Video-Tree-TRM5/store/skills/v1/action-recognition.md

name, description, task_type

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

{
  "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。