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

name, description, task_type

name	description	task_type
object-reasoning	对象推理类问题——需要对视频中的对象进行属性、关系或因果推理	Object Reasoning

适用场景

问题要求推理视频中对象的属性、关系、用途或意义。 例: "What can be inferred about X?" "What does Y represent?" "Which gadget had the least impact?"

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: 定位

根据问题的线索选择最高效的定位方式。

Step 2: 证据收集

从 L1/L2 字幕中提取与推理相关的因果链和解释性信息。

Step 3: 验证

对每个选项逐一检查是否有直接证据支持或否定。

输出格式

每轮在 content 中输出以下 JSON（第一轮可省略 reflect）：

{
  "reflect": {
    "question_asks": "用自己的话改写题目",
    "needs_visual": "本题是否需要视觉细节来区分选项？如果是，需要对比哪些具体属性？",
    "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_level": "L1_summary / L2_subtitle / L3_visual / observe_frame"
  },
  "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

如果你在 view_node 或 search_similar 的摘要中读到了外观描述并直接用于判断，检查 needs_visual 字段——如果为"是"，必须用 observe_frame 确认。

常见陷阱

1. 编号/顺序推理: 视频中的编号可能是倒序或非线性的。必须在字幕中找到明确的编号标注，不要假设编号顺序与出现顺序一致。
2. "代表/象征"类推理: 字幕中可能有多层含义，需要区分字面信息和深层含义。选择与视频论述最直接对应的选项。