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）。
50 lines
1.3 KiB
Markdown
50 lines
1.3 KiB
Markdown
# 知识分类提示词
|
|
|
|
> 用于 kb_ingest.py 中调用 LLM 对知识进行自动分类
|
|
|
|
## Prompt
|
|
|
|
你是一个知识分类助手。请对以下内容进行分析，返回 JSON 格式的分类结果。
|
|
|
|
### 输入内容
|
|
|
|
```
|
|
{{content}}
|
|
```
|
|
|
|
### 分析要求
|
|
|
|
1. **domain**: 从以下列表中选择最相关的 1-3 个领域：
|
|
计算机科学, 人工智能, 金融, 法律, 医学, 物理, 数学, 心理学, 哲学, 历史, 工程, 设计, 商业, 个人管理, 个人洞见, 其他
|
|
|
|
2. **nature**: 判断这条知识的属性类型：
|
|
- fact: 已验证的客观事实（有数据/论文支持）
|
|
- opinion: 主观观点（个人看法、推测）
|
|
- method: 可操作的方法/教程
|
|
- regulation: 法律/规章制度
|
|
- reference: 参考资料/外部链接
|
|
- data: 测试数据/基准结果
|
|
- quote: 他人原话引用
|
|
- axiom: 公理/无需证明的基础原理
|
|
|
|
3. **confidence**: 可信度评分（0-1）：
|
|
- 官方文档/学术论文: 0.8+
|
|
- 知名技术博客: 0.6-0.8
|
|
- 个人博客/论坛: 0.4-0.6
|
|
- 推测性内容: <0.4
|
|
|
|
4. **tags**: 3-5 个关键词标签
|
|
5. **summary**: 60 字以内的一句话摘要
|
|
|
|
### 输出格式
|
|
|
|
```json
|
|
{
|
|
"domain": ["领域1", "领域2"],
|
|
"nature": "fact",
|
|
"confidence": 0.85,
|
|
"tags": ["标签1", "标签2", "标签3"],
|
|
"summary": "一句话摘要"
|
|
}
|
|
```
|