content-collector

Content Collector

Auto-collect social media content → AI summarize → Save to Feishu bitable.

Quick Reference

Workflow

Link/Screenshot → Platform Detect → Dedupe → Extract → Summarize → Save to Bitable

Step 1: Platform Detection

python3 scripts/extract_content.py "<url>"

Returns: platform_id, skill to use, fallback_skills, CSS selectors.

See references/platforms.md for full platform mapping.

Step 2: Deduplication

python3 scripts/deduplicate.py "<url>"           # Check if exists
python3 scripts/deduplicate.py --add "<url>"     # Add to cache after saving

Step 3: Extract Content

Call the skill returned by Step 1:

• X/Twitter: Use x-tweet-fetcher skill
• WeChat: Use web-content-fetcher skill (Scrapling)
• Others: Use defuddle skill

Step 4: AI Summarize + 独立标签生成（v2.0）

2026-03-21 更新：采用独立生成模式，不再依赖历史标签池

核心原则：

• 独立生成：只根据当前文章内容生成标签，不参考历史标签
• 固定结构：对象(2) + 场景(1) + 类型(1) + 方法(1) = 5个标签
• 格式规范：英文小写+中线连接，中文简洁短语

---

4.1 提取文章内容

从 Step 3 获取的文章内容（标题、正文、来源等）

---

4.2 调用模型生成 5 个标签

Prompt 模板：

请阅读以下内容，并严格按照"对象、场景、类型、方法"四类标签体系输出 5 个标签。

【标签体系】
- 对象（2个）：内容涉及的核心主体/技术/工具，如 openclaude、agent、mcp、prompt、浏览器自动化、记忆系统、量化交易、学习资源、实战案例、产品思考
- 场景（1个）：内容应用的实际场景/用途，如 投资分析、自动化测试、知识管理、代码生成
- 类型（1个）：内容的表现形式，如 技术教程、实战案例、产品分析、工具推荐、观点分享
- 方法（1个）：内容涉及的方法论/技巧，如 工作流、评测、prompt优化、架构设计

【规则】
1. 对象 2 个，场景 1 个，类型 1 个，方法 1 个，共 5 个
2. 不参考历史标签，只根据当前文章内容生成
3. 英文标签小写，多个单词用 `-` 连接（如 claude-code）
4. 中文标签使用简洁固定短语（如 投资分析、技术教程）
5. 不输出空泛标签，如 AI、工具、技术、效率
6. 只输出 JSON，不输出解释

【输出格式】
{
  "tags": {
    "对象": ["标签1", "标签2"],
    "场景": ["标签3"],
    "类型": ["标签4"],
    "方法": ["标签5"]
  }
}

【内容】
{文章内容}

---

4.3 标签规范化

对模型输出的标签进行规范化处理：

def normalize_tag(tag):
    # 1. 去掉首尾空格
    tag = tag.strip()
    
    # 2. 英文转小写
    tag = tag.lower()
    
    # 3. 英文多个单词用 `-` 连接
    # 如 "Claude Code" -> "claude-code"
    if ' ' in tag and tag.replace(' ', '').isalpha():
        tag = '-'.join(tag.split())
    
    # 4. 去重（同一类别内）
    return tag

---

4.4 标签校验

校验规范化后的标签结构：

def validate_tags(tags):
    """
    校验规则：
    - 对象恰好 2 个
    - 场景恰好 1 个
    - 类型恰好 1 个
    - 方法恰好 1 个
    - 总数恰好 5 个
    - 标签无重复（跨类别也检查）
    """
    errors = []
    
    # 检查各类别数量
    if len(tags.get("对象", [])) != 2:
        errors.append(f"对象需要 2 个，当前 {len(tags.get('对象', []))} 个")
    if len(tags.get("场景", [])) != 1:
        errors.append(f"场景需要 1 个，当前 {len(tags.get('场景', []))} 个")
    if len(tags.get("类型", [])) != 1:
        errors.append(f"类型需要 1 个，当前 {len(tags.get('类型', []))} 个")
    if len(tags.get("方法", [])) != 1:
        errors.append(f"方法需要 1 个，当前 {len(tags.get('方法', []))} 个")
    
    # 检查总数
    total = sum(len(v) for v in tags.values())
    if total != 5:
        errors.append(f"标签总数需要 5 个，当前 {total} 个")
    
    # 检查重复（跨类别）
    all_tags = []
    for v in tags.values():
        all_tags.extend(v)
    if len(all_tags) != len(set(all_tags)):
        errors.append("存在重复标签")
    
    return errors

重试机制：如果校验失败，允许模型重试一次

---

4.5 写入飞书

将最终 5 个标签写入飞书多维表格（扁平化为字符串数组）：

feishu_bitable_app_table_record(
  action="create",
  app_token="ND8ObCuSya5Dv3sREZYc03Ilngh",
  table_id="tblaHDM5kjtikIl9",
  fields={
    "标签": ["openclaude", "agent", "投资分析", "实战案例", "工作流"]
  }
)

---

完整流程（v2.0）

1. 提取文章内容（Step 3）
      ↓
2. 调用模型生成 5 个标签（固定结构）
      ↓
3. 规范化标签（小写、去空格、连字符）
      ↓
4. 校验标签结构（对象2 + 场景1 + 类型1 + 方法1）
      ↓
5. 写入飞书

---

4.6 标签体系参考（仅供模型参考，不参与匹配）

注意：本方案不再使用历史标签池、不做模糊匹配、语义近似匹配或旧标签吸附

• 数量 ≤ 5
• 使用了已有池中的标签或已自动创建

Step 5: Save to Feishu Bitable

Required fields:

• 标题 - 文章标题
• 来源 - 来源平台（X/Twitter, 微信公众号等）
• 分类 - 内容分类（🔧工具推荐/📖技术教程/🛠️实战案例/💡产品想法）
• 摘要内容 - AI生成的内容摘要
• 原文链接 - 原始URL（URL类型）
• 原文文件 - 飞书云空间文件链接（URL类型）
• 标签 - 5个标签数组

Complete flow (v2.2 - 强制脚本方案):

⚠️ 重要: 必须通过 save_to_bitable.py 脚本写入，禁止直接调用 feishu_bitable_app_table_record

1. Extract content using platform-specific skill (x-tweet-fetcher, web-content-fetcher, etc.)

2. Generate summary - AI summarize the content

3. Generate tags - 5 tags (对象2 + 场景1 + 类型1 + 方法1)

4. Save as local .md file - Full content preserved to /tmp/content.md

5. 强制使用脚本写入 - 禁止直接调用工具:

   python3 scripts/save_to_bitable.py \
       --title "文章标题" \
       --source "X/Twitter" \
       --category "🛠️实战案例" \
       --url "https://x.com/i/status/..." \
       --content-file /tmp/content.md
   

   脚本会自动完成:

   • 上传文件到飞书云空间
   • 获取真实 file_token
   • 写入「原文文件」字段（只有上传成功时才写入）
   • 写入「原文链接」字段
   • 返回记录 ID

6. Update dedupe cache

   python3 scripts/deduplicate.py --add "<url>"
   

🚫 禁止行为:

• 禁止直接调用 feishu_bitable_app_table_record 写入「原文文件」
• 禁止使用占位符 URL (http://查看完整内容, http://推文链接 等)
• 禁止在未上传文件时假设文件链接

✅ 强制检查:

• 脚本会验证文件上传状态
• 只有 upload_success=True 时才写入「原文文件」
• 上传失败会报错，不会写入虚假数据

Important: Always save BOTH 原文链接 (original URL) and 原文文件 (Feishu Drive backup). This ensures content remains accessible even if the original link becomes unavailable.

Changelog v2.2 (2026-03-31):

• ✅ 强制脚本方案: 必须通过 save_to_bitable.py 写入，禁止直接调用 feishu_bitable_app_table_record
• ✅ URL 格式校验: 自动拦截 http://查看完整内容 等占位符
• ✅ 上传验证: 只有真实上传成功时才写入「原文文件」

Changelog v2.1 (2026-03-29):

• ✅ Fixed: 上传失败时不再写入虚假 URL，确保 原文文件 字段只有真实存在的文件
• ✅ Added: 上传状态验证，失败时记录错误日志但不写入占位符
• ✅ Improved: 更严格的字段写入条件，防止测试数据/虚假链接进入表格

Changelog v2.0 (2026-03-29):

• ✅ Fixed: save_to_bitable.py now uploads files to Feishu Drive before creating records
• ✅ Added: upload_file_to_feishu() function handles file upload with proper multipart/form-data
• ✅ Changed: Records now include 原文文件 field with cloud storage URL instead of inline content
• ⚠️ Note: Previous versions missed the upload step, causing empty 原文文件 fields

Bitable config: See references/feishu_config.md or use environment variables:

• FEISHU_BITABLE_APP_TOKEN
• FEISHU_BITABLE_TABLE_ID

Scripts

Dependencies

Required Skills

• feishu-doc / feishu-bitable - Read/write Feishu
• defuddle - Generic web extraction

Platform-Specific (install as needed)

• x-tweet-fetcher - X/Twitter
• web-content-fetcher - WeChat (Scrapling)
• baoyu-url-to-markdown - Fallback

Optional

• pytesseract + tesseract-ocr - Local OCR

Configuration

Set via environment variables or see references/feishu_config.md:

export FEISHU_BITABLE_APP_TOKEN="your_app_token"
export FEISHU_BITABLE_TABLE_ID="your_table_id"

References

• references/platforms.md - Full platform mapping and selectors
• references/feishu_config.md - Feishu bitable configuration
• references/tagging_spec.md - ⚠️ 已停用（见 Step 4 v2.0）