web-collector

name	web-collector
description	当用户在聊天窗口发送一个或多个链接，并希望默认进入内部收藏流程时使用。强制通过 web-access 抓取网页内容，保留完整原文，整理为 Markdown，并上传到 OneDrive 个人账号目录。

Web Collector

把聊天中的网页链接整理为内部收藏 Markdown 文件，并上传到 OneDrive。

什么时候用

在这些场景使用：

• 用户发送一个或多个链接，希望“收藏”“保存”“整理”
• 用户没有特别说明目标流程时，默认进入内部收藏
• 需要强制通过 web-access 抓网页内容
• 需要把结果保存到 OneDrive，而不是飞书

不适用：

• 只想看网页摘要，不需要落库
• 需要 fallback 到其他抓取器
• 需要写入飞书文档

核心约束

• 默认路由：internal
• 一个链接生成一个 Markdown 文件
• 只做 URL 去重
• 不做分类
• 标签至少 5 个
• 标签以中文为主；产品名、API 名、编程语言、标准技术术语可保留英文
• 原文必须完整保留
• 原文先通过 web-access 导出为 Markdown，再补充头部元数据
• 网页抓取失败时直接报错，不允许 fallback

依赖边界

这里需要明确区分两层：

1. web-collector 的依赖
2. 云端如何实现 web-access

web-collector 本身只依赖 web-access 的输出契约，不直接依赖 OpenClaw browser。

它真正要求的是：上游最终要能提供一个 payload，至少包含：

{
  "title": "页面标题",
  "url": "https://example.com/post",
  "source": "来源站点",
  "markdown_path": "/tmp/web-collector/raw/example.md",
  "route": "internal"
}

如果云端的 web-access 恰好是基于 OpenClaw browser 实现的，那么：

• OpenClaw browser 只是运行环境实现细节
• 不是 web-collector 的设计依赖

因此，当云端出现 Chrome/CORS/WebSocket 问题时，应判断为：

• web-access 运行环境不满足
• 而不是 web-collector 依赖错了工具

运行前真正需要检查的是：

• Chrome / Chromium 是否可用
• CDP 是否可用
• web-access proxy 是否可用
• 是否能导出 markdown_path

工作流

用户发送链接
  -> 拆分为多个 URL
  -> 默认进入 internal 路由
  -> 平台检测
  -> URL 标准化 + 去重
  -> 使用 web-access 抓取页面并导出原始 Markdown
  -> 生成标题 / 来源 / 标签
  -> 组装最终 Markdown
  -> 上传到 OneDrive
  -> 写入本地缓存

推荐入口

优先使用总入口脚本，而不是逐个手动调用下游脚本。

当 web-access 已经导出原始 Markdown 后，使用：

python3 scripts/collect_from_web_access.py --payload-file /tmp/web-access-export.json

其中 /tmp/web-access-export.json 至少应包含：

{
  "title": "页面标题",
  "url": "https://example.com/post",
  "source": "站点名",
  "markdown_path": "/tmp/web-collector/raw/example.md",
  "route": "internal"
}

这个入口会自动完成：

• URL 去重
• 标签生成
• 最终 Markdown 组装
• 上传到 OneDrive
• 上传成功后写入本地缓存

如果只想先本地验证，不上传远端：

python3 scripts/collect_from_web_access.py \
  --payload-file /tmp/web-access-export.json \
  --skip-upload

执行步骤

1. 平台检测

运行：

python3 scripts/extract_content.py "https://example.com/post"

只做来源标记，不做抓取器路由切换。输出里的 skill 固定为 web-access。

2. URL 去重

运行：

python3 scripts/deduplicate.py "https://example.com/post"

规则：

• 使用标准化 URL 去重
• 命中本地缓存则跳过该链接
• v1 不做语义去重

3. 调用 web-access 导出原文

本 skill 不扩展浏览器控制能力，只依赖 web-access 已有能力。

期望上游拿回以下信息：

{
  "title": "页面标题",
  "url": "https://example.com/post",
  "source": "站点名",
  "markdown_path": "/tmp/web-collector/raw/example.md"
}

要求：

• web-access 必须导出完整正文 Markdown
• 导出失败则停止处理并报错

4. 生成标签

运行：

python3 scripts/tag_rules.py --title "页面标题" --content-file /tmp/web-collector/raw/example.md

标签规范：

• 至少 5 个标签
• 默认简体中文
• 同义词统一到同一个标准标签
• 不出现中英同义双份标签
• 英文仅用于专有名词或标准术语

示例规范：

• AI、人工智能 -> 人工智能
• LLM、大模型、大语言模型 -> 大语言模型
• Agent、智能体 -> 智能体
• workflow、工作流 -> 工作流
• automation、自动化 -> 自动化
• knowledge management、PKM、知识管理 -> 知识管理
• OpenAI、Claude、API、Python、JavaScript 保留标准写法

5. 组装最终 Markdown

运行：

python3 scripts/build_markdown.py \
  --title "页面标题" \
  --source "来源站点" \
  --url "https://example.com/post" \
  --route internal \
  --content-file /tmp/web-collector/raw/example.md \
  --tags "标签1,标签2,标签3,标签4,标签5"

生成结构：

---
title: 页面标题
source: 来源站点
source_url: https://example.com/post
normalized_url: https://example.com/post
collected_at: 2026-04-04T12:00:00+08:00
route: internal
tags:
  - 标签1
  - 标签2
  - 标签3
  - 标签4
  - 标签5
---

# 原文

...完整正文 Markdown...

文件名：

• 标题 - YYYY-MM-DD.md

6. OneDrive 认证与上传

首次授权建议在本地执行：

python3 scripts/onedrive_device_code.py

流程：

• 本地完成 Microsoft 账号登录
• 拿到 refresh_token
• 将 refresh_token 保存到云端密钥环境中

上传运行：

python3 scripts/upload_to_onedrive.py /path/to/final.md

所需环境变量：

• ONEDRIVE_CLIENT_ID
• ONEDRIVE_REFRESH_TOKEN
• ONEDRIVE_TARGET_PATH

目录规则：

• ONEDRIVE_TARGET_PATH 作为基准目录
• 上传时自动追加当天日期子目录
• 例如：/✒️ 文稿项目/剪藏文件/2026-04-04/

可选环境变量：

• ONEDRIVE_CLIENT_SECRET
• WEB_COLLECTOR_OUTPUT_DIR

脚本

• scripts/extract_content.py
• scripts/deduplicate.py
• scripts/tag_rules.py
• scripts/build_markdown.py
• scripts/collect_from_web_access.py
• scripts/onedrive_device_code.py
• scripts/upload_to_onedrive.py

错误处理

所有脚本都应尽量输出 JSON 结果。错误格式统一为：

{
  "success": false,
  "error": {
    "code": "CONFIG_MISSING",
    "message": "ONEDRIVE_TARGET_PATH is required",
    "retryable": false
  }
}

常见错误码：

• DUPLICATE_URL
• WEB_ACCESS_FAILED
• MARKDOWN_EXPORT_FAILED
• TAG_GENERATION_FAILED
• ONEDRIVE_AUTH_REQUIRED
• ONEDRIVE_TOKEN_REFRESH_FAILED
• ONEDRIVE_UPLOAD_FAILED
• CONFIG_MISSING

运行前提

还需要用户提供或确认：

• OneDrive 目标目录
• web-access 在目标运行环境中导出 Markdown 的具体交接方式