Video-Tree-TRM5/store/skills/v1/object-recognition.md at feat/question-gen-v3

Files

T

iomgaa e7be42570d 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>

2026-07-09 12:12:47 -04:00

2.7 KiB

Raw Permalink Blame History

name, description, task_type

name	description	task_type
object-recognition	对象识别类问题——需要识别视频中出现的具体对象、人物或物品	Object Recognition

适用场景

问题要求识别视频中出现的特定对象、人物、物品或标识。例: "Who wins the final?" "What tool is used?" "Which item is NOT shown?"

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 全局理解

优先 read L1 建立全局观。

Step 2: 精准搜索与下钻

用对象名称或特征作为搜索关键词，定位包含目标对象的 L2/L3 节点。

Step 3: 竞争选项验证

对最强竞争选项执行独立搜索，确认是否有支持或反驳证据。

输出格式

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

{
  "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,
    "evidence_source": "subtitle / visual_description / summary"
  },
  "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

如果你只基于 L1 摘要中的 key_entities 就判断某对象存在或不存在，要警惕——需要在 L2/L3 层确认后再下结论。

常见陷阱

描述性指代容易出错: 当题目用描述性短语而非名称指代对象时，映射关系很容易出错。必须在字幕中找到精确的对象名称来确认。
视觉细节高度依赖 L3 质量: 精确视觉信息取决于 L3 关键帧的描述质量。当 L3 摘要模糊时，检查字幕中是否有解说员口头提及。

2.7 KiB Raw Permalink Blame History Unescape Escape