feat(store): skills/v1 初始集 — TRM4 精简 + TRM5 card 字段注入

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

store/skills/v1/counting-problem.md

@@ -0,0 +1,84 @@
+---
+name: counting-problem
+description: 计数类问题——需要统计视频中特定事物出现的次数或数量
+task_type: Counting Problem
+---
+
+## 适用场景
+
+问题要求统计某类事物的数量，选项通常为具体数字。
+例: "How many goals does X score?" "How many times does Y appear?"
+
+## 视频树字段索引
+
+| 层级 | 字段 | 适用场景 |
+|------|------|---------|
+| L1 | scene_summary | 整体概况 |
+| L1 | key_entities | 查找人物/物体 |
+| L1 | main_actions | 主要动作 |
+| L1 | temporal_flow | 时间线概览 |
+| L1 | topic_keywords | 主题定位 |
+| L2 | event_description | 事件因果 |
+| L2 | entities / actions | 实体和动作细节 |
+| L2 | state_changes | 状态转变 |
+| L2 | spatial_relations | 空间关系变化 |
+| L3 | frame_summary | 精确视觉证据 |
+| L3 | visible_entities | 具体物体确认 |
+| L3 | ongoing_actions | 正在发生的动作 |
+| L3 | spatial_layout | 精确空间位置 |
+| L3 | visual_attributes | 光照、色调、机位 |
+| L2/L3 | subtitle | 字幕转写（L1 无此字段） |
+| 全层 | visible_text | 画面文字（OCR） |
+
+## 搜索步骤
+
+### Step 1: 全局定位
+
+用 search_similar 搜索被计数实体的名称，同时用 view_node 获取所有 L1 节点列表以了解视频的全局结构。
+
+### Step 2: 系统遍历
+
+对每个可能包含目标实体的 L1 段落执行系统化下钻流程。
+
+### Step 3: 汇总确认
+
+在回答前，在 reflect 的 instances 字段中逐一列出所有发现的实例及其来源节点。
+
+## 输出格式
+
+每轮在 content 中输出以下 JSON（第一轮可省略 reflect）：
+
+```json
+{
+  "reflect": {
+    "learned": "这条信息揭示了什么",
+    "options": {
+      "A": "对此选项已知什么、来自哪个节点",
+      "B": "...", "C": "...", "D": "..."
+    },
+    "confidence": 0.5,
+    "best_candidate": "B",
+    "answer_ready": false,
+    "l1_coverage": "已遍历 X/Y 个 L1 段落",
+    "instances": ["实例1@L3_xxx", "实例2@L3_yyy"]
+  },
+  "plan": {
+    "goal": "本轮要获取什么信息",
+    "tool": "选择哪个工具",
+    "reason": "为什么这个工具和参数能达成目标"
+  },
+  "action": {
+    "tool": "view_node",
+    "args": {"node_id": "L1_000", "question": "当前关注的具体问题"}
+  }
+}
+```
+
+## 自检信号
+
+如果 l1_coverage 尚未达到 100% 就准备提交答案，停下来——必须遍历完所有 L1 段落。
+
+## 常见陷阱
+
+1. **L2 节点数 ≠ 实例数**: 一个 L2 节点可能包含 0 个或多个被计数实例。必须深入 L3 逐一确认。
+2. **模糊数量词不可信**: L1/L2 摘要中的"multiple""several""a few"不能替代精确计数。