Agent Skills
返回列表
他山之石

他山之石

知识管理 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_752cff44/onlinearticle2knowledge。

技能介绍

要解决的问题

微信公众号文章里的图片几乎都启用了懒加载和防盗链，直接抓取 HTML 只能拿到占位节点，正文里的图片全是「加载中」。更麻烦的是，这类文章的正文高度依赖脚本渲染，传统 curl 或 WebFetch 拿到的源码里图片地址根本没有解析出来。结果是下载下来的 PDF 看起来完整，打开后却发现图片区域全是空白或占位符，而图片恰恰是公众号文章信息密度最高的部分。

核心能力与执行流程

onlinearticle2knowledge 的做法是放弃静态抓取，直接用 Playwright 驱动浏览器模拟真实滚动，逐屏触发微信的懒加载逻辑，等所有图片渲染完成后再触发打印为 PDF。脚本 print-wechat-article.js 负责整页渲染，结束后会自动校验三项指标：

  • 图片数量：控制台输出 加载成功: N/N 张图片，与原文一致才算通过
  • 文件体积：按图片数量估算阈值，例如 9 张图的 PDF 应大于 3000 KB，5 张应大于 1500 KB，过小通常意味着图片没渲染完
  • 标题与字数一致性：对比原文与 PDF 的标题和正文长度，字数允许 10% 误差，防止抓到错误页面

下载完成后，文件按 {发布年月日}-{发布主体}-{发布地点}-{文章标题}.pdf 自动命名，标题直接沿用微信原文，不做改写。随后的上传流程分三种场景：用户只给链接时，先询问是否上传知识库；给了链接和知识库名称时直接搜索并上传；批量场景下主 Agent 可以并行启动多个子 Agent，每篇独立处理，单篇失败不会阻断整体，只记录失败原因并支持重试。

对于非微信的普通网页（如 gov.cn 政策解读页），另有通用脚本 download-article-generic.js，支持三种模式：page 整页转 PDF、attachment 直接下载原始附件 PDF、local-html 打印预先重排好的本地 HTML，适用于遇到反爬时先用 WebFetch 取原文再由 AI 重排的场景。

适用边界

  • 首次使用需要安装 Playwright，且依赖系统 Chrome，不额外下载 Chromium
  • 验证指标是启发式的，文件大小阈值只适用于常规图文排版，含大量图表或长图的文章需要人工抽查
  • 防盗链图片如果站点强制校验 referer，滚动也可能拉不到图，这种情况目前没有兜底方案
  • ima 知识库上传前会检查文件名重复，但只支持「保留两者」或「终止」，不支持替换
  • 批量并行依赖多 Agent 调度能力，单 Agent 串行方案仅适合文章数量较少的场景

使用场景

  • 拿到一篇含多张懒加载图片的公众号长文，需要保存为 PDF 且每张图都完整可见，不能出现空白占位。
  • 把公众号文章归档进 ima 知识库：用户给链接，希望下载 PDF 后自动传入指定知识库作为检索语料。
  • 采集 gov.cn 政策解读页，正文 JS 动态渲染且有反爬，需要先取原文再 AI 重排为本地 HTML 转 PDF。
  • 一次性给三篇以上公众号文章，需要并行下载并逐篇上传知识库，单篇失败不影响其余文章。

适合人员

  • 需要把公众号长文存为离线资料的内容编辑，诉求是正文和配图都完整保留，日后随时翻阅。
  • 搭建个人知识库的研究者，诉求是把零散在线文章批量沉淀进 ima，形成可检索语料。
  • 负责政策或行业动态采集的分析师，诉求是把动态渲染页面转成可信 PDF 存档。
  • 维护多 Agent 采集流水线的后端工程师，诉求是批量下载、逐篇上传且单点失败可隔离重试。