content-extract — 上层内容解析入口（MCP 语义对齐，但不跑 MCP Server）

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

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

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

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

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

""

\

--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/