HTML 转纯文本助手

解决什么问题

下游代理做分类、摘要、索引时，吃的是纯文本；但上游给的往往是原始 HTML 邮件或网页片段。这些 HTML 里混着 <script> 脚本、内联样式、导航栏、页脚订阅链接等大量标记噪声。直接把原始 HTML 塞进管道，既浪费上下文窗口，又会让摘要跑偏、索引质量下降。这个技能要解决的，就是「从收件箱、支持系统或抓取结果到干净文本」之间的转换环节。

如何工作

• 确定性转换：基于 Node.js 的 html-to-text 库做 HTML → 纯文本的规则映射，不依赖模型自由发挥
• 保留可读结构：段落、列表、表格会转换成对应的文本形态，而不是一坨无差别字符
• 剥离噪声：脚本、样式、导航、页脚等非内容元素被丢弃
• 输出干净纯文本，供下游代理继续做分类、摘要或索引

关键步骤：接收原始 HTML → 解析 DOM → 按规则提取文本节点 → 重组段落与列表 → 输出纯文本。

边界与注意点

• 只做转换，不做爬取：不会跟进链接，不会渲染 JavaScript，也不负责获取新页面
• 不做摘要或改写：输出保持源文结构，语义层面的理解留给下游代理
• 运行环境需要 Node.js 与 npm
• 在敏感工作流中运行前，建议先审查上游项目源码