小红书对标内容采集

Overview

把链接文档中的小红书笔记批量采集入库：每条笔记一个文件夹，完整保存原文信息与图片；视频笔记转录脚本；重复链接跳过；入库后在链接文档回写标记。

安装方法

先问使用者用的是什么 AI 工具（如 Claude Code、Codex、Cursor），回答记作 X
只安装给 X，不安装或链接其他任何工具：
```
npx -y --registry=https://registry.npmmirror.com skills add https://modelscope.cn/skills/sunny31221/xiaohongshu-collect -a X -y
```
（--registry 为 npmmirror 镜像，保证国内不翻墙也能装；-a X 表示只装给 X 这一个工具） X 不在上述命令支持范围时，按该工具自身的技能机制安装，装完确认 X 能识别本技能即可
装完后询问是否现在使用本技能

When to Use

用户要求把 02_规律研究/对标内容采集/对标采集内容链接.md 中的链接批量入库
用户说「采集对标内容」「小红书入库」「保存小红书素材」
用户提供一条或多条 xiaohongshu.com 链接要求完整采集（信息+图片+评论+脚本）
用户说「提取图片文字」「图片OCR」「小红书图片文案」「提取笔记图片内容」「提取文案」，或给一条小红书链接要求提取完整内容（标题/正文/标签/图片文字/互动数据/评论）→ 单条模式

When NOT to Use

只要笔记正文文字、不下载图片不做 OCR → 直接用 opencli xiaohongshu note
视频号、公众号等其他平台内容（本 skill 仅处理小红书）

目录与命名规范

保存根目录：AI第二大脑/02_规律研究/对标内容采集/小红书/
每条笔记一个文件夹，命名：编号_笔记标题_笔记ID（编号三位补零，从已有最大编号 +1 递增）
文件夹内固定编号（从 01 排到 05，没有跳号）：
- 01_原始素材/：01-封面图/ + 02-正文图片/
- 02_笔记信息.md（用 assets/笔记信息模板.md）
- 03_图片文案原文.md（图片笔记才有）
- 04_文案结构化梳理.md（图文型与视频型都有）
- 05_视频脚本.md（视频笔记才有）
标题中的 / \ : * ? " < > | 等非法字符只做必要替换，不改标题原文

工作流

第一步：预处理

读取 02_规律研究/对标内容采集/对标采集内容链接.md，逐行解析，取每条行的完整链接（保留 ?xsec_token= 及之后全部参数，不能截断）；笔记 ID（/explore/ 后第一段，24 位十六进制）单独取出来，只用于去重和文件夹命名。
非笔记链接（如 user/profile 主页）不自动入库，单独列出报告；跳过空行和重复链接。
检查登录态：opencli xiaohongshu whoami；未登录则提示用户执行 opencli xiaohongshu login。
查看 对标内容采集/小红书/ 下已有文件夹的最大编号，新编号从最大编号 +1 开始。

第二步：逐条入库

对每个笔记 ID：

去重：检查 对标内容采集/小红书/ 下是否已存在含该 ID 的文件夹；已存在则跳过并记录。
间隔防反爬：每条笔记之间至少间隔 5 秒（sleep 5）再开始下一条的抓取；若返回风控/频率限制/验证码类错误，间隔提高到 10-15 秒后重试该条。单条笔记内的 note/comments/download 三路抓取可以并行，但条与条之间必须间隔。
并行抓取（临时目录按 note-id 组织）：
- opencli xiaohongshu note "<完整链接>" -f json → 标题、作者、正文、标签、互动数据
- opencli xiaohongshu comments "<完整链接>" -f json → 评论
- opencli xiaohongshu download "<完整链接>" --output <临时目录> -f json → 图片 / 视频
判断类型：
- 下载结果含视频 → 用 mlx_whisper（medium 模型）转录，然后四步处理，保存 05_视频脚本.md： ① 转录原稿：转写结果原样保留（注明转录时间与模型） ② 语义修正错别字：根据上下文语义，把语音误转词修正为正确用词（如「负力工程」→「复利工程」、「Podex」→「Codex」）。只修明显错别字和同音误转，不润色、不改口语表达，修正时尽量保守，拿不准的保留原样并在文末「修正说明」里列出 ③ 结构化整理：按内容结构分段，每一段加一个小标题，小标题下放脚本原文——最大化还原视频脚本原文，不修改脚本内容，不用提炼要点代替原文（结构示例：开场钩子 → 背景介绍 → 第一步… → 观点收尾）最终文件结构：转录说明（时间/模型/修正说明）→ 分段小标题 + 原文 ④ 再出一份 04_文案结构化梳理.md（与文章型笔记同一套格式）：中心思想 + 核心论点清单 + 逐段梳理（每段小标题 + 一句话总结）+ 结构规律提炼。原文由 05 承担，04 只做概括与归类，不改写、不新增原文没有的东西
- 图片含大量文字（文章型笔记：封面常见「全文N字」标记，或图片 ≥3 张）→ 对每张图片调用 mcp-vision ocr_extract（提示词：「提取图片中的所有文字，原文照抄，不要总结、不要修改、不要遗漏。保持原始换行和格式。」），生成两份文件：
  - 03_图片文案原文.md：OCR 文字按图片顺序合并，原文照抄，仅合并技术性断行
  - 04_文案结构化梳理.md：中心思想、核心论点清单 + 逐段梳理——每段保留原小标题 + 一句话总结（总结须保留原文的具体论据、数据与比喻，不删减关键信息，不整段照抄原文）；完整原文由 03 承担；最后附结构规律提炼
- 正文为空（纯图笔记）→ 同样 OCR，合并为「图片文字」部分
建文件夹——跑脚本，不让 AI 数编号：
```
python3 "<本技能目录>/scripts/create_note_folder.py" \
  --id <笔记ID> --title "<笔记标题>" --type 图文|视频 \
  --author "<作者>" --published <YYYY-MM-DD> --url "<完整链接>" \
  --likes <N> --collects <N> --comments <N>
```
脚本负责：算编号（目标目录已有最大编号 +1）、按笔记 ID 去重（已存在就返回原文件夹、不新建）、建出 01_原始素材/01-封面图/ + 02-正文图片/（视频笔记另有 02-视频源/）、写好 02_笔记信息.md 的外壳。返回 JSON，里面有文件夹绝对路径。

拿到路径后，AI 把采集到的内容填进 02_笔记信息.md：
- 完整保存全部字段：编号、笔记 ID、原文链接、标题、作者、发布时间、正文、标签、互动数据（点赞/收藏/评论）、评论列表、来源平台、入库时间
- 不概括、不改写、不分析，原文照抄
- 图片按原始顺序重命名 01.jpg、02.jpg…，放进 01_原始素材/02-正文图片/（见下方「媒体怎么放」）
- 末尾「笔记图片」部分依次嵌入本地图片引用（指 01_原始素材/02-正文图片/01.jpg…）
- 视频笔记追加「视频脚本」引用；图片笔记追加「图片文案」引用（03/04 号文档）
全部处理完后，在链接文档中给已入库链接所在行末尾追加「（已入库 ✓ YYYY-MM-DD）」标记，不删除、不修改链接本身。

媒体怎么放

媒体统一收进 01_原始素材/，封面单独一份——封面图以后要单独用来做「小红书封面规律提取」，所以即使和正文第一张图重复也复制一份：

图片笔记：

01_原始素材/
├── 01-封面图/
│   └── 01.jpg            ← 笔记第一张图的副本
└── 02-正文图片/
    ├── 01.jpg
    ├── 02.jpg
    └── …

视频笔记：

01_原始素材/
├── 01-封面图/
│   └── 01.jpg            ← 笔记封面图的副本
└── 02-正文图片/
    └── 01.jpg 02.jpg …   ← 笔记里的配图

视频笔记的原片不留在素材文件夹里：下载到临时目录 → 转写 → 删掉临时文件。素材留下的是转写稿和封面，不是原片。

封面 = 笔记的第一张图（或视频封面），复制进 01-封面图/，正文图片保留原样不动
图片命名按原始顺序，两位起（01.jpg、10.jpg）
图片没下载成功时，01_原始素材/ 建空夹，不伪造封面

第三步：入库后检查

全部处理完后，按 references/入库检查清单.md 执行检查，更新 02_规律研究/对标内容采集/_入库检查报告.md（有效内容总数、文件路径、疑似重复、缺字段、图片问题、是否达 10 条）。

第四步：汇报

新增入库条数（列出文件夹位置）
跳过重复条数、失败条数及原因
图片下载成功 / 失败数量
正文为空的条数（哪些已用 OCR 补充）
视频转录条数及脚本位置
用户主页链接列表（未处理）
当前 对标内容采集/ 已入库总数

Common Mistakes

把 user/profile 主页链接当笔记处理 → 主页不是单条内容，跳过并报告
文章型笔记不 OCR → 小红书大量「文字长图」笔记，正文只是引流文案，内容全在图片里；图片 ≥3 张或封面含「全文N字」必须 OCR，且保存原文+结构化梳理两份文件
图片改名后破坏顺序 → 先按 download 返回的原始顺序排序，再重命名；注意 download 的文件名顺序可能 ≠ 页面展示顺序——文章型笔记 OCR 时检查图片内页码（常见「01/13」角标），若有页码标记必须按页码重排图片文件和原文顺序
转录视频前未确认音频时长 → 长视频转录前先检查时长，向用户确认是否转录
转写错别字不修正 / 把原文提炼成要点 → 转写后必须按上下文语义修正明显误转词（保守修正，拿不准保留原样并注明）；结构化分段用小标题+原文，最大化还原原文，不提炼、不压缩、不概括
修改链接文档时误删链接 → 只追加标记，不改动链接本身
编号重复 → 编号基于已有文件夹实际最大编号计算，不要假设从 001 开始
批量采集无间隔 → 条与条之间必须 sleep 5，遇风控错误（频率限制/验证码）间隔提高到 10-15 秒并重试，不要并发多条笔记

Resources

命令速查：references/commands.md
笔记信息模板：assets/笔记信息模板.md