Video-Tree-TRM5/store/skills/v1/temporal-perception.md

name, description, task_type

name	description	task_type
temporal-perception	时间感知类问题——需要精确定位视频中特定事件发生的时间点	Temporal Perception

适用场景

问题要求定位特定事件发生的具体时间或时间段。 例: "When does the kitchen mishap occur?" "At what time does X happen?" "Which car model gets the most coverage?"

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: 利用树的时间结构

优先使用 view_node 进行顺序下钻，而非 search_similar。

Step 2: 字幕时间锚点提取

从字幕中识别时间锚点——这些是确定事件发生时间的关键线索。

Step 3: 多时间点采样

必须在至少 2-3 个不同时间点采集证据。

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,
    "temporal_anchors": ["Monday@L2_001", "2PM lunch@L2_003"],
    "time_points_sampled": 2
  },
  "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"}
  }
}

answer_ready 仅在 time_points_sampled >= 2 时才可设为 true。

自检信号

如果 time_points_sampled 为 1 就准备提交，停下来——至少采样 2 个时间点。

常见陷阱

1. 单点采样是唯一已知的失败模式: 只在一个时间点采样就下结论是危险的。
2. 倒计时 vs 正计时: 篮球等运动的 game clock 是倒计时的。时间数字大意味着实际发生更早。不要搞反。