Estratégia de Geração de Roteiros para Relatórios com Dados Intensivos
Esta é uma habilidade projetada especificamente para relatórios profissionais curtos, resultados financeiros de empresas, relatórios de corretoras, white papers do setor e outros materiais com dados densos. Ela transforma dados e tabelas complexos em roteiros de vídeo hardcore que pessoas comuns entendem e consideram úteis.
Este Skill é uma porta de entrada fina, responsável por dividir o processamento do relatório em vários módulos que podem ser mantidos individualmente:
- reading-and-extraction.md: Extração de texto/tabelas de alta precisão (combinando extração local/pré-processamento externo), inicialização da tabela de comparação de dados e leitura em janela.
- writing-standard.md: Padrões para abertura, derivação lógica, linguagem coloquial de dados para roteiros de relatórios de pesquisa e o contrato final de saída JSON.
- revision-workflow.md: Fluxo de revisão do rascunho v1, verificação de dados v2, versão final e processo de auditoria de diferenças.
Configuração de Comprimento do Corpo do Texto
Esta é a única fonte da verdade para o comprimento final do corpo do texto neste Skill. Outros Reference não devem escrever contagens de palavras específicas, apenas referenciar esta seção.
draft_min_chars: 1000
final_target_chars: 1200
_draft_v1.txtdeve atingirdraft_min_charsantes de ser salvo.- Todos os rascunhos subsequentes do corpo do texto, em princípio, não devem ser inferiores a
draft_min_chars. - O comprimento alvo do
conteúdono JSON final bruto deve seguirfinal_target_chars, etotal_lengthdeve escrever o número real de caracteres doconteúdo.
Fluxo Principal
Não produza a saída final em uma rodada. Execute as seguintes etapas para garantir a veracidade dos dados e o poder de comunicação do script:
- Extrair e Ler : Leia primeiro reading-and-extraction.md. Use ferramentas de extração locais (como PyMuPDF/fitz) para analisar o PDF ou leia diretamente o relatório Markdown pré-convertido, divida as janelas de leitura Bash e leia 100% do conteúdo. Crie uma tabela de comparação de dados para consulta posterior.
- Determinar o Ponto de Entrada Lógico : Extraia silenciosamente a questão central do relatório (por exemplo, crise do setor, gargalo de crescimento da empresa, anomalia macroeconômica), extraia a estrutura de explicação central do relatório e vincule-a a um ponto de interesse altamente relevante para o público (por exemplo, o que esses dados significam para uma pessoa comum).
- Escrever o Primeiro Rascunho : Leia writing-standard.md, escreva
_draft_v1.txtatingindodraft_min_chars, com foco em "traduzir" dados frios para linguagem coloquial e causalidade lógica. - Verificação e Revisão de Estrutura e Dados : Leia revision-workflow.md. Após determinar o segundo rascunho
_draft_v2_structure.txt, salve-o diretamente como o rascunho inicial_draft_final.txt. Extraia todos os dados dele para gerar o livro-razão_data_check_ledger.json(inicialmente comounchecked). Em seguida, compare com o texto original para verificação e faça correções/edições locais diretamente no_draft_final.txt(atualize o status paraverified/abandon/corrected). Após toda a verificação de dados ser concluída (semunchecked), finalize_draft_final.txte registre a auditoria de diferenças_revision_audit.json. - Empacotar e Gerar JSON : Gere o JSON final de acordo com o contrato de saída JSON final em writing-standard.md.
Requisitos de Autoverificação
Antes de enviar o JSON final, confirme silenciosamente:
- A tabela de comparação de dados foi completamente estabelecida; cada porcentagem, valor, taxa, etc. que aparece no texto tem uma fonte precisa na tabela de comparação.
- Todos os itens no livro-razão de verificação de dados
_data_check_ledger.jsontiveram seustatusatualizado (semunchecked), completando o ciclo de dados. - A abertura, em menos de 100 caracteres, fornece uma questão contundente ou conflito central, bem como uma promessa de benefício de interesse para o espectador.
- A cada aproximadamente 250 caracteres, há um avanço lógico; o texto é coloquial, removendo frases de resumo de IA como "o livro menciona", "pode-se ver na figura acima".
- O processo de revisão está completo; cada rodada de alteração tem um before/after claro em
_revision_audit.json.