# Skill: dimension_research

## ⚠️ 关键规则（必须首先阅读）

**在构造任何query前，必须通过以下检查：**

1. **Query中是否包含动作词？**
   - 必须包含：提取、检测、识别、分析、获取、生成、控制等
   - 如果没有动作词，这个query是错误的

2. **Query是否在搜索"如何做"而不是"是什么"？**
   - ✅ 正确：姿态提取方法、深度图生成工具
   - ❌ 错误：女性画家、户外写生、白色裙子

3. **Query是否会搜到技术内容？**
   - ✅ 正确：会搜到教程、工具、方法
   - ❌ 错误：会搜到图片、作品、内容

**示例对比**：

| 错误Query（只有内容） | 正确Query（包含方法） |
|---------------------|---------------------|
| ❌ 女性画家 背影 | ✅ 人物姿态 提取方法 |
| ❌ 户外写生 空间 | ✅ 深度图 生成工具 |
| ❌ 白色裙子 | ✅ 服装分割 检测方法 |
| ❌ 画架 画板 | ✅ 物体识别 提取工具 |

**强制自检流程**：
```
构造query → 检查是否包含动作词 → 检查是否搜索方法 → 确认后搜索
           ↓ 没有动作词                ↓ 只搜内容
           重新构造                    重新构造
```

---

## 目标

为**Image Dimensions（图片维度）**提炼适合的**Control Signals（控制信号/特征维度）**。

**核心目的**：选择的特征维度将用于**生成式AI模型还原图片**。

**关键原则**：
- 特征维度必须是生成模型可消费的控制信号（生成模型包括但不限于stable diffusion、nano banana等模型）
- 根据图片维度的特点，选择能够有效控制生成过程的特征维度
- 优先选择在AI图像生成领域已被验证有效的控制方式

**搜索重点**：
- 寻找创作者如何使用特定特征维度来控制AI生成图片
- 关注特征维度在生成模型中的实际应用案例
- 了解特征维度如何影响生成结果的视觉效果

**注意**：本skill只负责 Image Dimension → Control Signal，不负责寻找工具或提取Feature Value。

---

## 输入格式

```json
{
  "highlight_id": "[亮点ID]（可选）",
  "highlight_description": "[亮点描述]（可选）",
  "highlight_type": "[实质/形式/全局]",
  "image_dimension": "[图片维度名称]",
  "image_dimension_description": "[图片维度描述]",
  "goal": "为该图片维度寻找适合的特征维度（Control Signals）"
}
```

---

## 输出格式

**文件**：`knowledge/dimension_research_result.json`

```json
{
  "image_dimension": "pose",
  "control_signals": [
    {
      "name": "openpose_skeleton",
      "category": "form",
      "output_format": "image",
      "format_reason": "骨架图是标准的ControlNet输入格式",
      "generation_usage": "作为ControlNet的pose控制信号",
      "search_evidence": ["URL1", "URL2"],
      "reasoning": "为什么选择这个控制信号"
    }
  ]
}
```

**输出格式说明**：
- image：特征可视化（深度图、mask、骨架图等）或标准化素材
- json：参数/数值特征（比例、坐标、权重等）

**常见维度参考**：
- 构图/布局/光照/深度/姿态 → image
- 色彩 → image或json
- 标签/分类/参数 → json

---

## 工作流程

### 0. 初始假设

**⚠️ 搜索前必须先给出假设**：基于自身知识，列出可能的控制信号和理由

格式：`假设：[信号1/2/3] | 理由：[知识来源] | 待验证：[具体问题]`

报告中必须对比初始假设和最终结果

### 1. Query构造（关键）

**⚠️ 搜索目的**：寻找"如何提取特征"的方法，而不是寻找类似的图片内容

**Query公式**：[特征类型] + [提取动作] + [信息类型]

**严格禁止**：
- ❌ 直接使用亮点描述作为搜索词
- ❌ 只搜索内容关键词
- ❌ 缺少"提取"、"检测"、"识别"等动作词

**自检问题**：
- 这个query是在搜索"如何提取特征"吗？
- 这个query包含提取动作词了吗？
- 这个query会搜到提取方法和工具吗？

**Query要求**：
- 简短（3-5词）
- 语义完整
- 包含提取意图

**搜索平台**：只在小红书搜索，使用中文

### 2. 搜索迭代

**⚠️ 每轮必须说明：为什么搜索、基于什么发现**

**第一轮（验证假设）**：
- Query：[假设的控制信号] + [提取动作] + [信息类型]
- 记录：query、迭代理由（验证哪个假设）、发现、与假设对比

**第二轮（基于发现深入）**：
- Query：[第一轮术语/工具] + [使用/应用] + [教程/案例]
- 记录：query、迭代理由（基于第一轮的什么发现）、具体案例、对假设的修正

**第三轮（可选）**：
- Query：[工具/方法] + [效果/参数] + [评测/设置]
- 记录：query、迭代理由、验证结果

**停止条件**：找到3-5个案例 / 能清晰描述使用方法 / 结果重复 / 完成2-3轮 / 假设已验证

### 3. 维度边界控制

根据**highlight_type**严格限制提取范围：

**实质类亮点**：
- ✅ 提取：该实质本身 + 该实质的形式属性
- ❌ 禁止：全局形式、其他实质

**形式类亮点**：
- ✅ 提取：该形式维度本身
- ❌ 禁止：具体实质、其他形式维度

**全局类亮点**：
- ✅ 提取：全局形式维度
- ❌ 禁止：具体实质

### 4. 分析搜索结果

从搜索结果中提取：
- 创作者使用的控制信号类型
- 控制信号在生成中的作用
- 控制信号的输出格式（image/json）
- 实际应用案例和效果

### 5. 提炼控制信号

**分解原则**：
- 实质类 → 实质本身 + 形式属性（多个）
- 形式类 → 该形式表示（1个）
- 全局类 → 全局特征（1个或少数）

**推理要求**：
- 列出搜索得到的知识
- 说明为什么需要这些特征维度
- 边界检查（只服务于当前图片维度）
- 得出特征维度列表

### 6. 输出结果

每个控制信号必须包含：
- name（snake_case）
- category（global/substance/form）
- output_format（image/json）
- format_reason（选择该格式的理由）
- generation_usage（在还原时如何使用）
- search_evidence（支持的URL）
- reasoning（选择理由，基于搜索案例）

**报告必须包含**：初始假设 | 迭代过程（每轮理由和发现）| 假设对比 | 最终结论

**禁止**：凭空想象 / 无案例支持 / 理论推测 / 超出亮点边界 / 缺少迭代理由和假设对比

---

## 停止条件

当搜索结果能够解释以下问题时停止：
- 为什么这种效果成立
- 如何实现
- 哪些因素控制