butubb
2112c1a870
移植自 mac-agent-os 的 mediacrawler_adapter：不起子进程、不开页面，用浏览器里那份
登录态直接调抖音 Web 接口。产物键名照抄 store/douyin，所以 ingest 那条链路一个字不用改。
**目前能用的（真环境实测，非推断）**：
profile/other : 200, 7075 字节 —— 博主主页指标（粉丝/获赞/作品数/昵称）
aweme/detail : 200, 45425 字节 —— 单条作品详情（含点赞/评论/收藏/分享）
**目前不能用的：作品列表 `aweme/post`。** 两个互相独立的原因：
1. 这个接口被抖音单独升级成了真校验：不带 x-tt-argus 回 403「Uifid Not Found」，
带上 dummy 值回 200 + **空 body**。也就是说「头在不在」骗得过，「真校验」过不了。
同一套头打 profile/other 和 aweme/detail 都是通的 —— 抖音是挑着接口加保护的，
挑中的恰好是「批量拉作品列表」这个最敏感的动作。
2. 改走页面截获也不行：CDP 浏览器打开博主主页会落到「验证码中间页」（当天大量探测的
代价，过几小时要重测）。
所以现在的边界是：**已知作品的指标刷新能做，自动发现新作品做不了**。
**排查中控住变量后得到的两条事实**（都写进注释了）：
· `Accept` / `Accept-Language` / `Referer` 才是主页接口能返回真数据的原因 —— 只有
UA+client hints+Cookie 时是 200 但仅 121 字节的空壳，补上这三个头变 7074 字节。
（我先前猜的 sec-ch-ua 不是关键。）
· 因此 UA 与 client hints 必须**成套地取自同一个浏览器**，所以 BrowserIdentity 一次
从 CDP 取齐 cookie + UA + hints，而不是各自写死。
「200 + 空 body 必须当场报错」也是刻意写死的：放过去它会在下游变成「这个博主没作品」，
把一次失败伪装成一条正常结果 —— 爬虫那条路正是这么栽的，还被翻译成「账号被封」。
测试 +11：cookie 解析、请求头成套性（含 uifid 缺失/回退）、产物键名与 store 对齐、
以及 _get 的三条失败路径（空 body / 403 带网关原话 / 正常返回）。
92 lines
3.0 KiB
Markdown
92 lines
3.0 KiB
Markdown
---
|
||
name: content_processor
|
||
version: 2.0.0
|
||
status: archived
|
||
archived_date: 2026-06-21
|
||
description: [已归档] 统一内容采集入口设计，无实现代码
|
||
triggers: []
|
||
---
|
||
|
||
# Content Processor Skill（统一内容采集入口）
|
||
|
||
## 概述
|
||
|
||
统一的内容采集入口技能。**两个入口命令**：
|
||
|
||
| 你说 | 含义 | purpose | 去向 |
|
||
|------|------|---------|------|
|
||
| `收集这个...` | 知识收集 | knowledge | → 01_submissions/ → 提纯入库 |
|
||
| `收集素材...` | 素材分析 | material | → materials/ + AI 分析结果 |
|
||
|
||
### 知识类路由（"收集这个..."）
|
||
|
||
| 你说 | collect_type | collect_subtype | 提取方式 |
|
||
|------|-------------|----------------|----------|
|
||
| 收集这个视频 | douyin-video | default | 标题+描述+标签 |
|
||
| 收集这个视频的字幕 | douyin-video | subtitle | 字幕全文 |
|
||
| 总结这个视频 | douyin-video | summary | AI 总结核心观点 |
|
||
| 收集这个链接 | webpage | default | 标题+正文摘要 |
|
||
| 收集这篇文章 | webpage / wechat-article | default | 标题+正文 |
|
||
| 收集这个音频 | audio | transcription | 语音转文字 |
|
||
|
||
### 素材类路由（"收集素材..."）
|
||
|
||
| 你说 | collect_type | collect_subtype | AI 分析内容 |
|
||
|------|-------------|----------------|-------------|
|
||
| 收集素材 | douyin-video | default | 仅保存原视频 |
|
||
| 收集素材，视频结构 | douyin-video | video-structure | 起承转合、节奏分段、框架 |
|
||
| 收集素材，拍摄脚本 | douyin-video | shooting-script | 分镜描述、拍摄手法 |
|
||
| 收集素材，镜头运镜 | douyin-video | camera-movement | 推拉摇移跟、构图方式 |
|
||
| 收集素材，前三秒钩子 | douyin-video | opening-hook | 开头吸引点、悬念设置 |
|
||
| 收集素材，悬疑点 | douyin-video | suspense-points | 悬疑设计、反转点 |
|
||
| 收集素材，文案结构 | douyin-video | copy-structure | 黄金圈、痛点-方案框架 |
|
||
| 收集素材 | audio | raw | 仅保存音频文件 |
|
||
| 收集素材 | image | default | 保存原图 |
|
||
|
||
## 输出规则
|
||
|
||
### 知识类 → `01_submissions/`
|
||
|
||
```markdown
|
||
---
|
||
title: "原标题"
|
||
collect_type: "douyin-video"
|
||
collect_subtype: "default"
|
||
purpose: "knowledge"
|
||
source_url: "链接"
|
||
source_author: "作者"
|
||
source_date: "日期"
|
||
collected_by: "{机器名}"
|
||
collected_date: "{日期}"
|
||
status: submitted
|
||
tags: []
|
||
---
|
||
```
|
||
|
||
### 素材类 → `agent-local/materials/{type}/`
|
||
|
||
```
|
||
materials/
|
||
├── audios/ ← 背景音乐、音频原文件
|
||
├── screenshots/ ← 截图
|
||
├── images/ ← 原图
|
||
└── videos/ ← 视频片段
|
||
```
|
||
|
||
## 即时 vs 批量
|
||
|
||
| 你说 | 模式 |
|
||
|------|------|
|
||
| `收集这个视频` | 批量 → 进提交箱等待 |
|
||
| `收集这个视频并提纯` | 即时 → 进提交箱 → 立即提纯 → 返回 |
|
||
| `提纯这个` | 即时 → 对刚收集的内容立即提纯 |
|
||
|
||
## 子技能依赖
|
||
|
||
| 子技能 | 说明 |
|
||
|--------|------|
|
||
| agent-browser | 抖音/网页内容抓取 |
|
||
| voice-summary | 语音转文字（Whisper） |
|
||
| web-crawler | 爬虫/反爬 |
|
||
| @tikomni/skills | 社交平台采集 |
|