Strategie zur Erstellung von Erklärskripten für datenintensive Berichte
Dieses Skill wurde speziell für die Erstellung von Video-Skripten aus datenintensiven Materialien wie mittellangen Fachberichten, Unternehmensbilanzen, Broker-Research, Branchen-Whitepapers und ähnlichen Dokumenten entwickelt. Es wandelt komplexe Daten und Tabellen in verständliche und nützliche Erklärvideos für ein breites Publikum um.
Dieses Skill fungiert als schlanke Einstiegsschnittstelle und zerlegt die Berichtsverarbeitung in mehrere eigenständig wartbare Module:
- reading-and-extraction.md: Hochpräzise Text-/Tabellenextraktion (kombiniert lokale Extraktion/externe Vorverarbeitung), Initialisierung einer Datenvergleichstabelle und fensterbasiertes Lesen.
- writing-standard.md: Einleitung des Research-Skripts, Logik-Deduktion, Kriterien für die mündliche Darstellung von Daten und finaler JSON-Ausgabe-Vertrag.
- revision-workflow.md: Erster Entwurf (v1), Datenprüfentwurf (v2), Finalversion und differenzierter Änderungsprüfprozess.
Konfiguration der Textlänge
Dies ist die einzige verbindliche Quelle für die Ziellänge des Haupttextes in diesem Skill. Andere Referenzen dürfen keine konkreten Wortanzahlen wiederholen, sondern nur auf diesen Abschnitt verweisen.
draft_min_chars: 1000
final_target_chars: 1200
_draft_v1.txtmuss vor dem Speichern diedraft_min_charserreichen.- Alle nachfolgenden Haupttextentwürfe dürfen grundsätzlich nicht unter
draft_min_charsliegen. - Die Ziellänge des
contentim finalen JSON wird gemäßfinal_target_charsausgeführt,total_lengthgibt die tatsächliche Zeichenzahl descontentan.
Hauptablauf
Nicht in einer einzigen Runde ausgeben. Führen Sie die folgenden Schritte aus, um die Datenintegrität und die Verbreitungskraft des Textes zu gewährleisten:
- Extrahieren und Lesen: Lesen Sie zuerst reading-and-extraction.md. Verwenden Sie lokale Extraktionstools (wie PyMuPDF/fitz), um das PDF zu parsen, oder lesen Sie direkt einen bereits vorab konvertierten Markdown-Bericht. Teilen Sie Bash-Lesefenster auf und lesen Sie 100% ein. Erstellen Sie eine Datenvergleichstabelle für spätere Nachschlagezwecke.
- Logischen Einstiegspunkt bestimmen: Extrahieren Sie still die Kernfragen des Berichts (z.B. Branchenkrise, Unternehmenswachstumsengpass, makroökonomische Anomalie), extrahieren Sie das zentrale Erklärungsgerüst des Berichts und binden Sie einen für das Publikum hochrelevanten Interessenseinstieg ein (z.B. Was bedeutet dieses Datum für den Durchschnittsbürger?).
- Ersten Entwurf verfassen: Lesen Sie writing-standard.md, verfassen Sie
_draft_v1.txtmit mindestensdraft_min_chars. Der Schwerpunkt liegt darauf, die kalten Daten in mündliche Sprache und logische Kausalzusammenhänge zu „übersetzen“. - Struktur- und Datenüberprüfung: Lesen Sie revision-workflow.md. Nach der Festlegung des zweiten Entwurfs
_draft_v2_structure.txtspeichern Sie diesen direkt als vorläufigen_draft_final.txt. Extrahieren Sie alle Daten des Textes und erstellen Sie ein Datenverzeichnis_data_check_ledger.json(initial alle aufuncheckedsetzen). Vergleichen Sie anschließend mit dem Originaltext und korrigieren/löschen Sie lokal direkt in_draft_final.txt(aktualisieren Sie den Status aufverified/abandon/corrected). Nach Abschluss aller Datenüberprüfungen (keinuncheckedmehr) wird_draft_final.txtfertiggestellt und_revision_audit.jsonmit der differenzierten Änderungsdokumentation aufgezeichnet. - Ausgabe als JSON packen: Generieren Sie das finale JSON gemäß dem JSON-Ausgabe-Vertrag in writing-standard.md.
Selbstprüfungsanforderungen
Überprüfen Sie vor der endgültigen JSON-Abgabe still:
- Die Datenvergleichstabelle wurde vollständig erstellt. Jede Prozentangabe, jeder Betrag, jedes Verhältnis usw. im Text hat eine präzise Quelle in der Vergleichstabelle.
- Alle Einträge im Datenprüfverzeichnis
_data_check_ledger.jsonhaben den Status aktualisiert (keinunchecked), der Datenkreislauf ist abgeschlossen. - Die Einleitung stellt innerhalb von 100 Zeichen eine scharfe Frage oder einen Kernkonflikt sowie ein für das Publikum relevantes Interessenversprechen dar.
- Etwa alle 250 Zeichen gibt es einen logischen Fortschritt. Der Stil ist mündlich, und KI-typische Zusammenfassungswörter wie „Das Buch erwähnt“ oder „Wie aus der obigen Abbildung ersichtlich“ wurden entfernt.
- Der Revisionsprozess ist vollständig, jede Änderungsrunde hat im
_revision_audit.jsonklare Before/After-Einträge.