87 lines
2.9 KiB
Markdown
87 lines
2.9 KiB
Markdown
---
|
||
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。
|