article-valuator

用户每天都会遇到"收藏了但没时间读"的文章。本 skill 的价值在于用一套可复现的评分标准替用户快速判断：这篇值不值得花时间，值多少时间。评分必须给依据，不能凭感觉给分。

设计原则（贯穿整个 procedure）

总目标：用户 30 秒内能决定要不要读，5 分钟内知道这篇值在哪、坑在哪。

Inputs to collect

• 文章来源：URL 或粘贴文本，二选一；两者都有时优先 URL
• 相关性背景（可选但强烈建议）：用户当前在学什么 / 做什么、想从文章获得什么。用户 prompt 里已带就不问（见 Step 3）

Procedure

Step 1 — 获取并清洗文章内容

输入是 URL 时：

1. 用环境里可用的抓取工具直接抓页面正文（WebFetch / curl / Playwright 等；一个工具失败就换另一种，别在一棵树上吊死）
2. 清洗：只保留 标题、作者、发布日期、正文；丢弃导航、广告、评论区、相关推荐、登录弹窗
3. 抓不到正文或内容不完整（403 / 登录墙 / JS 渲染页面）时，依次尝试：
   • reader 代理：https://r.jina.ai/<原URL>（把网页转成纯 markdown，对多数站点有效）
   • 存档快照：https://web.archive.org/web/<原URL>
   • 都不行 → 请用户直接粘贴全文，并说明"直接抓取被站点拦截了"
4. 隐私红线：内网地址（localhost / 10.x / 192.168.x / 公司内网域名）和需要登录的私有页面，不要发给 r.jina.ai 等第三方代理——URL 会泄露给外部服务。这类页面直接请用户粘贴全文
5. 抓到的正文 < 300 字，或内容全是导航/广告 → 视为抓取失败，按上一步处理

输入是粘贴文本时：

• 直接分析；若文本明显不完整（如微信复制全文常见的截断），提示用户"内容可能不完整"，基于现有内容评估并注明

为什么优先抓正文而不是引用页面标题：评分必须基于全文，只看标题/摘要判断"值不值得"很容易被标题党骗。

Step 2 — 识别文章元信息

从内容里提取（找不到的标"未知"，不猜）：

• 标题、作者/来源（技术博客看作者是否权威；公众号看运营主体）
• 发布日期（用于时效评分；找不到就标"未知"）
• 文章类型：技术教程 / AI 或科技资讯 / 深度长文观点文 / 学术论文报告 / 公众号文章。类型决定各维度评分的证据侧重（见 Step 4 注）

Step 3 — 收集相关性背景（可选但强烈建议）

判断"相关性"需要知道用户的方向。规则：

• 用户 prompt 里已经说了背景（"我在做后端"、"想转 AI"等）→ 跳过本步直接用
• 没说 → 用 ask_user 简短问一次（环境没有该工具时，直接在回复里问一句即可）："你目前在做/学什么方向？我好判断这篇文章和你的相关性（可跳过）"，选项给"跳过"或让用户输入
• 用户选择跳过 → 相关性标"未评估"，总分按其余三维算（见 Step 5），理由里注明

不要反复追问。问一次，给了就用，没给就按"未评估"走。

Step 4 — 四维评分

按下面 rubric 给每个维度打分（0–10 的整数或半档），每分都必须带一句文章内的具体证据。

深度与信息密度：删掉客套话还剩多少有效信息？

可操作性：看完能不能用起来？

新颖度/时效：现在读还新不新、过没过时？

判断方法：先看发布日期（找不到标"未知"）；再看主题半衰期——框架/工具教程半衰期短（一年可能就过时），底层原理与方法论半衰期长（十年前的经典照样值得读）。老文章若是经典不算过时，别只因为日期旧就扣分。

相关性：与用户方向贴不贴？

文章类型影响证据侧重：教程看代码/步骤质量；观点文看论证是否成立、"思维模型"是否可迁移到别处；资讯看信息增量；论文看方法与结论是否可借鉴。同一个分数，依据的类型不同没关系，但依据本身必须写出来。

涉及具体数字必须核对原文：评分依据或摘要里引用任何数字（文章字数、数据、百分比、发布日期）都必须来自原文且精确；拿不准就标"约"并注明是估算。凭空估算或编造数字比不给数字更伤可信度——用户很可能会拿你的数字去对原文。

Step 5 — 总分与结论

• 总分 = 四维平均（相关性未评估时为三维平均），保留一位小数
• 档次映射：

Step 6 — 输出报告

按 Output contract 的模板输出"评分结果 + 结论 + 理由"，然后用 ask_user 多选询问（环境没有该工具就直接在回复末尾列出选项让用户挑）是否继续深入：内容摘要 / 亮点与槽点 / 阅读指南 / 不用了。按用户选择逐项生成（格式见 Output contract）。

Output contract

输出顺序固定为：总分 → 分维度评分 → 结论 → 理由 →（可选）深入内容。用与用户提问相同的语言输出（模板中的中文标题、维度名按用户语言替换）。模板：

## 评分结果

**总分：8.2 / 10 —— 强烈推荐**

| 维度 | 得分 | 依据 |
| --- | --- | --- |
| 深度与信息密度 | 9 | 文中源码剖析了 XXX 的实现（第 3 节），属于一手分析 |
| 可操作性 | 8 | 给出完整命令和配置清单，可照抄 |
| 新颖度/时效 | 7 | 2026-07 发布，主题是近一年新出的框架 |
| 相关性 | 9 | 你正在学 XX，这篇正好覆盖你缺的那块 |
（相关性未评估时：| 相关性 | 未评估 | 未提供背景 |，并在总分处注明"总分按其余三维计算"）

## 结论

**值得精读。** 一句话概括：这篇讲了什么，对你意味着什么。

## 理由

- ✅ 亮点：…（2–3 条，指向具体内容）
- ⚠️ 槽点：…（如有，指向具体内容）
- 🚩 红旗：…（如有——AI 生成痕迹、营销软文、事实存疑、无作者/无日期等，如实指出）

深入内容的格式（用户选了才生成）：

• 内容摘要：300–500 字，按原文结构组织，保留关键数据/代码要点
• 亮点与槽点：逐条展开，每条都带原文依据（引用原文片段）
• 阅读指南：重点读哪几节、可跳过哪几节、建议先有什么先验知识、读时做什么笔记

Failure handling

Examples

输入：用户发链接 https://jvns.ca/blog/2026/… + "我在做后端，最近学性能优化，帮我看看这篇值不值得读"

操作：抓取正文 → 提取元信息 → 背景已在 prompt 里（跳过询问）→ 四维评分 → 总分 8.6 强烈推荐 → 输出报告 → 询问是否深入

输出：总分 8.6 / 强烈推荐；四维带依据；结论"值得精读"；理由含 2 亮点 1 槽点；用户选了摘要 → 生成 400 字摘要

输入：用户直接粘贴一篇 2000 字文章 + "这篇是不是软文？值得学吗"

操作：识别为粘贴文本 → 分析时重点核查软文信号（全程推销产品、无反面视角、数据无出处）→ 深度 3 分、红旗标出

输出：总分 3.5 / 不推荐；红旗明确列出软文证据

输入：用户发 mp.weixin.qq.com 链接，抓取失败，r.jina.ai 也失败

操作：请用户粘贴全文 → 用户粘贴后继续正常评估

输出：正常报告，开头注明"基于你粘贴的全文（原链接抓取被拦截）"

与相邻任务的边界

Windows (win32) platform notes

抓取正文优先用环境里可用的工具（WebFetch / 内置抓取工具 / curl），一个失败就换另一个，不依赖某个特定工具；若用 curl：

• PowerShell 中 curl 是 Invoke-WebRequest 的别名，要真 curl 请用 curl.exe；Git Bash 里 curl 就是真 curl，无需处理
• 部分站点要求浏览器 UA：curl.exe -A "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0 Safari/537.36" <url>
• 中文页面编码乱码时，尝试 Invoke-WebRequest 的 -Encoding UTF8 或保存后重新读取