content-collector（内容收集器）

Content Collector - 个人内容收藏系统

收藏好内容 → 结构化整理 → 关键词检索 → 二次创作

数据位置

• 主存储: <WORKSPACE>/collections/（articles/ tweets/ videos/ wechat/ ideas/）
• Obsidian 同步: <YOUR_OBSIDIAN_VAULT>/收藏/（每次收藏同时写入）
• 索引: collections/index.md + collections/tags.md（自动维护）

收藏工作流

Step 0: 去重（每次必做）

有 URL 时: obsidian search query="<domain/path>" total（去掉 https:// 前缀）或 grep -rl "<url>" collections/ 返回 > 0 → 已收藏，终止。返回 0 → 继续。

Step 1: URL 路由

按 URL 匹配处理路径。详见 references/url-routing-and-site-specs.md。

Step 2: 内容提取

文章/网页:

1. supadata_fetch.py web <url>（降级: web_fetch）
2. Schema.org 提取 — 详见 references/schema-extraction-spec.md
3. 插图提取+下载（必做）— 详见 references/image-extraction-spec.md
4. 主题关键词提取 — 详见 references/theme-extraction-spec.md

视频:

1. 元数据: supadata_fetch.py metadata <url> 或 bilibili_extract.py <url>
2. 转录: bash scripts/video_transcribe.sh <url>（自动检测平台和字幕源）
3. 精彩片段提取(≥10min) — 详见 references/highlight-extraction-spec.md
4. 主题关键词提取

推文/短内容: 直接提取文本+互动数据

Step 3: 写文件

1. 生成 collections/{category}/YYYY-MM-DD-slug.md（格式见下方 Schema）
2. 内容概览图(>1000字文章) — 详见 references/content-overview-spec.md
3. 同步到 Obsidian — 详见 references/obsidian-integration.md
4. obsidian daily:append content="- 📌 收藏了 [[{标题}]]({source})| {一句话摘要}"
5. 更新 index.md + tags.md

Step 3.5: 微信图片缓存（wechat 类必做）

如果 URL 是微信公众号（mp.weixin.qq.com），写完收藏文件后运行： bash scripts/cache-wechat-images.sh <刚写入的收藏文件> 下载微信 CDN 图片到本地 collections/images/<slug>/，防止图片过期 404。

Step 4: 关联匹配

运行 bash scripts/post-collect.sh <刚写入的收藏文件> 脚本自动匹配活跃项目和相关收藏，更新 frontmatter 的 related_projects。 如有相关收藏，在回复中附带提及。 仍需手动匹配 collections/topics/topic-pool.md → 追加到 temp/handoffs/collector-to-writing.md

写文件前自检

每次写 collections/ 文件前，确认以下步骤已完成。缺项标注 incomplete: true，不允许静默跳过。

• 去重 ✓ → 内容提取 ✓ → 插图(文章类,必做) ✓ → 主题关键词 ✓ → 写文件 ✓ → Obsidian同步 ✓ → Daily Note ✓
• 写 tags 前运行 bash scripts/normalize-tags.sh <tag1> <tag2> ... 检查是否有已有近似 tag，优先复用已有 tag 名称

存储 Schema

文件命名: YYYY-MM-DD-slug.md

---
title: ""
source: ""
url: ""
author: ""
date_published: ""
date_collected: ""
tags: []
category: "articles|tweets|videos|wechat|ideas"
language: "zh|en"
summary: ""
themes: []              # 5-7 个概念切面
schema_type: ""         # Schema.org @type（可选）
schema_data: {}         # ≤10 key-value（可选）
incomplete: false
# 视频专属
duration: ""
platform: ""
bvid: ""
stats: {}
subtitle_source: ""     # native_cc|whisper
highlights: []          # 精彩片段
related_projects: []
---

内容结构

• 内容概览（Mermaid，>1000字触发）
• 核心观点（3-7个要点）
• 精彩片段（视频≥10min）
• 要点摘录（blockquote 金句）
• 热门评论精选（视频类）
• 我的笔记
• 原文摘要（200-500字）

英文内容

默认 storytelling 翻译风格。术语参照 <WORKSPACE>/references/glossary-ai-zh.md，首次出现 中文(English) 格式。

检索

1. 标签: tags.md
2. 全文: grep -ril "keyword" collections/
3. 返回匹配列表 + 摘要

二创

按选题从收藏库筛选素材，交给 xiaohongshu-ops 或 wemp-ops 处理。本 skill 只负责供料。

工具脚本

🔴 Final: 机械验证（不可跳过）

通知用户前运行：

bash scripts/skill-verify.sh content-collector <collections-file-path>
# 例: bash scripts/skill-verify.sh content-collector collections/wechat/2026-04-23-xxx.md

• ✅ ALL PASSED → 回复用户收藏结果
• ❌ FAILED → 按输出补齐缺失项（Obsidian 同步/插图/index.md 等），重新验证直到通过

绝不在验证未通过时回复用户"已完成"。

收藏结果通知

• 成功: `📌 已收藏:<标题>\

核心:<一句话摘要>\ 标签:<3-5个标签>`

• 重复: 📌 已存在:<标题>(之前已收藏过)
• 失败: `❌ 收藏失败:<URL>\

原因:<失败原因>`

下一步建议（条件触发）