Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →Higgsfield MCP 기반 AI 영상을 자연어 요청 한 줄로 생성합니다. 모델·파라미터를 하드코딩하지 않고 라이브 카탈로그(models_explore)를 조회해 호출하므로, 카탈로그가 바뀌어도 드리프트 없이 동작합니다. 다음과 같은 요청 시 사용하세요: - "Higgsfield 영상 만들어줘" - "Veo로 영상" - "Kling으로 영상" - "Seedance로 다이내믹 영상" - "Cinema Studio로 시네마틱 영상" - "Marketing Studio UGC 광고 영상" - "AI 영상 생성" Veo·Kling·Seedance·Cinema Studio·Marketing Studio·Wan·Gemini Omni·Grok 등 계열의 프롬프트 크래프트는 references/prompt-craft/*.md에 출처와 함께 큐레이션돼 있고(계열마다 규칙이 다름 — 범용 공식 없음), 실제 파라미터(모델 id·해상도·비율·길이·비용)는 런타임에 라이브 조회합니다.
.claude/skills/modu-ai-media-higgsfield-video/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-06 | ✗→✓ | ▲ Improved | 172% | 0% |
| case-03 | ✗→✓ | ▲ Improved | 44% | 0% |
| case-04 | ✗→✓ | ▲ Improved | 134% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 182% | 0% |
| case-07 | ✗→✓ | ▲ Improved | 137% | 0% |
> moai-media | 라이브 카탈로그 기반 영상 생성 (코어: media-higgsfield-core)
Higgsfield MCP의 영상 생성 도구를 호출하는 스킬입니다. 사용자 의도로 계열 후보를 좁힌 뒤 파라미터는 라이브 카탈로그에서 조회해 생성합니다. 이전 스킬의 하드코딩 모델·프리셋 표는 제거되었습니다 — 그 표들은 라이브 스키마와 어긋나 실패하는 호출을 낳았습니다.
핵심 설계는 코어 스킬 media-higgsfield-core에 있습니다: 호출 계약(call-schema.md), 라이브 조회(catalog-protocol.md), 공통 규칙 R1–R5(universal-rules.md), 잡·비용·리드백(job-lifecycle.md).
각 파일은 벤더 공식 문서 기반이며 출처·Evidence tier를 답니다.
| 파일 | 계열 | |---|---| | references/prompt-craft/veo.md | Veo (오디오 문법 SFX:/Ambient noise:) | | references/prompt-craft/kling.md | Kling (유연 프레임워크, 1차-relayed) | | references/prompt-craft/seedance.md | Seedance (타임스탬프 unstable — 라벨 샷 리스트) | | references/prompt-craft/cinema-studio.md | Cinema Studio (4계층 참조, enum 라이브 조회) | | references/prompt-craft/marketing-studio.md | Marketing Studio (hook/setting↔ad_reference 상호배타) | | references/prompt-craft/wan.md | Wan (Timestamp 멀티샷 — Seedance와 정반대) | | references/prompt-craft/gemini-omni.md | Gemini Omni (편집은 단순 프롬프트) | | references/prompt-craft/grok.md | Grok (오디오 문서 부재 — 지어내지 않음) |
카메라 디렉팅·Marketing Studio 슬러그 참고: references/dop-motions.md.
단일 범용 비디오 프롬프트 공식을 쓰지 않는다. 벤더마다 컨벤션이 정반대이기 때문이다: Wan은 멀티샷에 명시적 Timestamp를 처방하지만 ByteDance는 Timestamp가 Seedance를 불안정하게 만든다고 경고한다. 이 둘을 하나로 통합하는 것은 correctness 회귀다. 따라서 스킬은 대상 계열의 prompt-craft/ 파일로 per-family(계열별) 라우팅하여 그 계열의 벤더 공식 컨벤션을 적용한다.
사용자 요청에서 subject·action·scene·camera·audio·references(+각 용도)·shot count·duration 등 슬롯을 수집(→ core interview-schema.md)하고 계열 후보를 좁힙니다. 후보를 좁힐 뿐 파라미터를 단정하지 않습니다. 슬롯이 부족하면 blocker 보고를 반환하고 오케스트레이터가 확인합니다(스킬은 사용자에게 직접 질문하지 않음).
| 사용자 표현 | 후보 계열 | |---|---| | "사실적", "오디오 있는 영상" | Veo | | "인물·표정·스토리보드" | Kling | | "다이내믹 모션·멀티샷" | Seedance 또는 Wan | | "영화 룩·모션 전이" | Cinema Studio | | "UGC·DTC 광고 영상" | Marketing Studio | | "이미지 편집·간단 참조" | Gemini Omni | | "Grok 영상" | Grok |
models_explore(action:'get')로 좁힌 후보의 실제 제약(aspect_ratios·durations·media role·모델별 param)을 조회합니다. 범위 밖 모델이면 계열 크래프트가 없다는 것을 명시하고 live lookup으로 제약만 가져와 R1–R5를 적용합니다. Marketing Studio 계열이면 show_marketing_studio로 preset/hook/setting을 조회합니다.
같은 파라미터에 get_cost: true를 넣어 credits를 확인합니다(크레딧 0). adjustments가 있으면 서버가 채운 기본값이므로 리드백해 둡니다(예: 오디오를 요청했는데 generate_audio: false로 치환됐다면 보고). 잔액 정지 규칙은 core job-lifecycle.md.
조회된 값으로만 실제 generate_video를 호출합니다. namespace는 런타임 해석. 참조 미디어는 media_id/job_id로만 전달합니다.
job_status로 completed까지 폴링하고, 결과 URL과 함께 반환된 adjustments를 사용자에게 보고합니다.
이 세 가지는 계열 크래프트가 벤더 근거로 확인한 위험이다. 스킬은 해당 모델 사용 시 사용자에게 경고한다:
gemini_omni video-references는 known-broken — Google 자신의 말: "...are not correctly processed by the model at this time." API가 받아들여도 모델이 제대로 처리하지 못한다(→ prompt-craft/gemini-omni.md).minimax_hailuo는 카메라 명령을 조용히 덮어쓸 수 있다 — MiniMax 자체 API의 prompt_optimizer(기본 true)가 프롬프트를 자동 재작성해 정밀한 수동 카메라 명령을 뭉갤 수 있다. Higgsfield는 이 스위치를 노출하지 않으므로 MCP로는 끌 수 없다. 정밀 카메라 디렉팅이 무시될 수 있음을 경고한다.prompt-craft/grok.md).계열 크래프트에 없는 모델을 요청하면, 계열 특화 크래프트가 없다는 사실을 명시하고 models_explore로 제약을 live lookup한 뒤 공통 규칙 R1–R5를 적용합니다.
## Higgsfield 영상 생성 결과
- 모델: [models_explore로 확인한 실제 id]
- 프롬프트: [계열 크래프트로 조립된 최종 프롬프트]
- 비율·길이: [라이브 aspect_ratios·durations 중 선택]
- 비용: [get_cost가 반환한 credits]
- Job ID / 결과 URL: [job_status completed]
- 서버 조정(adjustments): [있으면 그대로 보고]prompt-craft/ 벤더 공식 컨벤션을 따릅니다 — 범용 공식을 쓰지 않습니다.media-higgsfield-image로 먼저 생성할 수 있습니다.models_explore로 확인합니다.| 스킬 | 시점 | |---|---| | moai-media:media-higgsfield-core | 코어: 호출 계약·라이브 조회·공통 규칙 | | moai-media:media-higgsfield-image | 선행: 시작 이미지 생성 | | moai-media:media-audio-gen | 보조: 영상용 음성·BGM |
references/prompt-craft/*.md의 Evidence tier·출처 참조.models_explore (스냅샷은 plan 단계 증거 기준선일 뿐 런타임 계약 아님).| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-16 | pass→pass | 13,197 | 13,912 | +5% | 1 | 1 | 0% | 1,244 | 3,387 | +172% | 0 | 0 | — |
case-06 | fail→pass | 10,744 | 21,965 | +104% | 1 | 1 | 0% | 1,810 | 4,930 | +172% | 0 | 0 | — |
case-01 | fail→fail | 16,497 | 24,702 | +50% | 1 | 1 | 0% | 597 | 5,314 | +790% | 0 | 0 | — |
case-02 | fail→fail | 15,200 | 11,457 | -25% | 1 | 1 | 0% | 2,094 | 2,633 | +26% | 0 | 0 | — |
case-03 | fail→pass | 16,757 | 22,450 | +34% | 1 | 1 | 0% | 3,576 | 5,157 | +44% | 0 | 0 | — |
case-04 | fail→pass | 16,062 | 17,821 | +11% | 1 | 1 | 0% | 1,951 | 4,559 | +134% | 0 | 0 | — |
case-05 | fail→pass | 15,386 | 16,259 | +6% | 1 | 1 | 0% | 1,472 | 4,150 | +182% | 0 | 0 | — |
case-07 | fail→pass | 26,032 | 16,450 | -37% | 1 | 1 | 0% | 1,756 | 4,157 | +137% | 0 | 0 | — |
case-08 | fail→pass | 21,527 | 21,258 | -1% | 1 | 1 | 0% | 3,043 | 4,998 | +64% | 0 | 0 | — |
case-09 | pass→pass | 20,798 | 21,420 | +3% | 1 | 1 | 0% | 2,659 | 4,545 | +71% | 0 | 0 | — |
case-10 | fail→pass | 13,133 | 19,546 | +49% | 1 | 1 | 0% | 697 | 4,718 | +577% | 0 | 0 | — |
case-11 | fail→pass | 15,895 | 16,949 | +7% | 1 | 1 | 0% | 1,966 | 4,347 | +121% | 0 | 0 | — |
case-12 | pass→pass | 14,249 | 16,237 | +14% | 1 | 1 | 0% | 1,993 | 4,153 | +108% | 0 | 0 | — |
case-13 | fail→pass | 18,681 | 19,918 | +7% | 1 | 1 | 0% | 1,350 | 4,947 | +266% | 0 | 0 | — |
case-14 | pass→fail | 12,015 | 26,080 | +117% | 1 | 1 | 0% | 846 | 2,544 | +201% | 0 | 0 | — |
case-15 | pass→pass | 43,071 | 16,543 | -62% | 1 | 1 | 0% | 4,090 | 4,173 | +2% | 0 | 0 | — |
case-17 | fail→fail | 14,694 | 18,937 | +29% | 1 | 1 | 0% | 314 | 4,602 | +1366% | 0 | 0 | — |
case-18 | fail→fail | 22,863 | 21,944 | -4% | 1 | 1 | 0% | 2,760 | 4,946 | +79% | 0 | 0 | — |
case-19 | pass→pass | 5,920 | 18,693 | +216% | 1 | 1 | 0% | 1,079 | 4,776 | +343% | 0 | 0 | — |
case-20 | pass→pass | 14,813 | 20,944 | +41% | 1 | 1 | 0% | 1,574 | 4,705 | +199% | 0 | 0 | — |
case-21 | pass→pass | 15,432 | 15,875 | +3% | 1 | 1 | 0% | 1,658 | 4,682 | +182% | 0 | 0 | — |
case-22 | pass→pass | 11,213 | 12,011 | +7% | 1 | 1 | 0% | 1,142 | 3,263 | +186% | 0 | 0 | — |
case-23 | pass→pass | 23,831 | 19,923 | -16% | 1 | 1 | 0% | 2,954 | 5,617 | +90% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 23 cases were attempted, and 18 counted toward the lift figure. The other 5 produced results that are not comparable between the two arms, so they are excluded from the headline rather than averaged into it. The headline lift of +35 percentage points is the difference between those two pass rates over the 18 comparable cases. 1 case got worse with the skill loaded, and it is included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.