Stratégie de rédaction de scripts de narration pour rapports à forte densité de données
Cette compétence est conçue pour générer des scripts vidéo à partir de documents à forte densité de données, tels que les rapports professionnels, les résultats financiers d'entreprise, les notes de recherche des sociétés de courtage et les livres blancs sectoriels. Elle transforme des données complexes et des tableaux en une narration vidéo percutante, compréhensible par le grand public.
Cette compétence agit comme une passerelle fine, décomposant le traitement du rapport en plusieurs modules maintenables indépendamment :
- reading-and-extraction.md : Extraction haute précision du texte/tableau (via extraction locale/traitement externe), initialisation du tableau de correspondance des données et lecture par fenêtres.
- writing-standard.md : Standard de rédaction des scripts de notes de recherche : structure d'ouverture, déduction logique, oralisation des données et contrat de sortie JSON final.
- revision-workflow.md : Flux de révision : v1 brouillon, v2 vérification des données, version finale et suivi des modifications par différentiel.
Configuration de la longueur du texte
Il s'agit de la seule source de vérité concernant la longueur finale du texte de cette compétence. Les autres références ne doivent pas répéter de chiffres spécifiques, mais simplement citer cette section.
draft_min_chars: 1000
final_target_chars: 1200
- Le fichier
_draft_v1.txtdoit atteindredraft_min_charsavant d'être sauvegardé. - Tous les textes suivants ne doivent pas descendre en dessous de
draft_min_charsen principe. - La longueur cible du champ
contentdu JSON final est basée surfinal_target_chars; la valeur detotal_lengthest le nombre réel de caractères ducontent.
Flux principal
Ne produisez pas directement un seul tour complet. Suivez les étapes ci-dessous pour garantir l'authenticité des données et le potentiel de diffusion du texte :
- Extraction et lecture : Lisez reading-and-extraction.md. Utilisez des outils d'extraction locaux (comme PyMuPDF/fitz) pour analyser le PDF ou lisez directement le rapport Markdown pré-converti, divisez en fenêtres de lecture Bash et lisez à 100%. Établissez un tableau de correspondance des données pour consultation ultérieure.
- Déterminer le point d'entrée logique : Identifiez silencieusement les questions centrales du rapport (par exemple, crise sectorielle, goulot d'étranglement de croissance de l'entreprise, anomalie macroéconomique), extrayez le cadre explicatif du rapport et liez-le à un point d'intérêt très pertinent pour l'audience (ex. : que signifie cette donnée pour le grand public ?).
- Rédiger le brouillon : Lisez writing-standard.md, rédigez
_draft_v1.txten atteignantdraft_min_chars. L'accent est mis sur la "traduction" des données froides en langage parlé et en relations de cause à effet. - Révision structurelle et vérification des données : Lisez revision-workflow.md. Après avoir déterminé la deuxième version
_draft_v2_structure.txt, enregistrez-la directement en tant que version préliminaire de_draft_final.txt. Extrayez toutes les données pour générer un registre de contrôle_data_check_ledger.json(initialement enunchecked). Ensuite, vérifiez par rapport au texte original, en effectuant des corrections/ suppressions partiques directement dans_draft_final.txt(mettez à jour l'état enverified/abandon/corrected). Une fois toutes les vérifications de données terminées (plus aucun étatunchecked), finalisez_draft_final.txtet enregistrez l'audit différentiel dans_revision_audit.json. - Emballer et produire le JSON : Générez le JSON final conformément au contrat de sortie JSON final de writing-standard.md.
Exigences d'auto-vérification
Avant de soumettre le JSON final, vérifiez silencieusement :
- Le tableau de correspondance des données est complètement établi ; chaque pourcentage, montant, ratio, etc. apparaissant dans le texte a une source précise dans le tableau.
- Toutes les entrées du registre de contrôle
_data_check_ledger.jsonont un statutstatusmis à jour (plus aucununchecked), garantissant une boucle de données fermée. - L'ouverture pose une question incisive ou un conflit central en moins de 100 caractères, ainsi qu'une promesse d'intérêt pour le spectateur.
- Tous les 250 caractères environ, il y a une avancée logique ; le style est oral, supprimant les termes de synthèse IA comme "le livre mentionne", "on peut voir sur la figure ci-dessus".
- Le processus de révision est complet ; chaque modification de chaque tour a un avant/après clairement documenté dans
_revision_audit.json.