Menu
信息剪报 Skill — 接收链接，自动抓取网页内容并整理为标准 Markdown，存入本地剪报库。支持微信公众号、即刻等平台，Bilibili/知乎/小红书待测试，生成含元数据的结构化文档，适合作为知识管理或个人阅读存档的工作流。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | information-clipper |
| description | 信息剪报 Skill — 接收链接，自动抓取网页内容并整理为标准 Markdown，存入本地剪报库。支持微信公众号、即刻等平台，Bilibili/知乎/小红书待测试，生成含元数据的结构化文档，适合作为知识管理或个人阅读存档的工作流。 |
| author | TaohongMaxwell |
| repository | https://github.com/TaohongMaxwell/information-clipper |
| version | 1.0.3-27.04.27 |
用户发送链接并要求收藏时，自动触发本 Skill。 用户要求更新/刷新已有剪报时，自动触发增量更新流程。 用户说"总结剪报 / 剪报概览 / 剪报目录 / 最近存了什么"时，触发目录总结流程。
⚠️ clip_summary.py 只是一个数据扫描工具，不是分析工具。 它负责扫目录、拿标签、抓 metadata、跑统计——这些只是原材料。 最终成文必须由派蒙用 AI 能力自己写，而不是把脚本输出直接端出来。
/volume2/AI工作区/知识库/1.raw/派蒙剪报
⚠️ 若克隆到其他机器使用，请将
CLIP_DIR替换为本地实际路径。
scripts/clip.py 是本 Skill 的核心执行引擎，负责所有标准化操作：
| 命令 | 作用 |
|---|---|
python3 scripts/clip.py scrape <url> | 抓取内容 + 提取正文 + 质量检查，输出 JSON |
python3 scripts/clip.py exists <url> | 检查 URL 是否已在剪报库中 |
python3 scripts/clip.py save <url> | 快速保存流程（检查→抓取→质量检查→写文件），不做 AI 排版，适合纯手动存档 |
python3 scripts/clip.py format <url> | 仅返回标准 frontmatter + raw_text，不写文件。AI assisted workflow 的两阶段写文件Stage 1 用此命令 |
⚠️ 所有提取逻辑都在 clip.py 里，SKILL.md 只描述工作流程和判断规则。 遇到提取失败时，修改 clip.py 中的对应平台函数，而不是在 SKILL.md 里临时写脚本。
##/###，原文无分节时由 AI 识别主题段落再插入##就一个字 — 爽。不只追求有用，不只追求体系，"这个挺有意思"就随手存一下。
执行时不用逐条报幕，说清楚大致状态即可。例如："抓取中，稍等"而不是"第一步，正在执行抓取命令"。
执行约束：第四步的派蒙分析必须暂存（不输出到对话），直到第九步通知用户时才一并附上。分析不允许拆分成中间步骤提前发出。
唯一入口原则：
clip.py save <url>适合纯手动快速存档（scrape → 直接写文件，不做 AI 排版）。AI assisted workflow（做分析 + 排版 + 补 frontmatter）用exists→scrape→format→ 合并写文件的路径。两阶段写文件必须用format返回的 frontmatter 为基础，不允许先 scrape 再手动拼接。
用 clip.py 检查：
python3 scripts/clip.py exists <url>
python3 scripts/clip.py scrape <url>
clip.py 会自动：
质量检查项（有问题会列在 issues 里）：
<script>、class=、style=、window.）→ 清洗不彻底读取 JSON 中的 passed 字段：
true（issues 为空）→ 继续第四步false（有 issues）→ 不要写文件，把 issues 报告给用户，询问如何处理两阶段写文件规则：第五步补充 frontmatter（summary/tags），第六步做 AI 排版，第七步才真正落盘。分析内容始终不写入文件。
分析在后台进行，内容暂存备用，不写入文件，也不在此步骤告知用户。此步只产生一段分析文本，延迟到第九步随通知一并发出。
分析维度（每篇都做）：
约束：分析内容仅输出到对话，不写入 Markdown 文件。正文永远是原文照录。
clip.py scrape 返回的数据中，以下字段由派蒙根据分析结果手动补全（直接在 clip.py frontmatter 模板上修改）：
summary: （派蒙补充：一句说明文章类型和主题，不超过150字）
tags: [（派蒙添加主题标签）]
author: （微信公众号文章若提取失败，需从正文末尾手动补录，如"撰文 | 应超"）
official_account: （若提取失败，从正文末尾补录公众号名称）
常见作者格式（微信正文末尾）：
撰文 | 张三 → author: 张三作者：张三 → author: 张三文｜李四 → author: 李四注意：frontmatter 的标准格式由 clip.py 的
build_frontmatter决定，这里只补充 summary / tags / author / official_account 四个字段，其他字段保持原样。
在写文件之前，用 LLM 对正文进行标题层级排版。
标题层级对应规则：
| 原文层级 | Markdown | 说明 |
|---|---|---|
| 文章大标题（如微信文章标题） | # 一级 | 通常对应 frontmatter 中的 title |
| 章节标题（如 "从闲聊到助手"） | ## 二级 | 原文本身就有的节标题 |
| 子节标题 | ### 三级 | 原文有的子节 |
| 更细的子节 | #### 四级 | 以此类推 |
原文无分节时的处理：
## 二级标题判断示例：
## / ##### 小标题分两阶段执行，不允许手动拼接 frontmatter。
阶段一：调用 clip.py format 获取标准 frontmatter（此命令不写文件，只返回结构化数据）：
python3 scripts/clip.py format <url>
阶段二：将阶段一拿到的 frontmatter（已补充 summary/tags/author），与第六步 AI 排版后的正文，合并为完整 Markdown 内容，一次性写入文件。
不允许先 scrape 再手动写 frontmatter。所有文件必须由 clip.py 生成的标准 frontmatter 为基础。
文件命名规则：
CLIP_DIR/YYYY.MM.DD-标题.md（点号分隔年月，不是横杠）-1、-2 序号⚠️ 日期格式：文件名用点号（
2026.04.26），frontmatter 用横杠（2026-04-26）
对写好的 Markdown 文件做一次排版层面的质量复核。
检查内容：
# 标题但正文没有任何 ##，或层级跳跃（如 # 直接跳到 ####）<xxx> 标签、class=、style= 等清洗漏网之鱼操作方式：读取已写入的 Markdown 文件，快速扫一遍。发现问题直接 patch 修复，不要返回给用户。
通过标准：无明显排版问题、无干扰内容残留、标题层级清晰。细节瑕疵（如个别字词重复）可放过。
告知已保存的文件路径，必须附上第四步的分析结果（格式照搬，不省略）。
全新创建：告知文件名和路径，必须附上分析结果。
增量更新：告知更新的内容摘要（"检测到N处变更，已追加到变更记录"）。
当同一 URL 再次被抓取时，按以下规则处理：
原则：追加或插入，不替换原文，保留完整变更历史。
## 变更记录 区域## 变更记录 下方插入本次变更块updated 字段为当前时间YYYY.MM.DD-标题.md（点号分隔年月，不是横杠）-1、-2 序号当同一 URL 再次被抓取时，追加不替换：
## 变更记录 区域updated 字段## 变更记录
### {本次变更时间，YYYY-MM-DD HH:mm}
#### 新增内容
{新增的正文内容，原文照录}
#### 内容对比摘要
{简要说明变更内容}
当需要全量重建或批量修复剪报库中所有文件的 frontmatter 时（author/official_account/字段标准化），按以下流程执行：
import os, re
kb = "/volume2/AI工作区/知识库/1.raw/派蒙剪报"
files = sorted([f for f in os.listdir(kb) if f.endswith('.md') and f != 'README.md'])
# 按平台统计、找缺 author/official_account 的文件
for fname in files:
path = os.path.join(kb, fname)
with open(path, 'r', errors='ignore') as f:
content = f.read()
m = re.match(r'^---\n(.*?)\n---', content, re.DOTALL)
if not m: continue
fm = {}
for line in m.group(1).split('\n'):
if ':' in line:
k, _, v = line.partition(':')
fm[k.strip()] = v.strip()
sp = fm.get('source_platform', '')
# ... 统计逻辑
| 平台 | 自动化方式 |
|---|---|
| GitHub | 从 URL 直接提取 github.com/NAME/repo |
| arXiv | 调用 http://export.arxiv.org/api/query?id_list= API |
| 微信公众号 | 并行跑 clip.py format 获取 frontmatter，再从正文末尾正则提取 author/official_account |
| 即刻 | screenName 从 clip.py format 获取（注意：即刻 author 均为屏幕显示名，非实名） |
| 飞书 | author 暂时只能标 "飞书文档"（open_id 无法转姓名） |
微信公众号 author 从正文末尾 blockquote 区域提取（见上方"作者格式"）。若正文无作者署名（有些转载文章只有公众号名、无作者），标注 author: ""。
统一 frontmatter 字段顺序：
title: X
date: YYYY-MM-DD
updated: YYYY-MM-DD
source_platform: weixin|jike|github|arxiv|feishu|web|genshin
author: 作者名
official_account: 公众号名|平台名
original_url: https://...
recorded_at: YYYY-MM-DD HH:MM:SS
summary: 一句摘要
keywords: [标签]
tags: [标签]
写完一批后，扫描所有文件确认：
author: ??? 或 author: "" 在公众号文章（除非确实无作者）source_platform脚本提供数据，AI 负责感受和表达。
clip_summary.py 扫出来的标签分布、时间密度、平台比例，只是原材料——不是结论。派蒙要像平时跟在旅行者旁边看他刷手机一样，读完这堆数据之后，有感而发，写出一段真正有人味儿的东西。
❌ 错误示范（2026.04.27 实录反面教材）：
=== 标签 TOP20 ===
AI: 20
Agent: 11
职场: 7
...
=== 平台分布 ===
jike: 33
weixin: 24
...
### AI 技术/工具（~28篇）
- Agent学习资料包：Anthropic官方方法论...
- Claude Code记忆模块设计分析...
这看起来像数据报表，有数字有分类——但没有人的感受，没有派蒙的声音。这不是分析，这是把 Excel 表格贴了上来。
❌ 另一个错误：把脚本的统计数字包装成"分析"，在每个分类前面加个 emoji，然后在开头结尾写两句"读完了"。
✅ 正确示范（2026.04.26 风格参考）：
旅行者这十天存了71篇——Jike 33篇，微信24篇。
说实话，这不像一个"知识管理系统"，更像是一个在信息洪流里随手捞东西的人。
有意思的是，旅行者在存 AI 的同时，也在存 AI 的副作用。 一边在研究 token-maxxing，一边在存"幽灵劳动""头戴摄像头蒸馏家务"。 这不是矛盾，这是——我知道我在浪潮里，但我想看清楚浪长什么样。
简单说。 这是一个技术圈打工人，在AI浪潮里一边往前游一边抬头看天。 存的东西没有KPI，爽就存，但存着存着就发现，原来自己最焦虑的和最想解决的，其实是同一件事。
核心区别：
clip_summary.py 或 execute_code 扫描目录，拿到底层数据（标签频率、平台分布、时间密度）| 平台 | 提取方式 | 备注 |
|---|---|---|
mp.weixin.qq.com | HTMLParser + js_content | 自动识别 h2/h3/h4 标题 |
github.com | GitHub API + raw README | README 是 HTML 格式，必须过 HTMLParser 清洗 |
jike.com / okjike.com | JSON in script tag | 自动保留评论区 |
feishu.cn / larksuite.com | 飞书开放 API | 需要 FEISHU_APP_ID / FEISHU_APP_SECRET |
bilibili.com / b23.tv | HTMLParser | 支持视频/专栏，标题含B站水印需清洗 |
| 其他域名 | 通用 HTMLParser | 优先提取 <article> / <main> |
文 丨 司雯雯（空格+丨分隔）文｜李四 / 文 | 李四（竖线/双竖线）撰文 | 应超作者：张三 / 作者：XXX撰文/播音：XXX>/ 作者：卡兹克、可达、闯子（微信 blockquote 格式，正文末尾 > 开头的引用行）作者：OPC同行社 | 发布于 2026-04-24（机构号格式，需截取 | 前的内容）晚点专栏作者孟醒：五源资本合伙人（需截取 ： 和 ： 之间的内容）作者：宋思杭 / 作者｜虎嗅科技组（标准格式）量子位 | 公众号 QbitAI 联合判断）> 西风 发自 凹非寺）或最后一段推断，并标注 author: （推断）量子位 | 公众号 QbitAI → official_account: 量子位本文首发于《XXX》 / 来源：《XXX》 / 转载自《XXX》公众号：XXX
若正文末尾未见公众号标识，但正文开头有 >/ {author} 发自 凹非寺 格式，通常可结合上一行的 平台 | 公众号 {name} 格式推断>/ 作者：{author}｜公众号：{official_account}，供第四步分析时直接参考（若两者皆为空则不追加）> 残留：微信部分段落含 style="visibility:hidden" 隐藏内容，HTMLParser 会把其中的 > 分隔符当正文提取。clean_text() 里已处理（re.sub(r"\n>\n", "\n") 和 re.sub(r"^>\n", "", text)），无需在提取逻辑里额外处理pub_date：微信公众号 var ct 时间戳有时为 0，回退到当天日期js_content 正文区域），正常文章返回 3MB+ 完整页面。检测到空壳页面时应判断为"登录墙拦截"，告知用户无法自动抓取b_X5vzW7y85DImNbGJjdUw vs 0yTV4K_2iJvqGl_6n8lV0Q），旧链接可能已归档为登录墙，新链接返回完整内容。若存档中已有完整内容（12KB+），且旧 URL 返回空壳（<50KB），说明旧链接已失效，应更新 original_url 到新链接"预览时标签不可点"）会出现在 truncated_by 字段里，但这不代表文章被截断——它只是页面底部的水印提示。判断文章是否完整的可靠依据是：raw_text 字符数是否与页面大小吻合、结尾是否有自然收束（如「他今年二十出头」这样的完整句子）。不要仅凭 truncated_by 有值就判定截断。og:article:author 元字段不可信：微信页面的 og:article:author meta 标签有时包含平台前缀或乱码（如 APPSO 文章变成了 "发现明日产品的"），不能用于 author 提取。author 仍须从正文末尾 patterns 提取。screenName = 显示名（如"风小海"），username = UUID，bio = 个人简介兜底。不要用 nickname，该字段不存在于数据结构中。检测顺序：screenName → nickname（不存在）→ username → bio（兜底）user.username = 用户唯一ID（如 ewoidSI6ICI2NzMwYTIyNWRjZWVkMDBhN2Q3N2U0MDEi），与 author 字段并列输出m.okjike.com/originalPosts/（推荐）；评论仅取顶层通用TextExtractor 清洗，不能直接用 raw 文本，否则 <div>、<a href> 等标签会残留在正文中stars 和 forks（已有旧文件缺少这两个字段属正常）owner 是 open_id（如 ou_xxx），没有公开 API 能将其转换为用户姓名（需要 contact API 额外权限）。author: "飞书文档" 是当前能取到的最准确值，属平台限制而非 bugobj_create_time（或 node_create_time），是 Wiki 创建时间，不是派蒙保存时间。注意这是 Unix 时间戳字符串（如 "1776843037"），需要 int() 转换后再 fromtimestamp()，且需指定北京时间时区（datetime.timezone(datetime.timedelta(hours=8))）转换FEISHU_APP_ID 和 FEISHU_APP_SECRET（已配置在环境变量中，clip.py 自动读取）CLIP_DIR/
├── README.md
├── scripts/
│ ├── clip.py ← 核心执行引擎（本 Skill 的程序化部分）
│ ├── clip_audit.py ← 剪报库批量审计（检查已存文件质量）
│ ├── clip_summary.py ← 目录扫描工具（提供metadata统计，不是分析工具）
└── YYYY.MM.DD-标题.md ← 注意：点是日期分隔符，不是横杠
⚠️ 若克隆到其他机器使用，请将
CLIP_DIR替换为本地实际路径。
首次运行须知：每次在新环境首次执行本 Skill 前，需检查 CLIP_DIR/README.md 是否存在。若不存在，请参考以下模板创建目录级 README：
# 信息剪报（Information Clipper）
把散落在各处的网页内容，像剪报纸条一样存到本地，再也不用依赖某个 App 的收藏夹了。
## 这是什么
"剪报"的 AI 版本：不用自己动手整理，只需要把觉得有意思的链接扔给 AI，它会咔嚓一下把好东西剪下来，贴成一个结构完整的 Markdown 文件，存进本地知识库。
筛选标准就一个字 — **爽**。"这个挺有意思"就随手存，不要求每篇都系统有用，更注重趣味性和个人启发。
## Skill 说明
详细信息请参考 `../skills/productivity/information-clipper/SKILL.md`