@wwkit/harness 1.0.25 → 1.0.27

package/skills/extract/references/list_from_html.md

@@ -1,74 +0,0 @@
-# list_from_html 提取流程
-
-从列表页 HTML 中提取结构化信息（混合方案：本地提取 + 规则 + LLM 规范）。
-
-## 输入
-
-- `source`：完整网页 HTML 源码
-- `url`：页面 URL（可选，相对路径转绝对）
-
-## 输出
-
-符合 `list.schema.json5` 的 JSON 数组：
-
-```json
-[
-  {
-    "title": "标题",
-    "author": "作者",
-    "date": "2026-06-12",
-    "url": "https://example.com/article/123",
-    "thumb": "https://example.com/thumb.jpg"
-  }
-]
-```
-
-字段：`title`（必填，空则跳过本条）、`author` / `date` / `url` / `thumb`（可选，无则留空）。
-
-## 步骤
-
-### Step 1 — 样本截取（本地）
-
-用 `write` 工具将完整 HTML 写入临时文件（如 `extract_list.html`），再用 `write` 工具将 `{"html": "<HTML内容>", "keep_items": 3}` 写入 JSON 输入文件，stdin 重定向交给 Node.js 清洗并截取前 3 条：
-
-```bash
-node '<技能目录>/references/extract-sample.js' < <临时 JSON 输入文件>
-```
-
-输出仅含前 3 条（或更少）的干净 HTML 样本。
-
-### Step 2 — 规则生成（LLM）
-
-先用 `read` 读取 `references/list-rule-gen.md`（HTML 正则生成指导，含编写规则与示例），按其中指导分析 Step 1 输出的样本 HTML，生成提取规则：
-
-- 字段集固定为 `{"title": "新闻标题", "author": "作者名", "date": "发布日期", "url": "文章链接", "thumb": "缩略图地址"}`
-- 输出 `{container_regex, fields: {title, author, date, url, thumb}}` 格式的 JSON 规则，**不写入文件**，直接在后续步骤内联使用
-
-`container_regex` 用于定义每条记录的外层容器边界（如 `<li>...</li>`），Node.js 先用它切分 HTML 为单条容器，再对每条容器内部应用字段正则——避免跨边界匹配。字段正则若有捕获组，提取值取 `group(1)`；建议每个字段正则只含 1 个捕获组。
-
-### Step 3 — 批量提取（本地）
-
-对完整 HTML 用相同清洗逻辑处理后再提取（与 Step 1 清洗口径一致）。用 `write` 工具将输入 JSON 写入临时文件，再 stdin 重定向交给 Node.js：
-
-```bash
-node '<技能目录>/references/extract-regex.js' < <临时输入文件>
-```
-```
-
-输入 JSON：`{"html": "<完整HTML>", "rules": <step2 规则>}`
-
-输出：JSON 数组，每项含 `url`, `date`, `author`, `thumb`, `title` 五个字段（title 为空的条目已移除）。
-
-### Step 4 — LLM 数据规范
-
-将 Step 3 输出的数组交给 LLM 进行数据规范：
-
-- URL 相对路径 → 基于 `{{ url }}` 转为绝对地址
-- 日期统一格式 `yyyy-mm-dd`
-- 作者清洗（去多余空白、特殊字符）
-- **保持条目数量和顺序不变**
-- 输出必须是 JSON 数组（不是对象包裹）
-
-### Step 5 — 验证
-
-检查每项 title 非空，输出规范后的 JSON 数组（供 extract 技能阶段 4 校验）。

package/skills/extract/references/list_from_json.md

@@ -1,52 +0,0 @@
-# list_from_json 提取流程
-
-将结构化 JSON 数据（text/href/src）规范化为统一列表格式。
-
-## 输入
-
-- `source`：JSON 数组字符串或文件路径，每项含 `{text, href, src}` 三个字段：
-  - `text`：容器内纯文本（已去标签，末尾可能带时间如 `09:44` 或日期如 `29日`）
-  - `href`：第一个 `<a href>` 链接地址
-  - `src`：第一个 `<img src>` 图片地址
-- `url`：页面 URL（可选，相对路径转绝对）
-
-## 输出
-
-符合 `list.schema.json5` 的 JSON 数组：
-
-```json
-[
-  {
-    "title": "标题",
-    "author": "作者",
-    "date": "2026-06-12",
-    "url": "https://example.com/article/123",
-    "thumb": "https://example.com/thumb.jpg"
-  }
-]
-```
-
-字段：`title`（必填，空则跳过本条）、`author` / `date` / `url` / `thumb`（可选）。
-
-## 步骤
-
-### Step 1 — 理解输入
-
-输入 JSON 数组每项含三个字段：
-- `text`：容器内纯文本（末尾可能带时间如 `09:44` 或日期如 `29日`）
-- `href`：第一个 `<a href>` 链接地址
-- `src`：第一个 `<img src>` 图片地址
-
-### Step 2 — LLM 规范化
-
-1. 从 `text` 末尾提取时间/日期（`HH:MM` → 当天，`NN日` → 当月，跨月则月份-1），从 text 中移除
-2. 剩余 text 作为 `title`
-3. `href` 作为 `url` 字段（相对路径基于 `{{ url }}` 转为绝对）
-4. `src` 作为 `thumb` 字段（同上）
-5. **去重：基于 `url` 去重，重复的只保留第一条，移除后续相同 url 的条目**
-6. 保持条目相对顺序不变（去重后）
-7. 输出必须是 JSON 数组
-
-### Step 3 — 验证
-
-检查每项 title 非空（空时输出 Warning），输出规范后的 JSON 数组（供 extract 技能阶段 4 校验）。

package/skills/extract/references/list_from_text.md

@@ -1,60 +0,0 @@
-# list_from_text 提取流程
-
-从**纯文本**（无 HTML 标签）的重复结构中提取结构化信息，完全由 LLM 完成，不调用任何本地脚本。
-
-## 输入
-
-- `source`：纯文本内容（如列表页去除标签后的文本，每条的字段以固定行序或空行分隔）
-- `url`：页面 URL（可选，相对路径转绝对）
-
-## 输出
-
-符合 `list.schema.json5` 的 JSON 数组：
-
-```json
-[
-  {
-    "title": "标题",
-    "author": "作者",
-    "date": "2026-06-12",
-    "url": "https://example.com/article/123",
-    "thumb": "https://example.com/thumb.jpg"
-  }
-]
-```
-
-字段：`title`（必填，空则跳过本条）、`author` / `date` / `url` / `thumb`（可选，无则留空）。
-
-## 步骤
-
-### Step 1 — 识别重复单元并切块
-
-分析源文本，找出重复出现的条目结构。常见形态：
-
-- 每条记录由固定行序构成（如 标题/摘要/作者/日期/阅读量，各占一行，条目间以空行或紧邻分隔）
-- 每条记录由空行分隔的多行块构成
-
-按识别出的边界把源文本切分为若干候选条目块，末尾的导航/分页类文本（如「加载更多」）不属于任何条目，丢弃。
-
-### Step 2 — 字段映射
-
-对每个块，依据语义把内容映射到字段：
-
-- `title`：条目标题（必须非空；找不到则跳过该条）
-- `author`：作者（无则留空）
-- `date`：发布时间（无则留空）
-- `thumb`：图片/缩略图地址（无则留空）
-- `url`：链接地址（无则留空）
-
-无法确定归属的行（如摘要、阅读量等不在 schema 内的信息）直接丢弃，不进入输出。
-
-### Step 3 — 规范化
-
-- 日期统一格式 `yyyy-mm-dd`（如「今天」→ 当天、「昨天」→ 前一天、`HH:MM` → 当天）
-- `url` / `thumb` 若为相对路径，基于 `{{ url }}` 转为绝对地址
-- **保持条目数量和顺序不变**
-- 输出必须是 JSON 数组（不是对象包裹）
-
-### Step 4 — 验证
-
-检查每项 `title` 非空，输出规范后的 JSON 数组（供 extract 技能阶段 4 校验）。