aAAaqwq content-extract — 上层内容解析入口（MCP 语义对齐，但不跑 MCP Server）
- Author: Daniel Li
- Copyright © Daniel Li. All rights reserved.
目标：把“给我一个 URL → 产出可读 Markdown + 可追溯入口”变成一个统一入口，供后续所有业务 skill（github-explorer、写作类 skills、日报等）复用。
核心原则（来自你发的 Excel Skill 拆解文章的启发）：
- 行为规约层：永远给出可追溯入口（原文 URL + 解析产物路径/链接），绝不编造来源。
- Token 探针：先用低成本 probe 判断可不可以直接抓；不行再走重解析（MinerU）。
- 反弹机制：失败时返回“下一步动作建议”，而不是一堆异常栈。
工作流（Decision Tree）
输入：url
- Domain Whitelist（跳过 probe）：若 URL 属于高概率反爬/动态站点（微信/知乎等），直接走 MinerU
- 白名单文件：
references/domain-whitelist.md - 对命中白名单的 URL：强制
model_version=MinerU-HTML
- Probe（低成本）：优先用
web_fetch(url)
- 目标：拿到正文 markdown（便宜、快）
- 判断“失败/不合格”条件（见
references/heuristics.md）包括：- 403/401/反爬
- 只有“环境异常/验证码/请在微信打开”等提示
- 内容极短/明显导航页/丢正文
- Fallback（高保真）：走 MinerU 官方 API
- 调用下游 driver：
skills/mineru-extract/scripts/mineru_parse_documents.py - 对 HTML 页面（微信等）：强制
model_version=MinerU-HTML
- 输出统一结果合同（Result Contract）
无论用 probe 还是 MinerU，都返回同一套结构：
{
"ok": true,
"source_url": "...",
"engine": "web_fetch" ,
"markdown": "...",
"artifacts": {
"out_dir": "...",
"markdown_path": "...",
"zip_path": "..."
},
"sources": [
"原文URL",
"（如使用MinerU）MinerU full_zip_url",
"（如使用MinerU）本地markdown_path"
],
"notes": ["任何重要限制/失败原因/下一步建议"]
}
注意：
engine可能是web_fetch或mineru。
MinerU 调用（给 agent 的确定性脚本）
当需要 MinerU 时，用这个命令（返回 JSON，且可把 markdown 内联进 JSON，便于下游总结）：
python3 mineru-extract/scripts/mineru_parse_documents.py \
--file-sources "<URL>" \
--model-version MinerU-HTML \
--emit-markdown --max-chars 20000
路径说明: 上述命令假设你在 skills 安装根目录下执行。如果 mineru-extract 安装在其他位置，请替换为实际路径。
交付规范（强制）
- 输出必须包含
sources（原文入口 + 解析产物入口）。 - 如果 MinerU 成功：必须把
markdown_path（本地路径）写进sources，方便复查。 - 如果两条链路都失败：必须明确失败原因，并给出下一步（例如：让 Boss 提供可访问镜像链接 / 允许我用浏览器 relay 导出 HTML / 走上传 HTML 文件解析的兜底方案）。
本 skill 自身不做什么
- 不跑 MCP Server（避免常驻服务与运维负担）
- 不试图绕过登录/验证码（这属于访问层问题；我们只做解析层和工作流路由）
References
- MinerU API docs: https://mineru.net/apiManage/docs
- MinerU output files: https://opendatalab.github.io/MinerU/reference/output_files/