用途：把用户已有的 AI 视频提示词，从源模型写法转换为目标模型的最佳实践写法；不适合从零写新提示词（用 seedance-prompter / kling-prompter 等）、选模型（用 model-selector）或排错（用 seedance-debugger）。
主要能力：核心数据资产为 prompts/data/cross-model-matrix.json，含 10 个核心场景（产品广告、情感重逢、滑板动作、图生视频、多人会议、恐怖悬疑、自然延时、抽象艺术、武侠决斗、萌宠爆款）× 11 模型 = 110 条对照 prompt。流程为五步：接收源模型/源 prompt/目标模型（可选转换偏好）；提取源 prompt 的语义元素（主体、场景、动作、情绪、镜头、音频、对白、风格）；在 10 个场景中找最相似的 1-2 个作参照；以相似场景的源/目标对照写法做 few-shot 转换；输出时严格遵循目标模型在矩阵中的标签格式（如 Kling 3.0 的 Scene:/Characters:/Action:/Camera:/Audio & Style:/Negative:，Sora 2 的 Style:/Cinematography:/Actions:/Background Sound:/Dialogue:，Wan 2.7 的 Entity:/Scene:/Motion:/Sound: 四段，Seedance 2.0 为 8 要素 prose 单段等），并附转换映射表与注意事项（参数建议、能力差异、备选方向）。
使用方式：按 skill 说明调用；输出模板为「转换结果 + 转换后的 prompt + 转换映射表 + 注意事项」。示例：把一条 Sora 2 的情感对话 prompt 转为 Kling 3.0，会参考 scene-2-reunion 对照行，把 Style 合并进 Audio & Style、Cinematography 改为 Camera、Actions beats 合并为 Action 自然语言并嵌入对白、新增 Characters 段。
适用场景：已有提示词需要跨模型迁移、想快速套用目标模型官方公式结构时。
限制：属于基于 110 条公式对照的查表式转换，非实测视频效果驱动的端到端优化；无法保证转换后在目标模型上的实际生成质量，无法预测模型迭代带来的特殊脾气，也无法代替 A/B 测试。建议把结果当作起草稿，在目标平台实测后微调；若某条转换稳定，可按 CONTRIBUTING.md 提 PR 补充对照样本。路线图中 v2 拟扩至 165 条，v3 拟加实测视频链接，v4 拟加自动 A/B 评估与 ELO 评分。其他细节暂未提供。