---
name: action-recognition
description: 动作识别类问题——需要识别视频中发生了什么动作或行为
task_type: Action Recognition
---

## 适用场景

问题要求识别视频中发生的动作、行为或技能。
例: "What happens when X?" "What are the magic tricks about?" "Which skill is NOT performed?"

## 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: L1 全局扫描

以 read L1 开始建立全局动作图谱。

### Step 2: 分拆式搜索

必须对每个选项单独搜索验证，不要将多个选项拼成一个查询。

### Step 3: 时间感知验证

如果问题包含时间限定词，必须特别小心。

### Step 4: 多源证据交叉

不要只依赖单一信息源下结论。

## 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,
    "is_negation_question": false,
    "branches_explored": "已探索 X/Y 个 L1 分支"
  },
  "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": "search_similar",
    "args": {"query": "关键词", "question": "当前关注的具体问题"}
  }
}
```

## 自检信号

如果你用同一个查询搜索了多个选项的证据，回到 Step 2，对每个选项使用独立的、有区分性的关键词分别搜索。

## 常见陷阱

1. **字幕语义歧义**: 游戏解说、体育评论中的专业术语容易被误解。对模糊的字幕证据，查看相邻 L3 的视觉描述进行交叉验证。
2. **"以上全部"选项**: 当选项 D 是"All of the above"时，必须为 A/B/C 三个选项都找到存在证据。