Video-Tree-TRM5/store/skills/v1/ocr-problems.md

name, description, task_type

name	description	task_type
ocr-problems	OCR/文本识别类问题——需要从视频画面中读取文字、数字或标识	OCR Problems

适用场景

问题要求读取视频画面中显示的文字、数字、标题或图形叠加层信息。 例: "What does the video state about X?" "Which concept is NOT described?" "What is the score at halftime?"

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: 精准关键词搜索

搜索查询应包含选项中的具体名称或数字，而非泛化描述。

Step 2: 多层信息源检查

答案可能来自三个不同的信息源：字幕、可见文字、L3 帧描述。

Step 3: 数值精确验证

当答案是具体数字时，不要从模糊描述中推算——必须寻找直接标注。

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,
    "answer_source": "subtitle / visible_text / frame_description / inference",
    "numeric_precision": "exact_match / approximate / inferred"
  },
  "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"}
  }
}

当 answer_source 为 inference 且 numeric_precision 不是 exact_match 时，不要提交——继续搜索更精确的证据。

自检信号

如果你的搜索查询使用了问题的泛化描述而非选项中的具体名称或数字，回到 Step 1 换用精确关键词重新搜索。

常见陷阱

1. 搜索策略僵化: 3 步内没找到精确数字时应立即切换策略，不要在同一方向上反复尝试。
2. 图像 OCR 能力有限: 当答案只存在于画面叠加层而非语音字幕时，应优先从字幕中寻找解说员口述的数字。