Estrategia de Generación de Guiones para Informes Intensivos en Datos
Esta es una habilidad diseñada específicamente para informes profesionales de mediana y corta extensión, informes financieros de empresas, informes de correduría, libros blancos de la industria y otros materiales intensivos en datos. Convierte datos y tablas complejos en guiones de video explicativos que el público común puede entender y encontrar útiles.
Esta habilidad actúa como una entrada ligera que divide el procesamiento del informe en varios módulos que se pueden mantener de forma independiente:
- reading-and-extraction.md: Extracción de alta precisión de texto/tablas (combinando extracción local y preprocesamiento externo), inicialización de la tabla de referencia de datos y lectura por ventanas.
- writing-standard.md: Estándares para la introducción, el razonamiento lógico, la redacción de datos en lenguaje coloquial y el contrato de salida JSON final del guión.
- revision-workflow.md: Flujo de trabajo de revisión: borrador v1, revisión de datos v2, borrador final y proceso de auditoría de diferencias.
Configuración de Longitud del Cuerpo
Esta es la única fuente de verdad para la longitud final del cuerpo del texto en esta habilidad. Otras referencias no deben repetir números de palabras específicos, solo deben citar esta sección.
draft_min_chars: 1000
final_target_chars: 1200
_draft_v1.txtdebe alcanzardraft_min_charsantes de guardarse.- Todos los borradores posteriores del cuerpo no deben ser inferiores a
draft_min_chars. - La longitud objetivo del
contenten el JSON final se ejecuta segúnfinal_target_chars, ytotal_lengthregistra el número real de caracteres decontent.
Flujo Principal
No genere la salida directamente en una sola ronda. Siga los siguientes pasos para garantizar la autenticidad de los datos y el impacto comunicativo del texto:
- Extracción y Lectura: Primero lea reading-and-extraction.md. Use herramientas de extracción local (como PyMuPDF/fitz) para analizar el PDF o lea directamente el informe Markdown preconvertido, divida las ventanas de lectura de Bash y lea el 100% del contenido. Establezca una tabla de referencia de datos para consultas posteriores.
- Determinar el Punto de Entrada Lógico: Extraiga silenciosamente el problema central del informe (por ejemplo, crisis de la industria, cuellos de botella de crecimiento de una empresa, anomalía macroeconómica), identifique el marco explicativo central del informe y vinculelo con un punto de interés altamente relevante para la audiencia (por ejemplo, ¿qué significa este dato para la gente común?).
- Redactar el Borrador Inicial: Lea writing-standard.md y redacte
_draft_v1.txtque alcancedraft_min_chars. El enfoque está en "traducir" los datos fríos a lenguaje coloquial y causalidad lógica. - Revisión de Estructura y Validación de Datos: Lea revision-workflow.md. Después de determinar el segundo borrador
_draft_v2_structure.txt, guárdelo directamente como_draft_final.txtpreliminar. Extraiga todos los datos de éste y genere el libro de control_data_check_ledger.json(inicialmente con estadounchecked). Luego, verifique con el texto original y realice correcciones/eliminaciones locales directamente en_draft_final.txt(actualizando el estado averified/abandon/corrected). Una vez que todas las verificaciones de datos estén completas (sinunchecked), finalice_draft_final.txty registre la auditoría de diferencias en_revision_audit.json. - Empaquetar y Generar JSON: Genere el JSON final de acuerdo con el contrato de salida JSON final de writing-standard.md.
Requisitos de Autoverificación
Antes de enviar el JSON final, verifique silenciosamente:
- La tabla de referencia de datos se ha establecido por completo; cada porcentaje, cantidad, ratio, etc., que aparece en el texto tiene una fuente precisa en la tabla de referencia.
- Todas las entradas del libro de control de datos
_data_check_ledger.jsontienen sustatusactualizado (sinunchecked), completando el ciclo de datos. - La introducción, en menos de 100 caracteres, presenta una pregunta aguda o un conflicto central, así como una promesa de beneficio para el espectador.
- Cada aproximadamente 250 caracteres hay un avance lógico; el estilo es coloquial, eliminando palabras como "el libro menciona", "como se puede ver en la figura anterior", típicas de resúmenes de IA.
- El flujo de revisión está completo; cada ronda de modificación tiene un before/after claro en
_revision_audit.json.