2.6 KiB
2.6 KiB
name, description, task_type
| name | description | task_type |
|---|---|---|
| default-strategy | 通用三阶段搜索策略——适用于无特定题型策略时的默认搜索方法 | _default |
适用场景
当没有匹配到特定题型的搜索策略时，使用此通用策略。适用于所有四选一视频问答题。
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: 建立全局认知
通过读取 L1 摘要建立对视频的整体理解，同时使用 search_similar 对问题中的核心实体或事件进行语义检索，快速定位最相关的区域。
Step 2: 聚焦验证
针对"待定"状态的选项，下钻到 L2 和 L3 层寻找区分性证据。
Step 3: 提交答案
基于已收集的证据做出最终判断。
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
},
"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
如果你发现自己只为 best_candidate 搜索了证据而没有检查竞争选项，停下来——你必须至少为 1 个竞争选项做独立搜索后再提交。
常见陷阱
- 确认偏差: 找到第一条支持证据后容易锚定在该选项上，后续搜索变成寻找"确认"而非寻找"区分"。
- L1 过度信任: L1 摘要是概括性的，可能遗漏关键细节。涉及具体数字、精确时间、视觉细节的问题，仅凭 L1 摘要判断几乎必然出错。