content-extract

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

0. 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

1. 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

2. 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

3. 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/