news-pdf-integration

# 从 source(-daily).md 多篇文章到 files/source 整理流程 优先从 **`news/source-daily.md`**（若存在）读取**多篇**聚合文章；若仅有 `news/source.md`，则从 `source.md` 读取。在 **Plan 阶段** 明确识别每篇边界与数量，对**每一篇**进行**重新整理**，生成原创 MD 写入 **`files/source/`**，**只保留核心内容**，避免侵权。不直接复制原文。 --- ## 一、数据源与输出约定 | 项目 | 约定 | |------|------| | **输入** | **优先**：`news/source-daily.md`；若不存在则使用 `news/source.md`（单文件内多篇文章聚合，可能来自公众号、转载等） | | **输出** | 每篇文章对应一个 MD：`files/source/<主题简写>.md` | | **原则** | 每篇**重新整理**、用自己的话归纳，**保留核心内容**即可，不逐段抄录 | **侵权规避**：source.md 中内容可能涉及版权，因此**必须**对每一篇做原创化整理（提炼观点、术语、结论，改写表述），仅保留核心信息，不原文照搬。 --- ## 二、Plan 阶段（必做） 在处理前必须先完成**规划**，避免漏篇或重复： 1. **读取** `news/source-daily.md`（若存在）或 `news/source.md` 全文。 2. **识别多篇文章边界**： - 文章通常以**主标题**或**明显分隔**（如空行+新标题、`END`、下一篇文章标题）为界。 - 常见模式：首行或前几行为第一篇标题；后续出现与上文无关的新标题、或「END」+ 大量空行/列表/“留言”等，多为下一篇开始。 3. **列出每篇文章**： - 序号、**标题/主题**、**建议文件名**（英文或拼音，如 `pku-wanghe-2025-embodied-roundup.md`、`leju-showroom-strategy-2026.md`）。 4. **确认**：共 N 篇，输出到 `files/source/` 的 N 个 MD 与之一一对应。 只有在 Plan 中明确「篇数 + 每篇标题 + 输出文件名」后，再逐篇执行整理。 --- ## 三、文章边界识别参考 - **第一篇**：多为文件开头到第一个「结尾标志」或下一篇文章标题之前。 - **下一篇**：新出现的独立标题（与上文无连贯关系）、或「END」/「写在最后」+ 空行/列表/“留言”之后的**新标题**。 - **噪音**：企业名单、公众号引导、留言、精选推荐等可视为分隔或文末噪音，不纳入正文；若某段明显是下一篇开头，则从该处切开。 不确定时，宁可先按「标题 + 语义连贯性」切出候选篇，在整理时再微调边界。 --- ## 四、单篇整理与输出规范 对 **每一篇** 独立执行： 1. **从 source.md 中截取**该篇的完整正文（按 Plan 中划定的边界）。 2. **原创整理**： - 提炼：核心观点、关键术语、重要结论、数据/结果（若有）。 - 用自己的话重写，分节归纳（可加小标题），**不逐段抄录**。 3. **写出 MD** 到 `files/source/<主题简写>.md`： - 必须包含：**标题**、**整理说明**（如「基于 [原文主题] 的整理，仅保留核心内容」）、**正文**（分节、列表均可）。 - 可选：文末注明「—— 整理自 Xbotics 具身智能学习指南 | 供学习参考」。 ### 单篇 MD 模板 ```markdown # [文章主题标题] *基于原文的整理，仅保留核心内容，供学习参考。* --- ## 1. [小节名] [原创归纳内容……] ## 2. [小节名] [原创归纳内容……] --- *—— 整理自 Xbotics 具身智能学习指南 | 供学习参考* ``` **文件名**：`files/source/` 下使用英文或拼音，如 `pku-wanghe-2025-roundup.md`、`leju-showroom-2026.md`、`xiaomi-vla-open-source.md`，避免中文与特殊字符。 ### 图标与表情（必做） - **`news/source-daily.md`（或 `news/source.md`）**：在编辑或生成日报/源文件时，在**主标题、本期重点、各篇标题、小节标题**（如「一句话记住」「为什么重要」「核心亮点」「配图建议」「资源」）及**要点列表**前使用适量图标与表情，使内容更生动、易扫读。可参考：📰 🎯 🤖 🧭 📐 🔄 💡 ❓ ✨ 🖼️ 🔗 📌 🏷️ 等，按主题选用。 - **`files/source/*.md` 整理稿**：写入每篇整理稿时，在**文章标题、小节标题**（如「背景与目标」「核心亮点」「实验结果与意义」）及**要点条目前**同样使用适量图标与表情，与 source-daily 风格一致，便于阅读。 --- ## 五、检查（必做） 每篇整理并写出 MD 后，**必须**做以下两项检查；不合格则修正再继续。 ### 5.1 内容一致性检查（总结与原文是否一致） - **对照原文**：用 source.md 中该篇的原文段落，逐条核对整理稿是否覆盖了**核心信息**（主要观点、关键术语、重要结论、数据/结果）。 - **通过标准**：无**实质性遗漏**（如漏掉原文明确的核心论点、关键数字、方法名/论文名）；无**实质性偏差**（如把“A 优于 B”写成“B 优于 A”）；允许概括与改写，但语义不得与原文矛盾。 - **若不一致**：在整理稿中补全遗漏、修正偏差，必要时调整小节结构，使总结与原文核心一致。 ### 5.2 放置位置检查（放的位置是否合适） - **主输出位置**：所有整理稿的**主产出**一律放在 `files/source/<主题简写>.md`，无需再检查“是否该放 source”。 - **可选集成时的位置**：若做了「在 files/papers/、files/interviews/、files/foundations/ 写摘要或索引，并在 docs 中加链接」，则需检查： - **类型是否匹配**：论文/技术 → `files/papers/` 及 docs/5-sota、4-classical、1.3 等；访谈/产业 → `files/interviews/` 及 docs/8-people、9-landscape、1.3 产业视角；基础/教程 → `files/foundations/` 及 docs/3-foundations、2-roadmaps。 - **链接是否到位**：摘要/索引中指向 `../source/xxx.md` 的链接正确；docs 内链接到的是最相关的小节，而非随便挂到某章末尾。 - **通过标准**：主产出均在 `files/source/`；若做了可选集成，则类型与目录对应正确、链接有效且挂到合适小节。 - **若不合适**：移动或重命名摘要/索引文件到正确目录，或调整 docs 中的链接目标到更贴切的小节。 **检查清单（可逐篇勾选）**： - [ ] 内容一致性：核心信息无遗漏、无语义偏差 - [ ] 放置位置：主产出在 `files/source/`；若做了集成，类型与链接位置合适 --- ## 六、实施步骤总览 | 步骤 | 说明 | |------|------| | **Step 0 Plan** | 优先读 `news/source-daily.md`（若存在，否则读 `news/source.md`）→ 识别多篇文章边界 → 列出每篇标题与 `files/source/<名>.md` | | **Step 1 逐篇整理** | 对每篇：截取正文 → 原创归纳（保留核心）→ 写入 `files/source/<主题简写>.md` | | **Step 2 检查** | 每篇：内容与原文一致性检查 + 放置位置检查；不合格则修正 | | **Step 3 可选** | 若需接入项目文档：在 `files/papers/`、`files/interviews/`、`files/foundations/` 做摘要或索引，并在 docs 相应小节增加链接（见下节） | --- ## 七、可选：与 docs 的集成 整理结果以 **`files/source/*.md`** 为主产出。若需在项目知识库中引用： - **论文/技术类**：可在 `files/papers/` 增加简短笔记或索引，链到 `../source/xxx.md`；在 docs/1-embodied-overview、5-sota、4-classical、2-roadmaps 相关小节末加「延伸」链接。 - **访谈/产业类**：可在 `files/interviews/` 做摘要，链到 `../source/xxx.md`；在 docs/8-people、9-landscape、1.3 产业视角加链接。 - **基础/教程类**：可在 `files/foundations/` 做索引，链到 `../source/xxx.md`；在 docs/3-foundations、2-roadmaps 加链接。 链接格式示例：`[主题](../source/主题简写.md)`（从 `files/papers/`、`files/interviews/`、`files/foundations/` 出发）。 --- ## 八、集成位置速查 ``` docs/ ├── 1-embodied-overview/ # 术语、世界模型、产业视角 ├── 2-roadmaps/ # 学习路线与延伸 ├── 3-foundations/ # 基础与教程 ├── 4-classical/ 5-sota/ # 经典与 SOTA ├── 8-people/ 9-landscape/ # 人物与公司 └── … files/ ├── source/ # 本流程主输出：每篇整理 MD ├── papers/ interviews/ foundations/ # 可选摘要与链接 └── … ``` --- ## 九、若仍有 PDF 需求（可选保留） 若项目中**同时**存在需要从 **PDF** 提取并整理的内容（例如 `news/` 下个别 PDF）： - 可继续使用现有 `news/extract_pdf.py`、`news/ocr_pdf.py` 提取文字； - 提取后的文本建议**先汇总或粘贴到 `news/source.md` 的独立“文章块”中**，再按本流程统一「Plan → 逐篇整理 → 输出到 `files/source/`」； - 或对单份 PDF 单独执行：提取/OCR → 原创整理 → 输出 `files/source/<主题>.md`。 本 skill 的**主流程**以 **`news/source.md` 多篇文章 → `files/source/*.md`** 为准；PDF 仅作为可选输入来源之一。