用雾象（Fogsight）把一句话主题生成双语科普动画

雾象（Fogsight）是一款由大语言模型驱动的动画生成工具，核心能力是把一个抽象概念直接转成一段叙事完整、画面可看的动画短片，并附带双语旁白。它适合三类人：需要给学生做概念演示的教师、要把学术概念讲清楚的学生，以及想快速把灵感可视化的内容创作者。使用方式有两种——访问 fogsight.ai 在线使用，或者把项目拉到本地用 Docker 部署。本文走本地部署这条路线，从克隆代码、配置模型密钥，到启动服务、输入主题、用自然语言迭代修改，完整走一遍。如果你更想先了解这类动画生成工具的定位与选型，可以先看雾象的工具条目，再回到本文动手。

准备工作

在动手之前，先把下面几件事确认清楚。雾象本身不训练模型，它依赖外部大语言模型完成脚本撰写、画面设计与动画节奏控制，所以「有一个可用的模型 API」是硬前提。

环境与账号

Docker 与 Docker Compose：官方给出的部署方式是容器化，本机需要能正常运行 docker-compose 命令。没有装 Docker 的机器先装好再继续。
Git：用于克隆代码库。
一个大语言模型服务商的 API 密钥：雾象支持 Google Gemini、Anthropic Claude、OpenAI GPT 等多种主流模型，也支持通过 OpenRouter 这类聚合服务调用。你需要至少准备其中一家的密钥，并知道对应的接口地址与模型名称。
一个空闲端口：默认使用 8000，如果本机 8000 已被占用，启动时改用自定义端口。

先想清楚要生成什么

雾象的输入是「主题」，不是「分镜脚本」。素材里给出的典型例子包括物理概念「熵增定律」、计算机算法「冒泡排序」「快速排序」，以及设计理论「可供性」。这类主题的共同点是：有明确的知识内核，可以用一条叙事线讲完。反过来，如果你要的是一段纯氛围的空镜，或者需要精确到秒的品牌广告，雾象不是合适的工具——它擅长的是把概念讲明白，而不是做视觉特效。

关于费用与配额

雾象项目本身开源，但每次生成动画都会消耗你所配置模型的调用额度，费用由模型服务商按各自的计费规则收取。不同模型的单价、上下文长度、速率限制差异很大，具体价格与配额请以各服务商官网的当前信息为准，本文不给出具体数字。选择模型时的权衡点很直接：效果更好的模型通常更贵、更慢；便宜快速的模型在复杂概念上可能叙事不够完整。

操作步骤

第一步：克隆代码库

把项目拉到本地，然后进入项目目录：

git clone <项目仓库地址>
cd fogsight

仓库地址以项目当前公布的信息为准。克隆完成后，目录里会包含 Docker 相关配置、示例凭据文件以及前端页面代码。

第二步：生成并填写凭据文件

项目提供了一个示例凭据文件 demo-credentials.json，先复制一份为正式使用的 credentials.json：

cp demo-credentials.json credentials.json

然后编辑 credentials.json，填入三个字段：API_KEY、BASE_URL、MODEL。这三个字段决定了雾象调用哪家模型、用哪个模型名。

使用 OpenRouter 的配置示例：

{
  "API_KEY": "sk-or-v1-你的OpenRouter密钥",
  "BASE_URL": "",
  "MODEL": "anthropic/claude-sonnet-4"
}

使用 Gemini 的配置示例：

{
  "API_KEY": "你的Gemini密钥",
  "BASE_URL": "",
  "MODEL": "gemini-2.5-pro"
}

几个容易出错的点：

文件必须是合法 JSON，键名用双引号，最后一项后面不能有多余逗号，否则容器启动后调用模型会直接失败。
MODEL 要写服务商实际接受的模型标识，写错模型名通常表现为请求报错或返回空内容。
BASE_URL 在示例中留空，表示使用默认接口地址；如果你走的是自建代理或聚合服务，按服务商要求填写对应地址。
这个文件里是明文密钥，不要提交到公开仓库，也不要随手分享截图。

第三步：用 Docker Compose 启动服务

凭据填好后，在项目目录下启动容器。使用默认端口 8000：

docker-compose up -d

如果 8000 端口已被其他服务占用，通过环境变量 HOST_PORT 指定自定义端口，例如改用 3000：

HOST_PORT=3000 docker-compose up -d

-d 表示后台运行。启动完成后，在浏览器打开 http://localhost:8000（或你指定的端口，如 http://localhost:3000）即可进入首页。

如果页面打不开，按这个顺序排查：先用 docker-compose ps 确认容器处于运行状态；再用 docker-compose logs 查看日志里有没有凭据解析错误或模型请求失败的信息；最后确认端口没有被别的进程占用。

第四步：输入主题，等待生成

进入首页后，在输入框里填入一个概念。素材中的演示用的是计算机领域著名的「快速排序」。提交之后，雾象会先调用模型生成动画代码，这一步需要等待一段时间，耗时取决于所选模型的速度与主题复杂度。

生成完成后，你会得到一段包含视觉元素、动态效果和双语旁白的动画短片。旁白是双语的，这一点对教学场景比较实用——同一段动画可以同时服务中文和英文的受众。

第五步：用自然语言迭代修改

雾象提供了一套语言用户界面（LUI），也就是用对话的方式调整动画。如果对生成结果不满意，不需要重新从零生成，直接用自然语言描述修改需求即可，例如调整某一段的节奏、换一种画面表达、把某个概念讲得更细。系统会据此做精准迭代。

写修改指令时，尽量指向具体位置和具体问题，而不是笼统地说「不好看」。描述得越具体，迭代结果越接近预期。

一个完整示例

下面从零走一遍，目标是用 Gemini 生成一段解释「冒泡排序」的双语动画，并在生成后调整节奏。

1. 准备目录与代码

git clone <项目仓库地址>
cd fogsight

2. 写入凭据

cp demo-credentials.json credentials.json

编辑 credentials.json：

{
  "API_KEY": "你的Gemini密钥",
  "BASE_URL": "",
  "MODEL": "gemini-2.5-pro"
}

3. 启动服务

docker-compose up -d

确认容器在跑：

docker-compose ps

4. 打开页面并输入主题

浏览器访问 http://localhost:8000，在输入框填入「冒泡排序」，提交。等待模型生成动画代码与画面。

5. 查看结果并迭代

播放生成的动画，检查三件事：旁白是否把冒泡排序的相邻比较与交换讲清楚了；画面节奏是否跟得上讲解；双语字幕是否完整。如果觉得比较过程太快，用自然语言提出修改，例如要求放慢相邻元素比较与交换那一段的节奏，让观众能看清每一步的变化。提交后等待系统重新生成对应部分。

6. 换模型重试（可选）

如果对叙事完整度不满意，可以换一个模型再试。修改 credentials.json 里的 MODEL 与 API_KEY，然后重启容器让配置生效：

docker-compose down
docker-compose up -d

换模型后重新生成同一主题，对比两版结果，就能判断哪个模型更适合你的内容类型与预算。

注意事项

模型选择直接决定产出质量与成本

雾象把脚本、画面、节奏全部交给语言模型编排，所以模型能力就是产出上限。素材明确列出支持 Google Gemini 2.5 Pro、Anthropic Claude、OpenAI GPT 等，并支持通过 OpenRouter 调用。实际可用的模型清单、各模型的上下文长度与计费，请以服务商官网当前信息为准。建议先用一个主题在两种模型上各跑一次，再决定长期用哪个。

凭据文件是唯一的配置入口

所有模型配置都集中在 credentials.json。改完配置必须重启容器才会生效，只改文件不重启是最常见的「改了没反应」原因。另外，密钥泄露的风险完全由这个文件承担，务必不要把它纳入版本控制。

端口冲突要先处理

默认端口是 8000。如果本机已有服务占用，启动会失败或页面指向错误的服务。用 HOST_PORT 环境变量换端口是最省事的做法，例如 HOST_PORT=3000 docker-compose up -d，之后访问对应端口即可。

生成需要时间，不要重复提交

从输入主题到动画产出，中间包含模型生成动画代码的环节，不是即时返回。等待期间反复提交同一个主题，只会重复消耗模型额度。如果长时间没有结果，先看 docker-compose logs 的输出，判断是模型请求失败还是仍在生成。

它擅长的是「讲清概念」

雾象的定位是把抽象概念转成具象的动态影像，适合物理定律、算法逻辑、设计理论这类有知识内核的主题。需要精确品牌规范、逐帧控制或复杂实拍合成的场景，不在它的能力范围内。把它当成概念可视化的第一稿工具，而不是成片交付工具，预期会更合理。

在线版与本地版的选择

不想折腾部署的，可以直接访问 fogsight.ai 在线使用；需要数据留在本地、或者想自己控制模型与成本的，走本文的 Docker 部署路线。两条路线的功能入口一致，差别在于配置权与数据位置。