diff --git a/docs/todo/dressup-dance-room-mvcp.md b/docs/todo/dressup-dance-room-mvcp.md
index 94ae1d7..c2aa819 100644
--- a/docs/todo/dressup-dance-room-mvcp.md
+++ b/docs/todo/dressup-dance-room-mvcp.md
@@ -82,6 +82,7 @@
 | `videoUrl` | string | |
 | `styleTags` | array | |
 | `durationSec` | number | |
+| `motionDescriptor` | string | **管理员手写的动作描述**（如"拉丁风格摆胯+举臂旋转"），拼进 Stage2 prompt 模板的 `detailed_description`（已确认，需求文档 4.2/6.3 节），上传时必填 |
 | `copyrightSource` | enum | `test_placeholder` \| `self_made` \| `licensed`（第一期全部 `test_placeholder`，6.3/8 节） |
 | `isActive` | boolean | |
 | `createdAt` | number (ts) | |
@@ -95,6 +96,7 @@
 | `garmentId` | string | 外键 |
 | `imageUrl` | string | 合成结果 |
 | `model` | string | 实际调用的 fal.ai 模型标识（4.1/8 节，待选型） |
+| `appearanceDescriptor` | string | **Stage1 完成后自动调视觉模型描述这张换装图**，生成 2-3 条具体特征（发色/发型、服装颜色款式等），拼进 Stage2 prompt 模板的 `subject_definitions`/`detailed_description`（已确认，需求文档 4.2 节）。生成失败不阻塞——留空则 Stage2 直接拒绝提交并重试打标，而不是拿"如图所示"这种不合规描述硬凑（H3 规范明确不允许） |
 | `status` | enum | `generating` \| `done` \| `failed` |
 | `createdAt` | number (ts) | |
 
@@ -157,6 +159,78 @@ erDiagram
   garments ||--o{ moderation_log : "审核记录"
 ```
 
+### M.11 Stage2 默认 Prompt 模板（已确认，需求文档 4.2 节）
+
+依据仓库里的 `docs/h3skill.md`（内部 H3 提示词写作方法论）"全能参考
+模式六段式"结构写成。**`{{...}}` 是占位符**，由 M.6/M.5 的
+`appearanceDescriptor`/`motionDescriptor` 字段在拼装时填入：
+
+- `<Picture 1>` = Stage1 换装合成图（`composed_images.imageUrl`）
+- `<Video 1>` = 参考跳舞视频（`dance_refs.videoUrl`），只作动作/运镜/
+  节奏参考，不是视觉身份来源
+- `<Audio 1>` = 复用 `<Video 1>` 的配乐轨（H3 规范里参考视频不因为
+  含声就自动产生 `<Audio N>`，需要显式定义，见 `docs/h3skill.md` H15）
+
+```
+subject_definitions:
+<Subject 1> is the young woman whose identity is defined by <Picture 1>.
+<Picture 1> is the character reference frame: preserve her
+{{appearanceDescriptor}} exactly as shown, changing only her pose and
+motion to match the choreography described below.
+<Video 1> is the reference choreography clip that defines the camera
+rhythm and dance structure the target video should follow; it is not a
+visual identity source.
+
+summary:
+[reference generation] The target video shows <Subject 1>, wearing the
+outfit from <Picture 1>, performing {{motionDescriptor}} following the
+pacing and camera movement established in <Video 1>.
+
+retention_analysis:
+<Subject 1> (appears in [Shot 1]): fully_preserved - her face, hairstyle,
+and outfit from <Picture 1> are retained throughout.
+<Video 1>: weak_reference - only the choreography rhythm and camera
+movement pattern are referenced, no visual content is retained.
+<Audio 1>: fully_copy - the background music track from <Video 1> is
+reused verbatim.
+
+detailed_description:
+A vibrant, mobile-first vertical dance video with warm, glossy studio
+lighting. [Shot 1] <Subject 1>, established from <Picture 1> with
+{{appearanceDescriptor}}, stands centered in a medium-full shot against a
+softly lit backdrop. She performs {{motionDescriptor}}, her weight
+shifting smoothly on the beat, arms tracing clean arcs in rhythm with the
+music. The camera holds mostly static with a slow, subtle Push In across
+the shot, keeping her fully in frame throughout. Her expression is
+confident and playful, eyes occasionally meeting the camera. Fabric of
+her outfit moves naturally with each step and turn. The routine follows
+the pacing and structure established in <Video 1> — building energy
+through the middle of the clip before settling. The ending pose returns
+close to the opening stance so the clip can loop cleanly for repeated
+live playback.
+
+overall_soundscape:
+Soft ambient room tone under the music, with faint fabric rustle as
+<Subject 1> moves and rhythmic footfall on the studio floor.
+
+non_diegetic_music:
+An upbeat track carries the routine; its tempo, instrumentation, and
+dynamics are reused from <Audio 1>, driving the pacing of her movement
+throughout.
+```
+
+**填入示例**（仅示意，非真实素材）：`{{appearanceDescriptor}}` =
+"shoulder-length wavy black hair, a fitted red qipao with gold trim, and
+a slender, graceful build"；`{{motionDescriptor}}` = "a lively
+Latin-inspired routine with hip sways and raised-arm turns"。
+
+**已知未过机械验收的地方**（对应需求文档 8 节第 9 条，正式接入前需要
+按 `docs/h3skill.md` §1.7 的 22 项清单逐条核实，这里不假装已经过审）：
+`detailed_description` 的英文词数需要卡在 350–500 词区间（H6）——上面
+这版是手写的示例长度，没有做逐词计数；`retention_analysis` 用的四个
+取值（`fully_preserved`/`weak_reference`/`fully_copy`）都在 H9 白名单
+内，但整体六段的五处标签同义（H14）等细节建议正式接入前再核一遍。
+
 ---
 
 ## V — View：前后端界面设计
@@ -245,7 +319,8 @@ POST /api/admin/credit/adjust               # 人工调整积分（客服场景�
 
 内部（生成流水线编排，不对前端暴露）：
 generateComposedImage(characterId, garmentId)      # Stage1，查缓存(M.6唯一索引)→未命中调fal.ai
-generateDanceVideo(composedImageId, refDanceVideoId, backend)  # Stage2，backend按4.3节路由
+captionComposedImage(composedImageId)              # Stage1完成后自动打标，写 appearanceDescriptor（M.11）
+generateDanceVideo(composedImageId, refDanceVideoId, backend)  # Stage2，按 M.11 模板拼 prompt，backend按4.3节路由
 ```
 
 ---
@@ -304,6 +379,9 @@ sequenceDiagram
   else 未命中
     S->>Fal: Stage1 换装合成
     Fal-->>S: composedImageUrl
+    S->>Fal: captionComposedImage 自动打标（M.11，生成 appearanceDescriptor）
+    Fal-->>S: 2-3 条外观特征文字
+    S->>S: 按 M.11 模板拼装 Stage2 prompt
     S->>H3: Stage2（冷启动算力，4.3节）
     H3-->>S: 视频完成
     S->>S: 写入 generated_videos + composed_images 缓存
diff --git a/docs/todo/dressup-dance-room.md b/docs/todo/dressup-dance-room.md
index 2bf594d..adb0898 100644
--- a/docs/todo/dressup-dance-room.md
+++ b/docs/todo/dressup-dance-room.md
@@ -88,12 +88,32 @@
 后确定），复用 `server.js` 已有的 `/fal/*` 反代通道——H3 Console 本身
 不产出图片，Stage1 无论如何都得走别的模型。
 
-### 4.2 Stage 2：换装参考图 + 参考跳舞视频 → 生成跳舞视频
+### 4.2 Stage 2：换装参考图 + 参考跳舞视频 → 生成跳舞视频（已确认：默认时长 10 秒）
 
 换装图（`reference_image_urls`）+ 参考跳舞视频（`reference_video_urls`，
 提供舞蹈动作/运镜/配乐节奏，系统随机/轮换挑选，观众不选风格）→ 生成
-10 秒左右的跳舞视频片段。产物字段是 v1 `library.json` clip 的超集，加
-`characterId`/`garmentId`/`composedImageId`/`refDanceVideoId` 溯源字段。
+**固定 10 秒**的跳舞视频片段（H3 输出时长硬约束是 4–15 秒，10 秒是我们
+在这个区间内选定的固定默认值，不随请求变化；对应 `frames = 240`，按
+`H3-CONSOLE.md` 的 frames/24fps=秒 换算公式）。产物字段是 v1
+`library.json` clip 的超集，加 `characterId`/`garmentId`/
+`composedImageId`/`refDanceVideoId` 溯源字段。
+
+**Stage2 的 prompt 遵循内部 H3 提示词写作方法论**（仓库里的
+`docs/h3skill.md`——这是另一并行工作产出的官方 H3 提示词写作规范，
+内容独立于本项目其他文档但直接适用，复用而不是另起一套），走它定义的
+"全能参考模式六段式"结构（`subject_definitions` → `summary` →
+`retention_analysis` → `detailed_description` → `overall_soundscape` →
+`non_diegetic_music`）。具体默认模板见
+`docs/todo/dressup-dance-room-mvcp.md` 新增章节，两处需要自动/人工填空
+才能拼出合规 prompt（该规范要求人物特征必须具体，不能写"如图所示"）：
+
+- **人物外观描述**（发色/发型/服装颜色款式等 2-3 条具体特征）：Stage1
+  换装图生成完成后，**自动调一次视觉模型描述该图**，生成这几条特征
+  文字，随 `composed_images` 记录一起落库，不用每次生成视频都重新
+  描述（已确认）。
+- **舞蹈动作描述**（"拉丁风格摆胯+举臂旋转"这类具体动作文字）：参考
+  跳舞视频总量有限（后台预置的一个小集合），**由管理员在上传参考视频
+  时手写一段短描述**，一次性录入、长期复用（已确认，见 6.3 节）。
 
 ### 4.3 双算力策略（已确认）
 
@@ -201,6 +221,9 @@ Stage1（换装图合成）在两条路径下大概率都是 fal.ai（H3 Console
 ### 6.3 参考跳舞视频/音乐管理
 
 - CRUD：上传参考跳舞视频（含配乐），命名、风格标签、时长、上下架开关。
+- **动作描述字段（已确认，4.2 节）**：上传时管理员手写一段短描述具体
+  动作（如"拉丁风格摆胯+举臂旋转"），供 Stage2 prompt 模板拼装用，
+  一次录入、后续所有用到这条参考视频的生成都复用，不必每次重写。
 - 版权来源字段：当前**先用测试素材占位**（正式版权素材待确认，见第 8
   节），后台需要能记录/后续批量替换。
 
@@ -288,6 +311,12 @@ Stage1（换装图合成）在两条路径下大概率都是 fal.ai（H3 Console
 7. **"我的作品"页面的第三方实名认证需求**：第一期只做"我已满18岁"
    勾选式确认（5.1 节），是否需要更严格的第三方实名认证，看实际运营
    风险再评估，不预设一定要做。
+8. **人物外观自动打标的视觉模型选型**：Stage1 完成后自动描述换装图
+   （4.2 节），具体调哪个视觉模型/接口待测试几个候选。
+9. **Stage2 默认 prompt 模板的机械验收**：`docs/h3skill.md` 附带一套
+   22 项输出前机械验收清单（含 `detailed_description` 350–500 英文词
+   区间等硬约束），MVCP 文档里给的模板是按该规范手写的示例，正式接入
+   前建议照那份清单逐条过一遍再定稿。
 
 ## 9. 分期建议（不是承诺的排期，是依赖顺序参考）