想用自由提示词修改视频背景/场景/灯光/服装/天气/氛围但严…

适用于用户要求 fix my look、change anything in my video、change background/outfit 等：按提示词改视频内容，同时锁定原始人脸身份、动作、语音、音频，并使用归一化片段支持的最接近输出比例。

适用场景

解决思路

1. 工作目录固定为 `~/Downloads/fix-my-look/<run-id>/`。
2. 所需工具均按裸名调用 Pika MCP 工具，并按当前会话暴露的前缀调用。
3. 当 source 和 change prompt 已知时开始计时。
4. 在付费生成前，对计划中的 `generate_image_edit`、`generate_reference_video`、任何多段 `edit_concat`，以及可选音频/口型修复调用执行 `estimate_cost`。
5. 如果宿主没有显示成本，在最终报告中写 `Cost not surfaced by this harness`，不要猜测。
6. 任何工具返回 `task_id` 时，把准确值复制到运行笔记并逐字复用；不要手打长 JWT 风格任务 ID。
7. 如果 source 是本地文件，先 `upload_asset`；HTTPS 媒体 URL 可直接传入。
8. 归一化前决定源窗口：<=15s 的源用一个 14.8s 窗口；更长源按顺序拆成多个 14.8s 窗口。
9. 对每个窗口调用 `normalize_video(video_url=<source>, start_s=<offset>, max_duration_s=14.8, extract_audio=true, extract_face_frame=true)`。
10. 用第一个窗口的 `face_frame_url` 作为编辑静帧；用每个窗口的 `video_url` 作为该段的动作/身份参考。
11. 对多窗口片段，额外调用 `extract_audio_from_video(video_url=<source>)`，以便最终合并输出恢复成一条连续源音频轨。
12. 接线：`face_frame_url` 是 Step 2 的编辑目标；每个归一化后的 `video_url` 是 Step 4 该段 Kling 的参考；对每个 normalize 结果设置 `aspect_ratio = result.aspect_ratio ?? result.closest_aspect_ratio`，并把该局部 `aspect_ratio` 传到图像和视频调用。
13. 如果两个字段都没有，停止并报告 normalization 输出缺少 aspect 标签。
14. 每段计算 `duration = max(4, min(15, round(duration_s)))`，除非用户要求高分辨率，否则使用 `resolution=720p`。
15. 如果 `face_found` 为 false，表示未找到清晰人脸且 `face_frame_url` 回退到 t=0 帧；继续但警告身份可能漂移，或在人物面向镜头的区段用该 `start_s` 重新运行。
16. 参考视频提供方可能拒绝过大的参考素材。如果 normalize 结果或下游提供方错误显示归一化视频超过提供方限制，用 `crf=28` 和相同的 `start_s`、`max_duration_s`、`extract_audio`、`extract_face_frame` 值重试一次 `normalize_video`。
17. 如果参考仍然太大，在另一次付费视频尝试前停止，并报告 `normalize_video` 需要 worker 侧的 1080 边 / 参考大小上限。
18. 不要用本地 shell 媒体命令修补此问题。
19. 用 `generate_image_edit` 编辑帧：`provider=gpt-image-2`、`aspect_ratio=<aspect_ratio>`、`resolution=2K`、`images=[<face_frame_url>]`、`quality=high`。
20. prompt 必须包含：按用户 `<change_prompt>` 修改参考照片；保持人物脸、身份、头发、身体和姿势与参考完全一致；CRITICAL：保留主体拿着或触碰的每个物体——手机、产品、饮料、包、道具、珠宝——在同一只手、位置、方向和比例；绝不删除、替换或重设风格；只改请求的场景、背景、服装、灯光或环境，不改人物是谁。
21. 每次重新渲染都逐字保留“保留手持物体”子句；没有它 gpt-image-2 会静默丢弃主体拿着的产品/手机。
22. 如果 gpt-image-2 对 fashion、glam 或 beauty 提示返回内容策略误报，用相同意图但更保守/编辑化措辞重试一次，例如 `polished event styling, opaque clothing, natural pose, non-sexual fashion portrait`。
23. 对于 makeup 提示，明确保留原始眼型、眼睑、虹膜颜色和视线；重眼线/眼影是高风险身份漂移来源。
24. 展示编辑后的帧并停止；询问 “Approve for video generation, or tweak and re-render?”。
25. 在批准前不要调用视频生成。
26. 如需调整，重新运行 Step 2（锁定子句逐字保留）并循环。
27. 对每个归一化片段调用 `generate_reference_video`：`provider=kling`、`reference_videos=[<segment video_url>]`、`reference_images=[<edited_frame_url>]`、`aspect_ratio=<aspect_ratio>`、`duration=<segment duration>`、`sound=false`、`video_keep_sounds=[true]`。
28. Kling prompt 必须包含：把 <<<image_1>>> 中展示的改变应用到 <<<video_1>>>；保持 <<<video_1>>> 中的人物具有完全相同脸、身份、表情、动作和时序；保留原始视频保留的音轨；新场景/背景/服装/灯光应匹配 <<<image_1>>>；CRITICAL：在 <<<video_1>>> 中每一帧都保留主体拿着或触碰的每个物体——手机、产品、饮料、包、道具——在同一只手和方向；当人物说话时，嘴部运动保持到最后一帧；不要改变人物身份。
29. 任何额外创意方向（例如 “very cinematic, soft golden light”）追加在锁定文本之后，绝不替换锁定文本。
30. 不要给 Kling 传 `sound=true` 和视频输入；Kling 会拒绝并返回 `error:1201 sound on is not supported with video input`；用 `sound=false` 加 `video_keep_sounds=[true]` 保留源视频音频。
31. 如果源被拆成多个窗口，调用 `edit_concat(video_urls=[<segment outputs in order>])`。
32. concat 后，当合并输出音频缺失、漂移或不连续时，运行 `edit_audio_replace(video_url=<concat_url>, audio_url=<full_source_audio_url>, duration_policy=video)`。
33. 只有当用户明确要求 Seedance，或 Kling 失败且第二次提供方尝试有用时，才尝试 Seedance。使用相同分段规则，并如实记录提供方错误（如果 Seedance 拒绝输入或丢失语音/动作）。
34. 异步处理：如果任何调用返回 `{task_id, status}` 信封，在紧密循环中轮询 `task_status({task_id})` 直到终态。
35. 报告成功前，对照源验证生成的视频：时长不得被明显截断；如果输出时长与预期源窗口或合并源时长相差超过 0.5s，将运行标记为失败/需跟进。
36. 如果源有语音，音频必须持续到尾部，且嘴部运动不得在说话内容结束前冻结；如果词缺失、乱码、静音或明显不同步，不要称该运行为 PASS。
37. 已批准的帧修正必须延续到视频中；如果提供方重新引入已移除的伪影，例如眼镜反光，标记为传播警告，或用更强的已批准帧重新渲染。
38. 在开始、中间、片段边界和结束处比较身份；如果 Kling 保留了动作但改变了脸，将其称为提供方限制，而不是通过。
39. 如果视频视觉上可接受但语音音频缺失、不完整或漂移，提供一次付费修复：先 `edit_audio_replace(video_url=<generated_video_url>, audio_url=<full_source_audio_url or segment_audio_url>, duration_policy=video)`，再 `edit_lipsync(video_url=<audio_restored_url>, audio_url=<full_source_audio_url or segment_audio_url>, variant=v2-pro)`。
40. 如果模型在结尾附近冻结嘴部，不要自动继续升级到 `sync-3`；口型同步无法可靠恢复没有嘴部运动的 face track。改为提供 trim / regenerate。
41. 下载结果到 `~/Downloads/fix-my-look/<run-id>/result.mp4`，并返回该路径以及最终报告字段：source、edited frame URL、final video URL、provider、job/task IDs、cost estimate 或 `not surfaced`、elapsed time、QA notes、follow-up issue。
42. 输出脸相对原始漂移：gpt-image-2 过度编辑脸，或提供方低估源视频权重；重新运行 Step 2，用更强的“保持脸相同”子句；弱化 `change_prompt`。
43. 输出看起来像原始视频（没有变化）：编辑图太相似，或传了原始帧而不是编辑输出；重新运行 Step 2，用更戏剧化的 prompt；确认编辑帧 URL。
44. 输出比例不匹配源：源比例不在 {16:9, 9:16, 1:1, 4:3, 3:4}；Step 1 返回 `aspect_ratio`，或旧 worker payload 上的 `closest_aspect_ratio`；把它作为最接近的支持输出标签，并针对异形比例询问用户。
45. 提供方拒绝归一化视频为太大：normalize 输出对 4K/iPhone 源仍可能太大；用 `crf=28` 重试 normalize 一次；如果仍太大，停止并提交 worker follow-up，要求 1080 边 / 参考大小上限。
46. 长源只返回第一个短窗口：调用方只归一化一次且 `max_duration_s=14.8`，跳过了分段；拆成 14.8s 窗口，逐段生成，然后按顺序 `edit_concat`，需要时恢复完整源音频。
47. 说话片段丢失声音、丢词或尾部冻结嘴部：提供方重新生成语音/音频而不是保留源，或 face track 没有嘴部运动可驱动；标记为未通过。提供一次 `edit_audio_replace` + `edit_lipsync` 修复；如果尾部嘴部运动冻结，改为提供 trim/regenerate。
48. 已批准帧修正在视频中消失：提供方传播重新引入原始伪影；从更强的已批准帧重新渲染，或标记提供方传播警告；不要声称帧修正已交付。
49. Kling 以 `error:1201 sound on is not supported with video input` 拒绝：给视频参考传了 `sound=true`；用 `sound=false` 和 `video_keep_sounds=[true]` 重试 Kling 调用；不要为 Kling 视频输入使用 `reference_audio`。
50. Kling 输出比归一化源短：提供方返回更短渲染，或调用方意外传了裁剪参考；不要标记通过。比较输出时长与归一化源，然后重新生成该段或询问用户更短窗口。

适用边界 · 注意事项

• 没有 Pika MCP 工具链、gpt-image-2、Kling 或对应付费生成账号时不要使用。
• 需要改变人物身份、重新构图/改变画幅，或需要精确异形输出比例时不要使用；该技能不重新构图，只使用最接近支持的输出比例。
• 源视频没有人脸且不能接受身份漂移，或需要可靠恢复完全冻结嘴部运动时不要使用；口型同步无法可靠恢复没有嘴部运动的 face track。