Agent/examples/find knowledge_test/skills/dimension_research.md

Skill: dimension_research

Purpose

该 skill 用于在内容平台（主要是小红书）研究： 哪些 Control Signals（控制信号 / 特征维度） 适合表达输入的 Image Dimensions（图片维度 / 需求）。

输入来自主 agent：

• global_features
• substances
• forms
• highlights 这些输入代表不同类的 Image Dimensions。

该 skill 的任务是：通过案例研究和创作者经验，为每个 Image Dimension 提炼：可复用的 Control Signals。

注意：dimension_research 不负责寻找工具。，只负责：Image Dimension → Control Signal。

---

Definitions

Image Dimension（图片维度 / 需求）指图片中需要被结构化表达的方面。

Control Signal（控制信号 / 特征维度）可以将 Image Dimension 转换到生成模型可使用的信号空间。

Control Signal 不是某张图片的具体值， 是特征的表示方式。

Feature Value（特征值）是 Control Signal 在具体图片上的实例化结果，由工具提取。 dimension_research 不负责提取 Feature Value。

Input

subagent 将收到来自主 agent 的 JSON： { "global_features": [], "substances": [], "forms": [], "highlights": [], "goal": "寻找适合生成控制的多模态维度" }

字段说明： global_features：图像整体特征 substances：图像中的实体 forms：实体的形式

highlights：亮点信息

Output

输出文件： knowledge/dimension_research_result.json 结构： { "control_signal_candidates": [

{
  "image_dimension": "多模态维度",
  "level": "global / substance / form",
  "control_signal": "特征维度",
  "signal_type": "graph/...",
  "representation": "json/...",
  "reason": "选择的原因",
  "generation_usage": "特征维度在还原过程中应该被怎样使用",
  "evidence": [
    {
      "url": "...",
      "snippet": "..."
    }
  ]
}

] }

每个特征维度必须说明：

- 所属层级（global / substance / form）
- 选择原因
- 表示方式
- 在生成中的作用
- 原始证据

---

Search Strategy

搜索目标

优先寻找： 如何使用某个特征维度复刻某种视觉效果，也就是图片维度 而不是： 某个工具如何使用

---

搜索重点

优先寻找：

• 复刻流程
• 工作流
• 案例中使用的视觉控制变量
• 参数经验
• 常见失败案例

避免：

• 单纯工具介绍
• 无流程说明的教程
• 纯理论讨论

最终从案例中提炼可复用的控制信号

---

搜索循环

执行循环： search
↓
分析案例
↓
提炼控制信号
↓
如果维度不清晰
↓
改写 query
↓
继续搜索

---

Query 扩展

dimension_research 的 query 不应只有少量关键词。 必须通过系统化方式生成 20–40 个 query。

获得的特征 ↓ 生成 Query Seeds ↓ 扩展 Query ↓ 执行搜索

---

Query Seeds

Query Seeds 来源：

1. Substance（实体）
2. Form（形式）
3. Highlight（亮点）
4. 搜索内容补充

---

Query 模板

Query 必须由以下结构组成： seed + intent + context

seed：来自输入特征 intent：implementation / analysis / control / workflow / comparison /... context：教程 / workflow / 拆解 / 案例 / 参数 /...

每个 seed 必须生成 5–8 个 query。 总 query 数量建议 20–40。

---

Query 过滤规则

删除： 重复 query、过于相似 query、没有信息量 query、不符合结构组成 query

---

Query 迭代规则

重要 ：对每一个维度的搜索，都必须经过多次迭代。每一次搜索完成后，根据搜索的效果以及得到的知识，改进query的seed、intent和context，使用优化后的query继续搜索，直到得到的知识足够丰富，且都可以通过评估。 策略 ：每一轮迭代，除了是对query的优化，也应该缩小搜索空间。比如：第一轮搜索宽泛的概念，从搜索结果中得到一些子领域的关键词，并运用到第二轮搜索。最终通过迭代，缩小范围，锁定一个或几个特征维度。

---

Evaluation

搜索完成后，对每个候选维度进行评估： 是否：

• 可用于生成模型控制
• 可独立修改
• 不包含原始像素
• 可用于学习和复用
• 不与原图高度相似

避免：

• 与原图高度相似的特征

• 无法泛化的特征

  Dimension Research Documentation

搜索完成后，必须生成一份研究记录，用于说明每一个维度是如何被发现并确定的。

研究记录必须包含以下信息：

1. Image Dimension 原始信息 说明该维度来自图片的哪个方面。 必须标明来源：
2. global feature
3. substance
4. form

5. highlight 并记录制作表或亮点中的来源路径。

6. Initial Hypothesis 说明该维度最初的理解或假设： 图片的这个方面可能由哪些视觉变量控制。

7. Query Iteration 记录 query 的修改过程。 至少包含：

8. 使用的 seed

9. 每一轮 query

10. 搜索结果观察

11. 为什么需要修改 query

12. 新发现的关键词或概念

13. Evidence 记录关键搜索案例，包括：

14. URL

15. 简要说明

16. 从案例中得到的结论

17. Control Signal Decision 说明最终选择的控制信号： Image Dimension → Control Signal 并解释：

18. 为什么选择该信号

19. 它如何控制视觉效果

20. 该信号如何用于生成模型

21. Rejected Alternatives 记录被否决的方案，并说明原因，例如：

22. 与原图过于相似

23. 无法泛化

24. 无法提取

---

Stop Condition

当搜索结果能够解释以下问题：

• 为什么这种效果成立
• 如何实现
• 哪些因素控制 即可停止搜索。

Search Language Strategy

查询语言必须根据平台自动选择。

---

中文优先

默认情况下： 优先使用中文查询。 原因：

• 内容平台主要为中文内容
• 中文 query 更容易找到真实创作者经验

适用平台：

• 小红书
• 知乎
• B站
• 中文博客

---

英文查询

当搜索来源为：

• GitHub
• 论文
• 技术博客
• AI工具库
• API文档 才使用英文 query。

---

双语搜索策略

若中文搜索结果不足： 可以进行第二轮搜索：

---

Query 翻译规则

从中文平台切换到英文平台时，将核心概念翻译为英文。

---

禁止行为

禁止： 在中文平台使用纯英文 query。