Fetch & Archive to Lexiang

抓取来源并编排乐享归档

本 Skill 只负责：

1. 来源侦察和抓取方式选择。
2. 网页抓取、视频/播客下载与转录。
3. 生成统一工作包。
4. 乐享目录、去重和视频/音频 VOD 编排。

本 Skill 不负责：

• 非中文 Markdown 的清洗、翻译和完整性验证：统一委托 trans-doc-to-md 的 Prepared Markdown Package 模式。
• 任何 Markdown 页面写入：统一委托 upload-markdown-to-lexiang。
• 在上传后用 MCP 二次渲染正常富元素：uploader 直接渲染 trans-doc-to-md 标注。

强制边界

1. source.md 是不可变原文；若同目录已有不同内容，必须换工作目录，禁止覆盖。
2. 禁止摘要替代原文，禁止丢失图片、Show Notes 或转录内容。
3. 最终 Markdown 文件名必须是原文标题；文件名非法字符可安全替换，但 meta.json 中的 title 和 source_title 必须保留原始标题。
4. 中文来源可由编排流程把 source.md 复制为 <原文标题>.md；抓取脚本不自行决定。
5. 非中文来源必须先交给 trans-doc-to-md，不得在本 Skill 或当前 Agent 内实现翻译。
6. Markdown 页面只用 uploader 写入，不得恢复任何旧导入、文件上传或本地上传器副本。
7. 视频和音频继续使用 scripts/upload_video_via_openapi.py 的 VOD 路径。
8. 上传后少量人工增量修复仅是异常维护路径；每次修复必须同步本地最终 Markdown。

统一工作包

/
├── source.md               # 不可变原文
├── images/                 # 可选，引用路径保持相对
├── meta.json
└── <原文标题>.md           # 编排完成后的最终 Markdown

meta.json 标准字段：

{
  "title": "归档标题",
  "source_url": "https://...",
  "source_title": "原文标题",
  "source_type": "article|youtube|podcast|pdf",
  "language": "zh|en|...",
  "parent_id": "可选的目标目录 ID"
}

允许保留作者、日期、时长、媒体文件等扩展字段。

Step 0：预检与来源侦察

1. 阅读 references/lessons-learned.md 中全部 P0 教训。
2. 侦察标题、作者、日期、语言、长度、图片数、媒体时长、付费墙和登录墙。
3. 有图片必须用抓取脚本下载，不能只依赖 WebFetch。
4. 网页抓取默认使用 CDP：先检查已配置端口（默认 9222，实际端口记录在 ~/.fetch_article/cdp_port）和有效 page target，复用已有浏览器上下文与登录态， 并在其中新开任务标签页；端口未启动时主动启动 CDP Chrome。CDP 连接失败 必须退出，禁止静默回退到无登录态的 Testing Chrome。只有用户明确要求隔离浏览器时 才使用 --no-cdp。
5. 确定新的独立工作目录，避免覆盖已有 source.md。

平台细节见 references/platform-specific.md。

Step 1：抓取并生成工作包

三个抓取/转录脚本均以 source.md + meta.json 为标准输出。YouTube 和播客同时保留 下载媒体、ASR 中间产物；它们不翻译、不上传 Markdown。

Step 2：内容加工

读取 meta.json.language：

• 中文：验证 source.md 完整后，由编排流程复制为 <原文标题>.md。
• 非中文或语言不确定：调用 trans-doc-to-md 的 Prepared Markdown Package 模式，输入整个工作包。该 Skill 负责清洗、双语翻译、 图片/富元素保真和完整性验证，并输出 <原文标题>.md。

不得修改 source.md。最终 Markdown 必须继续使用相对图片路径。

Step 3：乐享目录、去重与上传

目标优先级：用户指定 > 工作区规则 > 本 Skill 的 gitignored config.json > 初始化。

1. 获取目标知识库 root_entry_id。
2. 查询并复用当天 YYYY-MM-DD folder；不存在才创建，使用 before=<当前第一条目 ID> 置顶。
3. 视频/播客在日期目录下查询并复用 <原文标题> 文件夹。
4. 在目标目录内按规范化标题、来源 URL 和条目类型去重；确认是同一来源后才覆盖。
5. 调用 uploader：

python3 "/scripts/lexiang_upload.py" upload \
  "/<原文标题>.md" \
  --parent-id "<目标目录ID>" \
  --name "<原文标题>" \
  --pin \
  --json

uploader 版本必须满足 >=1.1.0,<2.0.0。它直接渲染 trans-doc-to-md 的 callout、表格和图片标注，并完成线上对账。

视频/音频在 Markdown 上传成功后独立归档：

python3 scripts/upload_video_via_openapi.py "<媒体文件>" \
  --space-id "" \
  --parent-entry-id "<标题目录ID>" \
  --media-type video

音频使用 --media-type audio。不得用普通文件上传替代 VOD。

Step 4：交付自检

□ source.md 未被修改，且不是摘要
□ meta.json 标准字段完整，原文标题与来源 URL 可追溯
□ 作者与发布日期来自 canonical meta/time/JSON-LD，并在最终文档顶部只展示一次
□ images/ 中引用文件完整，图文顺序保留
□ 订阅引导、相关推荐、newsletter disclaimer、页脚图片等平台噪音已在抓取转 MD 时过滤
□ 非中文包已通过 trans-doc-to-md 完整性验证
□ 最终文件名为原文标题
□ uploader verified == true，local_images == remote_images
□ 富元素由 uploader 直接渲染，无常规 MCP 二次渲染
□ 文档目录、去重结果和 VOD 媒体目录正确
□ 人工增量修复已同步本地最终 Markdown
□ 浏览器抓取复用了 CDP 上下文；未启动 Google Chrome for Testing

Step 5：自省

用户指出错误、自检失败、发现新平台规律或同类问题再次出现时，更新 references/lessons-learned.md。历史根因可保留，但必须明确其旧方案已废弃。

问题归属：

• 抓取、转录、工作包、目录/去重/VOD：本 Skill。
• 清洗、翻译、富元素识别、完整性：trans-doc-to-md。
• Markdown 渲染、页面写入和线上对账：upload-markdown-to-lexiang。

脚本边界

本 Skill 不包含翻译脚本或 Markdown → 乐享 page 上传脚本。

参考文档

• references/lexiang-upload.md
• references/pdf-processing.md
• references/youtube-video.md
• references/podcast-audio.md
• references/platform-specific.md
• references/troubleshooting.md
• references/lessons-learned.md