收藏了，然后呢
刷到一篇好文章，读完觉得有用，手指点一下收藏，想着「以后再看」。这个动作我们每天都会做几次，熟练到不需要思考。
问题是，那个「以后」很少来。
打开浏览器的收藏夹，或者笔记软件的收藏列表，里面躺着几十上百条链接。标题都很眼熟，都是当初觉得「一定用得上」才存下来的。但真到要找资料的时候，我们不会去翻它。心里清楚，翻出来大概率也是一堆没整理过的、不知道当时为什么存的链接。
收藏这个动作，给人一种已经掌握了的错觉。点下按钮的那一刻，文章好像就成了自己的东西。它只是从一个列表，进了另一个列表。
收藏夹为什么会变成仓库
「收藏链接」这个动作本身有三个结构性问题，跟个人勤快不勤快没关系，谁用都会踩。
存下来的只是一个网址。 文章内容不在你手里，它活在别人的服务器上。对方改版、删文、关站，链接就死了。你收藏的时候它还好好的，三个月后点开，404。收藏了一堆网址，等于把家安在别人的地基上，地基什么时候塌，由不得你。
收藏时图快，从不分类。 收藏的一瞬间，人处在「这篇文章真好」的情绪里，想的是一键存下，不是整理归档。分类、打标签、写备注，这些动作要花时间，而收藏的本意就是省时间。于是所有链接堆在一起，日积月累，变成一锅粥。存的时候 1 秒，找的时候 10 分钟，还不一定找得到。
只进不出，没有再入口。 收藏夹只有一个入口，就是「收」。没有整理的习惯，没有定期回顾的机制，内容进去就沉底。它不是被读过的，只是被存放的。
三个问题叠在一起，收藏夹就变成了一座只进不出的仓库。仓库和图书馆的区别在于：图书馆有分类、有索引、随时能查到书；仓库只有货堆，东西在，但找不出来。
换个思路：收藏内容，而不是收藏链接
要打破这个循环，关键是把收藏的对象换掉：从收藏链接，变成收藏内容。
链接是借的，内容是自己的。把文章正文保存到本地，原文删了、链接挂了、网站关了，内容还在，而且还在你自己的机器上。想什么时候看就什么时候看，想怎么检索就怎么检索。
这就是今天要说的项目：xiaoyaoclaw-web-clipper（网页剪藏），我们开源「十件套」里的第六件。它的定位一句话能说清：网页的知识喂料机。给它一个链接，它把正文提取出来，存成一份带档案的本地 Markdown，直接进入知识库，之后随时可以检索。
三条设计底线
它有三条底线：
纯本地，数据不出机器。 剪藏是本地处理，不调用任何外部 API。文章内容从你机器上过一遍，存在你机器上，不会为了「云同步」之类的功能把内容送到别人的服务器。对经常剪藏敏感资料的人来说，这条很重要。
不假装成功。 有些网站反爬做得好，访问会返回 521、403 这类错误。遇到这种情况，它如实报告「这个站点抓不了」，建议你换浏览器或者换来源，而不是硬绕过去，或者吐给你一份残缺的正文假装完成了。提取质量不够，它会明说。
不绕过反爬。 它也不伪装成浏览器去骗过网站的防护。剪不到的站就是剪不到，如实告诉你，把精力留给能剪的源。
关键设计一：双引擎提取，剪不干净就换
网页转正文，看着简单，做起来全是坑。同一个网页里，导航、广告、推荐位、评论区，噪音比正文多得多。提取器稍微笨一点，存下来的就是一堆乱码加广告。
web-clipper 用的是双引擎降级链：
首选 readability-lxml，结构化好、速度快，适合绝大多数文章页；
如果提取出来的有效文本太短（判定标准：去掉噪音后不足 200 个字符），说明这个页面没提取干净，自动切换到 trafilatura，学术级的正文提取器；
还不行，就用兜底方案，按常见正文容器去抓。
每份剪藏文件里会记录这次用的是哪个引擎（frontmatter 里的 engine 字段），不藏着掖着。存下来的东西干不干净、用什么方式提取的，你都能看到。
关键设计二：中文网站，专门适配过
很多提取工具是外国人写的，对中文站点的结构不熟。微信公众号文章、知乎回答、CSDN 博客，各有各的页面结构，通用提取器经常抓歪。
web-clipper 对常见中文站点做了内置适配：微信公众号的正文容器、知乎的回答区、CSDN 的文章区，都直接认得。编码问题也处理了，GBK、UTF-8 自动判定，不会存出一堆乱码。
存下来的文件，档案是完整的。每份 Markdown 开头有一段 frontmatter，记录标题、原文链接、来源域名、作者、发布日期、剪藏时间。这意味着每份剪藏都可溯源：这段内容从哪来、谁写的、什么时候发的，清清楚楚。这一点比截图靠谱：截图六亲不认，只有像素，没有出处。
文件名也做了中文适配：20260908_文章标题.md 这样的格式，中文标题原样保留，只去掉非法字符，不会出现一串乱码文件名。
细节上的几件事：批量、去重、不删文件
批量剪藏。 攒了一批想存的文章，不用一条条发。把链接写进一个文本文件，每行一条，一次喂给它，它挨个处理。
自动去重。 它维护一个索引文件，剪藏过的链接会记下来。下次遇到重复的 URL，直接跳过，不浪费你的时间，也不会在目录里堆出好几份同样的文章。标题重复的，自动加序号区分。
不删任何文件。 包括它自己的去重索引，只追加、不删除。它对你机器上已有的东西，没有任何破坏能力。
三步上手
Step 1：安装
clawhub install xiaoyaoclaw-web-clipper或者从 GitHub 手动安装：git clone https://github.com/dtsola/xiaoyaoclaw-web-clipper，把 SKILL.md 和 scripts/ 放进你的 skills 目录。依赖很轻：核心只要 requests、beautifulsoup4、lxml 三个 Python 库；两个增强提取引擎（readability-lxml、trafilatura）是可选的，缺了自动降级，不影响基本使用。
Step 2：剪藏一篇文章
把链接发给它，或者本地跑一条命令：
python scripts/clip.py <文章链接>它提取正文，存成带档案的 Markdown，落到 knowledge/clippings/。
Step 3：建索引，让内容能被检索
跑一遍 kb-retriever 的建索引：
python <kb-retriever>/scripts/build_index.py <knowledge 根目录>之后就能像聊天一样检索这些剪藏内容了。
第三步是关键。剪藏如果只是存下来，那跟原来的收藏夹没有本质区别，还是只进不出。只有接上检索，存下来的东西才算真正被用起来：web-clipper 负责「喂」，kb-retriever 负责「翻」。这也呼应了第四篇那篇文章的标题：别让 AI 背资料库，让它翻资料库。资料先得进得来，才翻得到。
十件套里还有一个细节：workspace-auditor 做体检的时候，会专门检查 clippings/ 目录有没有建索引。没建索引的剪藏，在它眼里等于没入库。工具之间互相盯着，剪了没建索引，体检时会给你标出来。
写在最后
回到开头的收藏夹。我们收藏得并不少，只是存下来的都是会失效的链接，没有变成自己的内容。
链接躺三个月还是链接。内容存进本地知识库、建好索引，才是随时能调用的东西。如果你也有一堆「以后再看」的文章，不妨换一种存法。给 AI 助手发个链接，让它把内容留下来。
十件套里的其他成员，前面几篇陆续介绍过，这里把全家福再放一次：
项目是 MIT 协议，开源免费，代码在 GitHub，也可以从 ClawHub 一键安装。
下一次再看到好文章，别只点收藏。把内容留下来，它才算你的。
dtsola — 独立产品Builder | IT解决方案架构师 | 一人公司实践者
用户交流和反馈群
扫码加入【小遥 AI · 用户交流群】——产品反馈、使用交流、功能建议（用户专属）。
#网页剪藏 #开源项目 #AI编程 #知识工作者 #一人公司 #AI助手 #OpenClaw #知识管理 #AI创业 #效率工具
