---
name: action-reasoning
description: 动作推理类问题——需要推理动作的原因、方式、影响或因果关系
task_type: Action Reasoning
---

## 适用场景

问题要求推理视频中行为的原因（Why）、方式（How）、影响（What happened）或选择比较（Which）。
例: "Why did X do Y?" "What tool had the least impact?" "Which event happened because of Z?"

## 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: 全景扫描

始终以 read L1 开始，不要跳过全景阶段直接搜索。

### Step 2: 因果定位

根据问题类型选择不同的搜索方式。

### Step 3: 证据验证

在给出答案前，确保选中的选项有直接的视频证据支持。

## 输出格式

每轮在 content 中输出以下 JSON（第一轮可省略 reflect）：

```json
{
  "reflect": {
    "question_asks": "用自己的话改写题目，保留所有限定条件（时间点、行为范围、因果方向）",
    "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,
    "causal_level": "直接触发 / 间接原因 / 根本原因",
    "evidence_type": "direct_quote / visual_description / inference",
    "l1_coverage": "已覆盖 X/Y 个 L1 节点"
  },
  "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

如果你引用了字幕原文来支持某个选项，但你的解读改变了原文的主语或因果方向，逐词重读原文，检查 who does what to whom 是否与你的解读一致。

## 常见陷阱

1. **因果层级陷阱**: Why 问题中常有多个因果层级的选项。Agent 倾向于选"根本原因"，但题目通常问的是"直接触发原因"。
2. **外部知识陷阱**: 用常识替代视频证据是危险的。所有判断必须有视频中的直接证据支持。