视觉特效（VFX）在数字媒体的表达力中起着至关重要的作用，然而其生成仍是生成式人工智能面临的主要挑战。当前主流方法通常采用“每种特效对应一个LoRA”的范式，该方法资源消耗大，且在本质上无法泛化到未见过的特效，从而严重限制了可扩展性与创作能力。为应对这一挑战，我们提出VFXMaster，这是首个统一的、基于参考的视觉特效视频生成框架。该框架将特效生成重构为一种上下文学习任务，能够仅通过一个参考视频，将多种动态特效迁移到目标内容上。此外，该方法在未见特效类别上展现出卓越的泛化能力。具体而言，我们设计了一种上下文条件化策略，通过提供一个参考样例来引导模型；同时，引入一种上下文注意力掩码机制，精准地解耦并注入关键特效属性，使单一统一模型能够实现特效的精准模仿，且避免信息泄露。此外，我们提出一种高效的单样本特效自适应机制，仅需用户提供的单个视频，即可快速提升模型对复杂未见特效的泛化能力。大量实验表明，我们的方法能够有效模仿多种类别的特效信息，并在域外特效上表现出出色的泛化性能。为推动未来研究，我们将向社区公开代码、模型及一个全面的数据集。