706 Long Article Distilling · 长文蒸馏与检索

思路起点：awesome-openclaw-usecases / knowledge-base-rag。本地 Markdown 版，专攻长文蒸馏。

0. 库位置

主目录：

$706_CLOUD/706-knowledge/706知识库/by-topic/long-article-distilling/

结构（不存在则按 context-bootstrap.md 规范创建）：

long-article-distilling/
├── README.md
├── context-bootstrap.md      ← 权威规范，先读这个
├── _inbox/queue.md           ← 待蒸馏队列
├── _archive/                 ← 原文留存（易失内容必抓）
├── by-category/              ← 主存储（一份资料只存一次）
│   ├── ai-agents/
│   ├── longevity-bio/
│   ├── robotics-hardware/
│   ├── culture-community/
│   ├── builder-villages/
│   ├── community-space/
│   └── misc/
└── timeline/YYYY-MM.md       ← 按月索引（只存链接）

第一步永远是：读 context-bootstrap.md 获取当前规范（模板版本 / 分类定义 / frontmatter 可能已更新）。

1. 识别用户意图

三种模式：

不确定时，直接问用户是要蒸馏还是查询。

2. Ingest 流程

2.1 输入来源

• 用户直接在对话里贴 URL
• _inbox/queue.md 里的队列
• 用户粘贴的原文（PDF / 复制文字）

2.2 第一步：判长短（硬门槛）

这套系统只处理长内容：长文（>2000 字）/ 报告 / 深度博客 / 论文 / 长访谈转写。

遇到这些情况要停下来告诉用户，不蒸馏：

• 单条推文或一组短推文串（Twitter / X）
• 小红书爆款笔记（短图文）
• 微信朋友圈 / 短动态
• 正文不足 2000 字的博客或新闻短讯

回复模板：

"这篇是短内容（约 N 字），不适合走长文蒸馏的八段式模板，会过度填充。建议等短内容收集系统搭好后再处理，或者用户手动摘录关键句。"

只有判定为长内容才继续走 §2.3。

2.3 逐条蒸馏

对每条符合长内容门槛的 URL / 素材：

1. 抓取正文（按来源选工具）

   • 通用网页 / arXiv / Medium / 博客：WebFetch（喂结构化 prompt，见下）
   • 微信公众号长文：WebFetch；抓不到让用户复制正文
   • YouTube 长访谈：抓字幕（youtube-transcript mcp 或用户提供）
   • PDF：用 pdf skill / Read 工具
   • Notion 页面：notion-fetch mcp

   WebFetch prompt 关键：不要只要"3–5 句摘要"，要结构化——全部章节 / 每节 2–5 句要点 / 所有专名与数据 / 8–15 条金句（中英对照）/ 外链清单 / 作者的保留意见。否则会信息塌方。

2. 存原文到 _archive/
   • 路径：_archive/YYYY-MM-DD__slug.source.md
   • 主文件 frontmatter 加 archive_path: ../_archive/YYYY-MM-DD__slug.source.md
   • 稳定博客（Vitalik 官博等）可选抓；易消失内容（微信 / 社交媒体）必抓
3. 判类型 + 判类别
   • source_type: article / youtube / paper / wechat / pdf / other
   • category: 按 context-bootstrap.md §5 分类边界判断，拿不准放 misc/
4. 生成 slug + 文件名
   • slug：英文小写短横线，从标题提炼 3–6 个词
   • 文件名：YYYY-MM-DD__slug.md（日期 = 原文发布日期，非蒸馏日期）

5. 按八段式模板写入 by-category/<cat>/YYYY-MM-DD__slug.md

   frontmatter 必填字段：

   ---
   title: 原文标题
   source_url: https://…
   archive_path: ../_archive/YYYY-MM-DD__slug.source.md
   author: 作者
   published_at: 2026-03-15
   ingested_at: 今天日期
   source_type: article
   category: ai-agents
   tags: [claude, agent-sdk]
   lang: zh
   related_projects: []        # 若明确服务某 706 项目就填 [2050] / [mushanghai]
   ---

   正文八段：一句话 / 长摘要（按原文章节）/ 核心论点（claim + 依据 + 推论 + 金句嵌入）/ 专名辞典（6 子区）/ 原文外链 / 作者的保留 / 延展阅读（WebSearch 找 3–7 条 + 关系标签）/ 为 706 的可用场景（6 子区）/ Meta Analysis。

   详细模板见 context-bootstrap.md §3，以那边为准。

6. 追加到月度索引 timeline/YYYY-MM.md（蒸馏月份），新条目加在最上面：

   - 2026-04-19 · [原文标题](../by-category/ai-agents/2026-03-15__slug.md) · ai-agents · 一句话为什么蒸馏

7. 清理 inbox：如果来自 _inbox/queue.md，对应行删掉或前缀 ✅

2.4 回报

处理完一次性告诉用户：

• 蒸馏 N 条长文，各归到哪些 category
• 跳过了几条（为什么：短内容 / 重复 / 抓不到）
• 是否有需要用户补原文的条目

3. Retrieve 流程

3.1 解析问题

从问题里提取：

• 主题关键词（用于 Grep）
• 类别提示（"生物科技" → longevity-bio；"AI" → ai-agents）
• 时间范围（"最近" → 近 1–3 个月索引；"以前" → 全部）
• 用途意图（"写推文" → 要金句；"做嘉宾准备" → 要专名辞典 + 核心论点；"做研究" → 要延展阅读链路）

3.2 检索路径（按顺序）

1. 时间线先过：读相关 timeline/YYYY-MM.md
2. 类别目录筛：Glob 相关 by-category/<cat>/*.md
3. 三路 Grep：tags / category / related_projects 关键词跨整个 by-category/ 搜，带 -n
4. 逐篇 Read：选 3–5 篇最相关的读 frontmatter + 核心论点 + 延展阅读

3.3 返回格式

给用户 3–5 条，每条：

**标题** · 2026-03-15 · ai-agents
出处: https://原文链接
为什么相关: 一句话
可引用片段（含中英）:
> 摘录原文关键句 / 中译

本地路径: [相对链接](…)

完全没匹配时：老实说"长文库里没有合适的，建议把以下 URL 先蒸馏：…"，而不是编。

4. Maintain（维护）

4.1 misc 归档

用户说"整理 misc"时：逐篇读 by-category/misc/，判断是否已能归到确定类别，能就 mv 挪过去，并更新 timeline 里的路径。

4.2 重复检测

蒸馏前先 grep source_url 是否已存在；若存在提示用户"这条已蒸馏过（文件 xxx），是覆盖/追加/跳过？"。

4.3 月度回顾

用户说"回顾 YYYY-MM"时：

• 统计：蒸馏 N 条，各 category 分布
• 列出过去 1 个月被引用过（出现在其他文档里）的条目 vs 从未被引用的
• 提示长期不被引用的是否考虑删

5. 与其他 skill 的协作

• 706-notion-writer / xhs-copywriter / panel-curator：写作前可主动调用 §3 检索同主题历史蒸馏笔记，把出处塞进 context（暂未强制钩子，用户显式要求时再做；长期计划见 context-bootstrap.md §4.3）
• content-intelligence-search：搜来的爆款笔记属于短内容，不走长文蒸馏
• wechat-publish / xiaohongshu-poster：不直接交互

6. 边界与禁忌

• 没有出处的资料不蒸馏（无 source_url 的零散观点归到对应 project 的笔记区）
• 只服务单个项目的资料不蒸馏（应放 by-project/<proj>/03-媒体区/）
• 短内容不蒸馏（推文 / 小红书 / 动态 / <2000 字短讯）
• 不抓取需要登录才能访问的私密内容
• 不编造摘要、金句或延展阅读——抓不到原文就明确告诉用户"需要补原文"；延展阅读必须是 WebSearch 真实命中的