gpt-image-2 静帧、一到两次 Kling v3-omni pro 15s 渲染（含一次改变 payload 的 Step 2 纠正重试）以及飞行后 analyze_media QA，超过 $5，要求用户回复 proceed 或 cancel。
4. 用户回复 proceed 之前不得调用任何付费 MCP 工具；回复 cancel 就直接停止、不生成。这是唯一的 yes/no 门；proceed 之后流水线端到端跑完，不再设门。
5. 两个主体参考 URL 解析完成且成本门通过后启动计时器；Step 1 的 generate_image_edit 必须在技能开始 5 分钟内发起。若 5 分钟内未发起，在任何付费生成调用前停止并报告 failed_pre_generation_timeout，附上主体 URL 状态、上传状态、成本门状态、Step 1 prompt 就绪情况和确切阻塞点。
6. 每个准备阶段完成后、以及付费生成调用前，打印单行进度检查点：Stage 1/3 done — subject references resolved and uploaded. / Stage 2/3 done — cost gate passed, locking the Jumbotron still prompt. / Stage 3/3 done — still prompt locked, calling GPT-image-2 now.
7. Step 1 之前的 prompt 与静帧检查措辞迭代最多 2 轮；到上限就把现有内容交给 generate_image_edit，不再继续打磨记分板细节、球馆氛围或 kiss-cam 图形措辞。
8. 任何长时生成调用返回 task_id 时（无论是否带初始状态，包括只有 task_id、task_id 加 queued、或初始 queued/running/processing），立即记录 task id 和开始时间。
9. 用紧密循环调用 task_status({task_id}) 直到终态 completed | failed | cancelled；不手动 sleep，也不用 Bash 轮询，worker 会让每次状态调用保持打开。
10. status 为 queued、running 或 processing 时每 60s 输出一条可见进度行：Seedance i2v queued for {N}m {S}s... still processing；轮询 GPT-image-2 或 Kling 任务时替换 provider/stage 标签。
11. completed 时解包返回的结果 URL 并继续；failed 或 cancelled 时把 task_id、状态和最后一条状态消息上报给用户。
12. 从原始提交算起总计 15 分钟后任务仍非终态，就调用 task_cancel({task_id})，然后上报失败；若 cancel 报告任务已是终态，再调一次 status 并报告该终态结果。
13. 原任务仍处于 queued、running 或 processing 时，不要提交重复请求。
14. Stage 0：若为空参数调用且没有可用的先前上下文，打印那段双主体菜单并停止；若已有一张照片，只追问缺的那张。两张都到位前开跑会让 Step 1 的 images 缺项并产出不一致的静帧。
15. 保存 state.subject_a_url 和 state.subject_b_url。每个输入：已是 https://… URL 就原样使用；本地路径则 upload_asset → PUT bytes 到 presigned_url → 使用 public_url。
16. 在 Claude Desktop 上，粘贴的内联图片到不了 MCP；只追问一次要 URL 或 .zip 附件（这是唯一允许的追问）。两张 URL 齐了之后只剩成本门。
17. 任一主体可以是任意视觉风格（照片级真人、3D 渲染角色、设计师玩具、插画头像、雕塑小像等）；配方保留参考图本身的风格，不要重画成别的风格。全程不使用任何姓名——Kiss Cam 图形没有姓名条，只是两个主体被 Jumbotron 拍到。
18. 跑成本透明门，然后用一行确认回执（Generating a Madison Square Garden Kiss Cam moment for these two…）并开始。
19. Step 1 用 generate_image_edit、provider 设为 gpt-image-2：把 kiss cam 图形、记分板和复古边框在 frame 0 就烤进静帧——这是承重的，能让 Kling 在 Step 2 把整套装饰 UI 当作像素锁定的烙印 UI，而不是在片段中途把它动画化。
20. Step 1 的 prompt 逐字发送、不做任何模板替换；call params：provider 为 gpt-image-2、images 为 [state.subject_a_url, state.subject_b_url]（顺序重要，Subject A 必须是 index 0、Subject B 是 index 1，prompt 里的 FIRST/SECOND reference image 指的就是数组下标）、aspect_ratio 为 16:9、quality 为 medium（默认求速度；high 约 2 分钟一次，只在保真度关键时用）、output_format 为 png。
21. 不要给任一主体传文本特征描述。prompt 只用 the character from the FIRST/SECOND reference image 指代；在文字里描述头发/脸/衣服/配饰会和参考图打架并导致漂移——文字特征会压过视觉参考，模型会把主体同质化到描述上。参考图承载全部身份与风格信息，prompt 只加风格保留锁。
22. 把返回的 URL 存为 state.kisscam_still_url。
23. Step 2 之前做 agent 侧自检：目视检查 Kiss Cam 文字是否拼错、记分板是否不对、任一主体相似度是否漂移，是就在 Step 1 预算内重掷；这是 agent 自己的检查，不要问用户。下游一切都像素锁定到这张图。
24. Step 1 gpt-image-2 静帧最多 3 次总尝试，含 moderation 命中和自检重掷；每次付费静帧调用前记录 state.step1_attempt_count。
25. 遇到 moderation_blocked 时，只要 Step 1 预算还在就重掷同一个调用，不要换 provider——替代方案在早前试验里产出的相似度和 LED 细节都更软。
26. Step 2 用 generate_reference_video、provider 为 kling、kling_model 为 kling-v3-omni、duration 为 15、aspect_ratio 为 16:9、quality_mode 为 pro（1080p）、reference_images 为 [state.kisscam_still_url]（用最新值，Step 1 重掷会覆盖它）、image_types 为 [first_frame]、sound 为 true、prompt_adherence 为 strict，并逐字传 prompt 和 negative_prompt。image_types 为 first_frame 会把静帧锁成字面意义上的第 0 帧，让 Jumbotron、记分板、kiss cam 边框、爱心、cursive Kiss Cam 文字和前景球迷剪影在整 15 秒里保持像素锁定，只有 kiss cam 面板内的内容会动。
27. Step 2 prompt 保持约 2400 字符（Kling 上限 2500）。确实需要精简时只从 audio 或 aesthetic 段落删，绝不删动画时间线。prompt_adherence: strict 与完整的 negative_prompt 锚点列表都是承重的——缺任一项，Kling 会在片段中途动画化记分板或 Kiss Cam 文字，主体也会退化成过度表演/对 off-screen PA 解说 lip-sync。
28. 把返回视频 URL 存为 state.kisscam_video_url；若异步完成，按 MCP 工具返回的 status handle 跟进。
29. 若客户端层超时导致没有 task_id 到达 agent、上游任务成为孤儿，不要提交重复请求；向用户说明超时和孤儿上游任务风险，等可恢复的 task handle 或明确的操作者确认后再重跑。
30. Step 2 Kling 视频最多 2 次总尝试：初次渲染 + 一次纠正重试，用于文字/记分板动画、身份漂移、接吻时机、PA 时机或 lip-sync 伪影。
31. kling-v3-omni 没有 seed，相同 Kling payload 可能解析到同一个 job/asset；不要为求变化而提交完全相同的 Kling payload。纠正重试前必须实质改变 payload：用更新后的 state.kisscam_still_url 作为 first frame、补回缺失的 strict 参数/negative_prompt 条目，或改 PA 音频措辞/时机；记录 state.step2_attempt_count。
32. Step 2 失败时，只在改了 Kling payload 后用纠正重试，不要换视频引擎。若问题出在静帧本身（用 Step 1 自检标准判断：文字拼写、记分板、相似度），且 Step 1 预算还在，就只重跑 Step 1 并把新静帧作为改变后的 first frame。任一预算耗尽后停止，请求更安全的参考图或允许交付最佳尝试，并附上最佳静帧/视频 URL 与失败的检查项。
33. Step 3 交付：返回两个 Pika CDN URL——静帧 URL 和最终视频 URL。若宿主客户端需要本地媒体标记，在确认两个 CDN URL 可达后于本技能之外创建本地预览。附一行总结：Kiss Cam moment at MSG — 15s, 16:9, 1080p, Kling v3-omni, native PA-announcer commentary and crowd reaction.
34. 宣布成功前，对 state.kisscam_video_url 调用 analyze_media 并索取结构化 JSON 裁决（verdict 为 clean/degraded/catastrophic、observations、quality_warning、re_roll_suggestion），检查两张脸与各自参考一致、接吻动作完成为短暂自然的唇吻、Kiss Cam 文字/记分板样式保持可读、且没有任何可见主体对 off-screen PA 音频 lip-sync。
35. 按裁决处理：clean 就正常返回静帧 URL 和最终视频 URL；degraded 就返回 URL 并附上 quality_warning 让用户发布前复核；catastrophic 就不要把这次运行算作完成，改为上报 verdict 和 re_roll_suggestion。
36. 保持这些 load-bearing 短语逐字不变（不重新验证不要改，它们是经验行为依赖而非文风选择）。Step 1 prompt 中：spectator-POV phone screenshot ... lower bowl looking up at the giant suspended Jumbotron（没有它模型会默认出 broadcast-feed 美学）；iconic retro arena kiss cam style 加四条装饰（crimson border、sparkly hearts、star pattern、cursive Kiss Cam）；the character from the FIRST/SECOND reference image（图像接地锁，绝不用文字特征描述替换）；preserve their exact likeness AND exact visual style 加 Do not redraw in a different style（风格保留锁，两半都承重）。
37. Step 2 prompt 中保持：First frame: spectator-POV phone shot at MSG of the Jumbotron Kiss Cam segment；preserve their exact likeness AND exact visual style across all 15 seconds；subtle, restrained, true-to-life motion within their original style 加 Neither stiff and frozen, nor over-acting 加 The level of expression is what a real person shows when caught unexpectedly on a stadium camera；gentle kiss on the lips — brief, sweet, natural, not staged（不要软化）；Audio (non-diegetic / OFF-SCREEN only — Subject A and Subject B stay SILENT throughout, mouths closed, do not lip-sync the dialogue below) 加 OFF-SCREEN gender-neutral PA announcer (NOT from either visible subject — an unseen arena voice)；Phone mic picks up nearby fans louder than PA echo。
38. Step 2 negative_prompt 中保留 exaggerated acting, theatrical expressions, over-acting, mugging at camera, cartoon reactions，以及 subjects lip-syncing PA announcer dialogue, characters mouthing the announcer lines, subjects' mouths moving with off-screen voice, subjects talking to camera, on-screen lip-sync。前者防止回归到过度表演模式，后者配合 off-screen 音频锚抑制 Kling 默认给可见脸配口型的倾向。
39. Step 2 参数固定：prompt_adherence: strict、image_types: [first_frame]、quality_mode: pro、duration: 15（时间线节拍 0-3s / 3-7s / 7-11s / 11-15s 是按 15s 写的，改时长会破坏接吻节拍）。
40. 按运行时预期做规划：Step 1 gpt-image-2 medium、16:9、2 张参考图约 40-90s；Step 2 kling v3-omni pro 1080p 15s 带声音约 3-5 分钟；Step 3 下载并发出标记约 5-10s；单次总墙钟约 4-6 分钟。Step 1 需要重掷时预算从那里重启，Step 2 只重复视频阶段。
41. 按失败速查表处理：Step 1 moderation_blocked 就在 Step 1 预算内重掷同一调用、不换 provider；Kling prompt 超 2500 字符就从 audio 或 aesthetic 段删、绝不删动画时间线；记分板/Kiss Cam 文字/图形动画化就确认 prompt_adherence 为 strict 且 negative_prompt 含 scoreboard changing / Kiss Cam text changing；约 8s 后身份漂移说明参考静帧脸部裁切太小、面部像素不足以让 Kling 锁定，在 Step 1 预算内用更紧的脸部裁切重跑 Step 1 并把改动后的静帧用于 Step 2 纠正重试；主体被重画成别的风格说明风格保留锁被削弱或有具体风格标签（Pixar/anime 等）混进了任一 prompt，恢复 preserve exact likeness AND visual style 锚点并删掉风格标签；PA 解说读错词或错过接吻节拍就加发音提示、缩短 PA 台词或调整音频时机；有可见主体对 PA 台词 lip-sync 就恢复 off-screen 音频锚和 negative_prompt 里的反 lip-sync 条目；主体做鬼脸/过度表演/卡通反应就恢复 subtle, restrained, true-to-life motion 框架、从时间线剥掉情绪形容词、并确认 negative_prompt 里的反过度表演条目；吻落在脸颊/额头/头顶就恢复 7-11s 那句逐字唇吻行；误用 Seedance 就改回 kling；Step 2 超时且没返回 task_id 说明客户端层超时造成孤儿上游任务，不要提交重复，说明风险并等可恢复的 task handle 或明确操作者确认。
42. What not to do：不加姓名条（这个趋势没有名字，是两个匿名主体被拍到）；不要做成 TV broadcast cutaway 加心形叠加，必须是 Jumbotron 拍摄视角；不要只写 bare 的 subtle motion only（主体冻成塑料玩具般僵硬），也不要把动画块塞满同时发生的微表情如 eyes widening、mouths opening、cheeks lifting（主体会过度表演并对镜头做鬼脸）——有效框架是 subtle, restrained, true-to-life motion at the level of someone caught unexpectedly on a stadium camera，两种失败模式都藏在 subtle 这个词里，真正的校准词是 true-to-life；时间线节拍不要写夸张情绪形容词（huge smile、shy excited wiggle、eyes widen、giggles back），改用克制动词（notices、small smile、exchange a look、share a quiet laugh）；不要在任一 prompt 里指定具体目标风格（Pixar、anime、Disney、photoreal 等），风格由参考图定义，prompt 只说保留参考风格；不要把吻软化成额头/脸颊/头顶，这个趋势是唇吻；不要把音频块写成没有 OFF-SCREEN 锚的裸引用对话，否则 Kling 会把任何引用语音归到可见脸上并给 Subject A 或 B 对口型；不要对任一主体做性别化表述，用 Subject A / Subject B、they/them 或无代词描述；不要在 moderation 命中时换 provider，只在 Step 1 预算内重掷同一个 gpt-image-2 调用；不要尝试 Seedance；不要生成音乐（原生 PA 解说加人群环境音就是配乐）；不要跑任何后处理层（add_captions、generate_music、edit_concat、edit_text_overlay、edit_pip、任何 edit_*），Kling 已经把记分板、图形和原生解说烧进画面，事后加任何东西都会破坏 kiss-cam 幻觉。

适用边界 · 注意事项

• 宿主没有 pika MCP、或没有可用的付费 credits/额度时不能用（本技能全程依赖 pika 的 identity_balance、upload_asset、generate_image_edit、generate_reference_video、analyze_media 等付费工具）。
• 不适用于想要 TV broadcast 风格 kiss cam 覆盖层、要加姓名条、或需要清晰可辨认真实名人的场景（这属于与本趋势美学相反的做法）。
• 不适用于想改用 Seedance 等其它视频引擎、或想在成品上追加字幕/音乐/拼接等后处理层的场合。