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/spatial-perception.md

@@ -0,0 +1,91 @@
+---
+name: spatial-perception
+description: 空间感知类问题——需要从关键帧中精确判断空间位置和方位关系
+task_type: Spatial Perception
+---
+
+## 适用场景
+
+问题要求从视觉画面中精确判断物体/人物的空间位置、朝向或方位关系。
+例: "In which direction is the red narrator facing?" "Where is the lamp hung?" "At what position does the model 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: 目标定位
+
+用 search_similar 定位包含目标对象的节点。
+
+### Step 2: 多帧采集
+
+对目标场景至少查看 3 个不同的 L3 帧，不要从单张帧推断空间关系。
+
+### Step 3: 空间参照物建立
+
+从 L3 的 spatial_layout 字段中提取可靠的空间参照物。
+
+### Step 4: 保守判断
+
+如果多帧证据之间对空间关系的描述不一致，选择最保守的选项。
+
+## 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,
+    "spatial_anchors": ["桌子在画面左侧", "人物面向右方"],
+    "frames_checked": 1,
+    "direction_confidence": "low"
+  },
+  "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": "observe_frame",
+    "args": {"node_ids": ["L3_000_000_000"], "question": "目标对象在画面中的位置和朝向"}
+  }
+}
+```
+
+answer_ready 仅在 frames_checked >= 2 且 direction_confidence 不为 low 时才可设为 true。如果步数用尽仍为 low，基于最佳猜测回答。
+
+## 自检信号
+
+如果你只看了 1 个 L3 帧就判断空间方向，至少看 2 帧。
+
+## 常见陷阱
+
+1. **系统性能力缺陷**: 树摘要重点描述"谁在做什么"，不描述"谁在画面的什么位置面朝什么方向"。对此题型的期望应保持保守。
+2. **单帧判断必错**: 左右方向从单一视角极易搞反。不要重蹈覆辙。