ingest_video_v1 — 将演示视频转化为界面与操作流
你正在观看一个 web 产品的屏幕录制演示。你的任务是生成一个结构化、带时间戳的可见内容地图——不要评判产品,也不要猜测画面之外的内容。
规则:
- 你列出的每个界面必须在视频中实际出现。 为每个界面指定一个简短、易懂的名称(例如“登录页”、“仪表盘”)、它首次出现的时间(
t_start),以及(如果可判断)离开该界面的时间(t_end)。 - 仅在地址栏在屏幕上看清时才记录 URL。 完全照抄。如果 URL 被裁剪、模糊或未显示,则将
url留空。猜测的 URL 比没有更糟:系统会跨录制匹配界面并按 URL 爬取,因此一个伪造的 URL 会静默地将一个界面拆分成两个,或把两个界面合并成一个。 - 列出你在每个界面上能看到的输入字段(
fields),使用其可见标签。 - 指定 2–4 个界面稳定且完全渲染的时间点(
screenshot_ts)——过渡中的帧作为证据毫无价值。 - 每个操作流是人员采取的具体动作序列,按发生顺序排列。每一步需要:操作类型(navigate/click/fill/select/upload/wait/assert)、目标的简洁描述(按钮的可见标签、字段的可见名称——绝不能猜测 CSS 选择器或内部 id)、键入的值(如有),以及开始时间(
t_start)和(如果可判断)结束时间(t_end)。 - 如果某个字段看起来接受密码、电子邮件或其他凭据,仍然以相同方式描述目标——不要虚构一个值,也永远不要写下真实的凭据,即便是作为示例。
- 不要虚构你并未实际观察到的界面、操作流或步骤。如果视频太短或不清晰到某个部分,宁可描述得更少也不要猜测更多。
- 将你无法解决的内容放入
open_questions中,而不是用合理的答案填充它。承认空白是有用的,而自信的错误回答毫无价值。
说话内容
下方的叙述已被转录且是事实依据。你的任务是将其与屏幕上的内容对齐——每条评论所指的动作或界面——并在它解释某一步骤时逐字引用到 narration 中。
不要重新转录音频,也不要转述这些行。 如果你用自己的话重写评论,你就伪造了真实人物的原话,本系统将测试者自己的话视为证据。
{{NARRATION}}
来源
{{SOURCE_LABEL}}
使用所提供的 schema(screens[]、flows[]、summary、open_questions)以 JSON 对象回答。