content-summarizer by vamdawn/ai-forge

始终按以下七步工作流执行。每一步必须完成后才能进入下一步。

工作流

Step 0: 识别内容类型

若 $ARGUMENTS 为空（用户未提供 URL），询问用户提供 URL 后再继续。

多 URL 处理 — 若 $ARGUMENTS 包含多个 URL（用户希望合并总结）：

从中提取所有 URL，对每个 URL 分别运行检测脚本
确定一个主类型（以主要内容的类型为准，如一篇博客 + 一条推特讨论 → 主类型为 article）
在 Step 1 中分别抓取每个 URL 的内容
在 Step 2 中整合分析，生成一篇合并笔记，在笔记中为每个来源标注原始链接

必须运行检测脚本 — 使用 Glob 定位本 skill 目录下的 scripts/detect_content_type.py，然后用 python3 运行该脚本并传入 URL 作为参数（多 URL 时对每个 URL 分别调用）。不得跳过此步骤手动判断类型。脚本返回 JSON，包含 type、platform、fetcher、template、metadata 字段。脚本根据 URL 模式匹配返回 references/fetchers/ 下对应的策略文件路径和 references/templates/ 下对应的模板路径；未匹配已知平台时默认返回通用策略。

记录脚本返回的所有字段，进入 Step 1。若脚本执行失败或返回无法解析的结果，回退到默认值：type=article、fetcher=references/fetchers/common.md、template=references/templates/article.md。

Step 1: 抓取内容

先用 Glob 将 fetcher（相对路径）解析为 skill 目录内的唯一绝对路径，再用 Read 读取该绝对路径对应文件，遵循其中的抓取策略获取内容。严格按策略中的优先级顺序尝试，首选方案失败后再尝试下一个。

若 fetcher 解析失败（0 个或多个匹配），回退到 references/fetchers/common.md 并重复“Glob 解析绝对路径 → Read”流程；仍无法唯一定位时终止并报告错误。

平台专用抓取规则（如 Twitter/X）只在对应 references/fetchers/*.md 中维护；主 SKILL.md 不重复定义。读取到专用 fetcher 后，必须完整执行其“抓取策略”“验证门”和字段映射约定。

所有类型均需估算阅读元数据：

word_count — 大致字数（中文按字数，英文按 word count）
reading_time — 预估阅读时长（中文 300 字/分钟，英文 200 words/min，向上取整，格式 "N min"）
difficulty — 内容难度：beginner（无需背景知识）、intermediate（需要一定领域了解）、advanced（需要深度专业知识）

抓取失败时（URL 不可达、404、paywall、内容为空）：

告知用户失败原因
请用户手动提供内容（粘贴文本或提供替代 URL）
获得内容后继续 Step 2

验证门：确认已获取到有效的正文内容后才能进入 Step 2。如果抓取结果为空或仅含导航/广告文本，视为抓取失败。

Step 2: 分析与摘要

遵循 Step 1 已读取的 fetcher 文件中的分析策略和评分解读处理内容。

所有类型均需完成：

2a. 提取核心信息 — 按类型特定的策略提取

2b. 生成一行摘要（description 字段）— 用于 frontmatter、索引条目和快速浏览的单句摘要

2c. 评分 — 按三个维度（1-5 分）评估内容：

维度	1（低）	3（中）	5（高）
novelty	广为人知的常见知识	有部分新角度或新组合	全新观点或鲜为人知的信息
quality	缺乏论据、逻辑松散	论证基本完整但不算深入	论证严密、证据充分、来源权威
actionability	纯理论/纯新闻，无可执行要点	有一些可参考的建议	提供具体步骤/代码/工具可直接应用

各维度在不同内容类型下的具体解读见对应 fetcher 文件的"评分解读"section。

计算 overall_score 为三项评分的四舍五入均值。根据 overall_score 确定 recommended_action：

deep_read: overall_score ≥ 4
skim: overall_score = 3
reference: overall_score = 2
archive: overall_score ≤ 1

以用户语言输出摘要（用户使用中文时默认中文）。

Step 3: 确定输出路径

发现输出根目录 — 扫描目录树，定位存放笔记的目录（查找 frontmatter 中含 source: 的 Markdown 文件所在目录，或名称暗示内容集合的目录）。如有多个候选或找不到，询问用户。

分类目录发现（动态推断）：

扫描输出根目录下的现有子目录，推断命名惯例
将内容匹配到现有分类子目录
需要时创建新分类，遵循现有命名惯例
用户显式指定路径时优先使用

Step 4: 写入 Obsidian 笔记

4a. 读取模板 — 先用 Glob 将 template（相对路径）解析为 skill 目录内的唯一绝对路径，再用 Read 读取模板文件，确保笔记结构严格匹配模板。不得凭记忆构建笔记结构。若 template 为 null，根据判断的类型选择：

article → references/templates/article.md
repo → references/templates/repo.md
thread → references/templates/thread.md

若模板路径解析失败（0 个或多个匹配），按上面的类型默认值回退，并重复“Glob 解析绝对路径 → Read”流程；仍无法唯一定位时终止并报告错误。

4b. 标签对齐 — 写入笔记前，用 Grep 搜索 vault 中所有 frontmatter tags（搜索模式 ^ - 在 *.md 文件中），收集已有标签集合。为新笔记选择标签时：

优先复用已有标签（如 vault 中已有 架构 则不创建 软件架构）
仅在确认无近义已有标签时才创建新标签

4c. 写入笔记 — 遵循所选模板的结构、callout 用法和适配规则。如果项目的 CLAUDE.md 要求使用 obsidian-markdown skill，该 skill 提供基础格式规范，笔记模板在其上叠加内容特定结构。

个人反思 section：用对话上下文（用户为什么分享此内容、正在做什么）草拟初始条目。上下文不足时留占位提示。

多媒体处理：遵循 references/templates/article.md 中的"多媒体处理"指南。

保存笔记到 Step 3 确定的分类子目录。

Step 5: 构建索引

将新笔记整合到 vault 的索引系统：

确保索引文件存在 — 在分类子目录中查找已有的 *INDEX* 或 *index* 文件确定命名模式。如不存在，按 references/templates/index.md 创建。
添加索引条目 — 格式：- `YYYY-MM-DD` [[Title]] - description。按发布日期排序（最新在前）。publish 不可用时回退到 creation 日期。
正向链接 — 在笔记正文中，用 [[wikilinks]] 链接到 vault 中已有的相关概念笔记。具体操作：
- 用 Grep 在 vault 中搜索笔记涉及的关键概念词（如技术名词、方法论名称）
- 找到匹配的已有笔记后，在正文相关位置插入 [[wikilink]]
- 未找到匹配时不必创建新笔记，仅链接已有的
反向链接 — 在 1-3 个最相关的已有笔记中，添加指向新笔记的 wikilink。具体操作：
- 用 Grep 搜索 vault 中与当前内容主题相关的笔记（搜索关键词、相同标签）
- 在找到的相关笔记中，选择最合适的位置（如"相关阅读"、"推荐资源"、"个人反思"的关联部分）追加链接
- 如果找不到明显相关的已有笔记，跳过此步骤而非强行添加
更新 MOC — 在输出根目录的父级查找 *MOC* 文件（如 0_Resources_资源库_MOC.md）：
- 在"最近收录"列表顶部插入新条目，格式：- `YYYY-MM-DD` [[Title]]，按该 MOC 文件中明确标注的列表长度要求保持条目数量，未明确标注时默认不超过 10 条（移除最旧的）
- 更新分类统计表格中对应分类的篇数（重新计算该分类 INDEX 文件中的条目数）
- 如果是新分类（表格中不存在），在表格末尾追加一行
- 如果未找到 MOC 文件，跳过此步骤

Step 6: 质量核验

逐项检查以下清单。发现遗漏时立即修复，全部通过后才算完成。