Video-Tree-TRM5/store/skills/v1/spatial-reasoning.md

name, description, task_type

name	description	task_type
spatial-reasoning	空间推理类问题——需要基于语义线索推断地点、场景或空间关系	Spatial Reasoning

适用场景

问题要求推断视频中的地点、场景设定或空间位置关系。 例: "Where might this take place?" "Which location appears?" "Where is X relative to Y?"

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 摘要快速判断

读取 L1 的 main_setting、key_entities、topic_keywords 字段，寻找地标、文化或生态特征线索。

Step 2: 语义推理

利用世界知识对 L1 中的线索进行地点/场景推理。

Step 3: 视觉验证

仅在选项间差异微妙、L1 摘要不足以区分时才需要这一步。

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_type": "summary_inference / landmark_recognition / visual_confirmation"
  },
  "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

如果你需要从关键帧中精确计数行数、列数等空间信息来区分选项，需要查看多个 L3 帧进行交叉验证。

常见陷阱

1. 此题型与 Spatial Perception 完全不同: Spatial Reasoning 是基于语义的位置推理，Spatial Perception 是精确的视觉空间方位感知。不要把两者的策略混用。
2. 唯一的错误模式是视觉误判: 当问题需要从关键帧中精确判断空间数量信息时才会失败。这类问题需要多 L3 帧交叉验证。