303 lines
11 KiB
Markdown
303 lines
11 KiB
Markdown
# 内容提取 MCP
|
||
|
||
这是一个基于 Python 的 MCP 项目骨架，用于完成文章内容提取、结构化摘要校验、确定性过滤，以及 Markdown 输出落盘。
|
||
|
||
## 运行
|
||
|
||
```bash
|
||
pip install -e .
|
||
summary-mcp
|
||
```
|
||
|
||
服务当前暴露 5 个工具：
|
||
|
||
- `extract_url_content`
|
||
- `extract_item_content`
|
||
- `filter_summary_result`
|
||
- `run_freshrss_openclaw_pipeline`
|
||
- `generate_article_summaries`
|
||
|
||
## 单篇文章总结后处理（可选使用独立 LLM）
|
||
|
||
### 生产环境推荐输入
|
||
|
||
- 单篇总结的正式生产输入，优先使用 FreshRSS 主流水线输出的**单篇 extracted 文件**：
|
||
- `outputs/freshrss/rerun/<run_id>/extracted/item-XX.extracted.json`
|
||
- 这些**逐条 extracted 文件**是下游单篇总结的**正式默认产物**。
|
||
- 像 `outputs/freshrss/extracted/freshrss.extracted.json` 这样的**批量 extracted 文件**，只作为临时场景、兼容旧流程的输入形态保留，**不是首选生产默认**。
|
||
|
||
### daily 知识库默认配置
|
||
|
||
- `IMA_DAILY_KNOWLEDGE_BASE_ID` —— 单篇日报总结默认上传的 IMA 知识库 ID
|
||
- `IMA_DAILY_KNOWLEDGE_BASE_NAME` —— 默认知识库名称（预期值：`daily`）
|
||
- 上传逻辑在运行时应先校验目标知识库；若配置的目标不存在，应先按名称查找，仍不存在则创建 `daily`
|
||
|
||
相关能力：
|
||
|
||
- `article-summary` MCP 工具（基于已有 extracted payload 做单篇总结）
|
||
- `scripts/run_article_summaries.py` CLI 辅助脚本
|
||
|
||
## 校验 LLM 摘要结果
|
||
|
||
```bash
|
||
validate-llm-result outputs/reference/summary/result.json --extracted outputs/reference/extracted/read-flow-2026.extracted.json
|
||
```
|
||
|
||
## 跑最小 extraction → summary 循环
|
||
|
||
```bash
|
||
python scripts/run_summary_loop.py ^
|
||
--extracted outputs/reference/extracted/read-flow-2026.extracted.json ^
|
||
--prompt outputs/prompts/llm-summary-prompt.txt ^
|
||
--output outputs/reference/summary/result.loop.json
|
||
```
|
||
|
||
## 拉取 FreshRSS 条目并映射为标准化 `item`
|
||
|
||
```bash
|
||
set FRESHRSS_API_BASE_URL=http://127.0.0.1:8081/api/greader.php
|
||
set FRESHRSS_USERNAME=bot
|
||
set FRESHRSS_API_PASSWORD=your-api-password
|
||
python scripts/pull_freshrss_items.py --limit 5 --mark-read
|
||
```
|
||
|
||
默认会排除已经带 `read` 标签的条目。
|
||
如果你想拿到完整阅读列表，可以加 `--include-read`。
|
||
启用 `--mark-read` 后，脚本会在执行成功后把本次抓到的条目标记为已读。
|
||
|
||
脚本会写出：
|
||
|
||
- `outputs/freshrss/raw/freshrss.raw.json`
|
||
- `outputs/freshrss/items/freshrss.items.json`
|
||
|
||
## 拉取 FreshRSS 条目并逐条做内容提取
|
||
|
||
```bash
|
||
set FRESHRSS_API_BASE_URL=http://127.0.0.1:8081/api/greader.php
|
||
set FRESHRSS_USERNAME=osiman
|
||
set FRESHRSS_API_PASSWORD=your-api-password
|
||
python scripts/run_freshrss_extract.py --limit 1 --mark-read
|
||
```
|
||
|
||
默认会排除已经带 `read` 标签的条目。
|
||
启用 `--mark-read` 后，只有提取成功的条目才会被标记为已读。
|
||
|
||
脚本会写出：
|
||
|
||
- `outputs/freshrss/raw/freshrss.raw.json`
|
||
- `outputs/freshrss/items/freshrss.items.json`
|
||
- `outputs/freshrss/extracted/freshrss.extracted.json`
|
||
|
||
注意：这个**批量 extracted 文件**主要用于独立提取场景和旧流程兼容。下游单篇总结的正式生产默认输入，仍然是 `outputs/freshrss/rerun/<run_id>/extracted/item-XX.extracted.json` 这类**逐条 extracted 文件**。
|
||
|
||
## 跑完整 FreshRSS 流水线，并在最终 delivery payload 写盘成功后再标记已读
|
||
|
||
```bash
|
||
set FRESHRSS_API_BASE_URL=http://127.0.0.1:8081/api/greader.php
|
||
set FRESHRSS_USERNAME=osiman
|
||
set FRESHRSS_API_PASSWORD=your-api-password
|
||
set LLM_API_URL=https://api.deepseek.com
|
||
set LLM_API_KEY=your-llm-api-key
|
||
set LLM_MODEL=deepseek-chat
|
||
python scripts/run_freshrss_pipeline.py --limit 5 --mark-read
|
||
```
|
||
|
||
如果你希望过滤时引入个人工程兴趣 / AI Agent 兴趣画像，可以传入 context 文件：
|
||
|
||
```bash
|
||
python scripts/run_freshrss_pipeline.py ^
|
||
--limit 5 ^
|
||
--context configs/filter_context.personal.json ^
|
||
--mark-read
|
||
```
|
||
|
||
这是当前推荐的**正式生产入口**。默认只写出这些产物：
|
||
|
||
- `outputs/freshrss/rerun/<timestamp>/raw/freshrss.raw.json`
|
||
- `outputs/freshrss/rerun/<timestamp>/candidates/openclaw-delivery-payload.json`
|
||
- `outputs/freshrss/rerun/<timestamp>/run-report.json`
|
||
- `outputs/freshrss/rerun/<timestamp>/extracted/item-XX.extracted.json`（每篇一份）
|
||
|
||
同时还会更新每日关键词索引运行数据：
|
||
|
||
- `data/term_index/daily/YYYY-MM-DD.json`
|
||
- `data/term_index/term_stats.json`
|
||
|
||
主流水线默认**不会**产出批量级的 `freshrss.extracted.json`。
|
||
如果你需要更多逐条中间产物，例如标准化 items、摘要结果、过滤决策、candidate record、candidate input，可以加 `--debug-artifacts`。
|
||
|
||
当 OpenClaw 接入这个 MCP 服务后，应直接调用 `run_freshrss_openclaw_pipeline` 来获得同样行为。
|
||
在排查复杂问题时，也可以把 `debug_artifacts=true` 打开。
|
||
|
||
## 对结构化摘要结果执行确定性过滤规则
|
||
|
||
```bash
|
||
python scripts/run_filter_rules.py ^
|
||
--summary outputs/reference/summary/result.loop.json ^
|
||
--extracted outputs/reference/extracted/read-flow-2026.extracted.json ^
|
||
--output outputs/reference/filter/filter-decision.json
|
||
```
|
||
|
||
如果你希望注入兴趣主题或来源标签，也可以额外传入 context 文件：
|
||
|
||
```bash
|
||
python scripts/run_filter_rules.py ^
|
||
--summary outputs/reference/summary/result.loop.json ^
|
||
--extracted outputs/reference/extracted/read-flow-2026.extracted.json ^
|
||
--context outputs/reference/filter/filter-context.json ^
|
||
--output outputs/reference/filter/filter-decision.with-context.json
|
||
```
|
||
|
||
规则引擎设计和规则编写说明见：
|
||
|
||
- `docs/design/filter-rule-engine-design.md`
|
||
- `docs/design/filter-rule-engine-usage.md`
|
||
|
||
## 将过滤结果写入 Markdown sink
|
||
|
||
```bash
|
||
python scripts/run_markdown_sink.py ^
|
||
--summary outputs/reference/summary/result.loop.json ^
|
||
--extracted outputs/reference/extracted/read-flow-2026.extracted.json ^
|
||
--filter outputs/reference/filter/filter-decision.json
|
||
```
|
||
|
||
脚本会把 Markdown 笔记写到 `knowledge-base/` 下。
|
||
|
||
## 构建内部 `ArticleCandidateRecord` 与精简版 `OpenClawCandidateInput`
|
||
|
||
```bash
|
||
python scripts/run_article_candidate.py ^
|
||
--summary outputs/reference/summary/result.loop.json ^
|
||
--extracted outputs/reference/extracted/read-flow-2026.extracted.json ^
|
||
--filter outputs/reference/filter/filter-decision.json ^
|
||
--section-hint tools_and_workflows
|
||
```
|
||
|
||
默认会写出：
|
||
|
||
- `outputs/reference/candidates/article-candidate-record.json`
|
||
- `outputs/reference/candidates/openclaw-candidate-input.json`
|
||
|
||
## 构建批量 OpenClaw delivery payload
|
||
|
||
```bash
|
||
python scripts/build_openclaw_delivery.py ^
|
||
--input-dir outputs/freshrss/candidates/batch ^
|
||
--sort-by-rank ^
|
||
--date 2026-03-25
|
||
```
|
||
|
||
默认会写出：
|
||
|
||
- `outputs/reference/candidates/openclaw-delivery-payload.json`
|
||
|
||
输出目录布局说明见 `outputs/README.md`。
|
||
|
||
## 关键词索引默认配置
|
||
|
||
相关配置文件位于：
|
||
|
||
- `configs/term_aliases.json`
|
||
- `configs/term_stopwords.json`
|
||
- `configs/term_cleanup_policy.json`
|
||
- `configs/term_watchlist.json`
|
||
- `configs/term_change_log.json`
|
||
|
||
你也可以基于已有 delivery payload 重新构建关键词索引：
|
||
|
||
```bash
|
||
python scripts/build_keyword_index.py ^
|
||
--input outputs/reference/candidates/openclaw-delivery-payload.json
|
||
```
|
||
|
||
运行期关键词数据存放在：
|
||
|
||
- `data/term_index/`
|
||
|
||
关键词清理评审 skill 位于：
|
||
|
||
- `skills/keyword-cleanup-review/`
|
||
|
||
构建给 LLM skill 使用的评审数据包（review bundle）：
|
||
|
||
```bash
|
||
python skills/keyword-cleanup-review/scripts/build_review_bundle.py ^
|
||
--days 7 ^
|
||
--top 50 ^
|
||
--output outputs/term_index/review/keyword-cleanup-bundle.json
|
||
```
|
||
|
||
现在这个评审数据包（review bundle）还会额外携带治理上下文：
|
||
|
||
- 来自 `configs/term_cleanup_policy.json` 的清理阈值
|
||
- 当前 watch list（`configs/term_watchlist.json`）
|
||
- 最近已应用的变更（`configs/term_change_log.json`）
|
||
|
||
这个 skill 只负责生成 review 输入与建议，不会自动修改：
|
||
|
||
- `term_aliases`
|
||
- `term_stopwords`
|
||
- `filter_context.personal.json`
|
||
|
||
如果你想先预览已接受建议，再决定是否写配置文件：
|
||
|
||
```bash
|
||
python scripts/apply_term_suggestions.py ^
|
||
--suggestions outputs/term_index/review/term-cleanup-suggestions-YYYY-MM-DD.json ^
|
||
--accept-watch Cron Heartbeat Memory ^
|
||
--dry-run
|
||
```
|
||
|
||
去掉 `--dry-run` 后才会真正写文件。
|
||
这个脚本也支持通过 `--accept-alias`、`--accept-stopword`、`--accept-interest` 应用 alias / stopword / interest keyword 变更。
|
||
已接受的 watch 词会写入 `configs/term_watchlist.json`，每次应用动作也会被追加到 `configs/term_change_log.json`。
|
||
|
||
## 单篇总结 LLM 配置
|
||
|
||
如果你希望单篇总结后处理使用独立模型，而不影响主流水线，可以设置：
|
||
|
||
- `ARTICLE_SUMMARY_LLM_API_URL`
|
||
- `ARTICLE_SUMMARY_LLM_MODEL`
|
||
- `ARTICLE_SUMMARY_LLM_API_KEY`
|
||
|
||
如果这些变量未设置，单篇总结会回退使用主流程中的 `LLM_*` / `OPENAI_*` 配置。
|
||
|
||
示例（PowerShell 风格）：
|
||
|
||
```bash
|
||
set ARTICLE_SUMMARY_LLM_API_URL=https://api.deepseek.com
|
||
set ARTICLE_SUMMARY_LLM_API_KEY=your-article-summary-key
|
||
set ARTICLE_SUMMARY_LLM_MODEL=deepseek-chat
|
||
```
|
||
|
||
然后可以这样调用 CLI。
|
||
正式生产环境建议优先使用 `outputs/freshrss/rerun/<run_id>/extracted/` 下的**逐条 extracted 文件**；下面这个**批量 extracted** 示例仅保留为兼容旧流程 / 临时场景输入：
|
||
|
||
```bash
|
||
python scripts/run_article_summaries.py ^
|
||
--extracted outputs/freshrss/extracted/freshrss.extracted.json ^
|
||
--ids 12345 67890 ^
|
||
--output-dir outputs/freshrss/single_summaries
|
||
```
|
||
|
||
也可以通过 `summary_mcp.server` 暴露的 MCP 工具 `generate_article_summaries` 调用：
|
||
|
||
- `extracted_path`（string）：单篇 extracted JSON 路径（例如 `outputs/freshrss/rerun/<run_id>/extracted/item-01.extracted.json`），或者包含 `results` 数组的 batch extracted JSON
|
||
- `selected_ids`（array of strings）：要总结的一个或多个 `item_id`。如果传空数组，则对文件中的全部条目做总结
|
||
- `output_dir`（optional string）：Markdown 输出目录；若不传，则默认写到 extracted 文件旁边的 `single_summaries/` 目录
|
||
- `llm_api_key` / `llm_model` / `llm_api_url`（optional strings）：单篇总结 LLM 的覆盖配置；不传时会按前文规则回退到 `ARTICLE_SUMMARY_*` 或主 `LLM_*`
|
||
|
||
该工具返回一个 JSON 数组，内容为生成好的 Markdown 文件路径。
|
||
|
||
单篇总结使用独立 prompt：`outputs/prompts/article-summary-prompt.txt`。
|
||
它与日报 prompt 完全独立，输出的是中文结构化知识笔记，包含这些部分：
|
||
|
||
- 核心结论
|
||
- 主要论点
|
||
- 关键方法 / 机制
|
||
- 重要细节
|
||
- 可复用启发
|
||
- 关键词
|
||
- 主题
|