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。
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。
npx skills add https://github.com/TaohongMaxwell/information-clipper --skill information-clipper复制此命令并粘贴到 Claude Code 中以安装该技能
| 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`