# 接入外部来源

> 公众号、IMA 知识库、飞书 wiki、网页……这些东西不能直接「进」知识库。
> 必须先落成本地文件，再走 `kb-sync`。

---

## 一条不能破的规则

**`00-原材料/` 是唯一输入区。任何内容进入系统，都必须先变成一个文件躺在里面。**

原因不是洁癖，是回滚机制：页面的 `sources:` 字段记录的是**原材料相对路径**。内容如果只存在于某个链接或某次对话里，将来要删它、要查"这句话哪来的"，都没有抓手。

所以外部来源的处理只有两步：

```
抓取 → 落盘成文件 → 剩下的和直接丢文件完全一样
```

---

## 落盘规范

### 放哪

| 内容类型 | 位置 |
|---|---|
| 不确定归类的、刚抓下来的 | `00-原材料/_inbox/` |
| 行业文章、报告解读 | `00-原材料/01-行业资料/` |
| 客户相关（含客户公众号、客户案例） | `00-原材料/02-客户与需求/` |
| 方法论、案例、素材 | `00-原材料/03-课程素材/` |
| 同行课程、竞品内容 | `00-原材料/04-竞品与参考/` |

拿不准就丢 `_inbox/`。下次同步时模型会建议归位。

### 文件名

```
YYYY-MM-DD-<来源类型>-<标题截断>.md

2026-11-04-gzh-企业AI培训的三个误区.md
2026-11-04-ima-客户决策链笔记.md
2026-11-04-web-某咨询公司行业报告.md
```

日期在前，天然按时间排序。

### 文件头必须有来源块

**这是外部来源和直接丢文件唯一的不同。**

```md
<!-- 来源: 微信公众号「某某研究院」 -->
<!-- 原链接: https://mp.weixin.qq.com/s/xxxxxxxx -->
<!-- 作者: 张三 -->
<!-- 抓取时间: 2026-11-04 20:00 -->
<!-- 存档: https://web.archive.org/web/2026.../https://mp.weixin.qq.com/s/xxx -->
<!-- 证据提示: 公众号二手解读，默认 C 级 -->

# 企业 AI 培训的三个误区

正文……
```

用 HTML 注释，理由是：Markdown 渲染时看不见，不干扰阅读；但在源码里就在最上面，模型和人都能找到。

**缺了这块会怎样**：三个月后你想引用这句话，只剩一个标题，不知道谁说的、什么时候说的、原文还在不在。公众号文章被删是常态。

### 一键生成

不用手写这些注释：

```bash
python 90-工具/kb.py stash \
  --title "企业AI培训的三个误区" \
  --url "https://mp.weixin.qq.com/s/xxxx" \
  --type gzh \
  --author "某某研究院" \
  --body-file temp.md
```

它会生成规范文件名 + 来源块，落到 `_inbox/`。也可以从标准输入喂正文。

---

## 四种来源的具体做法

### 公众号

用现成的 `gzh-fetch` 技能抓正文，然后 `kb.py stash` 落盘。

三件事必须做：

1. **存全文，不存摘要。** 摘要等于替未来的自己做了删减决定。
2. **做存档链接。** `https://web.archive.org/save/<原链接>`，公众号删文是常态。存档失败就在来源块写「存档失败」。
3. **记作者和号名。** 同一篇文章，原创号和转载号的证据价值差一个等级。

### IMA 知识库

⚠️ **IMA 里绝大多数内容是二手加工品，默认 C 级。**

IMA 存的是"某人对某份资料的理解"。它不是原始资料，是别人嚼过的。做课直接引用风险很高 —— 你不知道他在哪一步理解偏了。

处理方式：

| IMA 里是什么 | 落盘后定几级 | 说明 |
|---|---|---|
| 某人写的笔记 / 总结 / 思考 | **C** | 除非笔记里给了原始出处，可以升 B |
| 一份原始 PDF / 报告 | 按原文件定 A 或 B | 最好直接拿原件，别用 IMA 里的转述版 |
| 会议纪要、访谈录音转写 | B | 一手记录，但没有交叉验证 |
| 教程 / 操作手册 | B | 有明确操作步骤，可复现 |

**如果 IMA 笔记里有原始链接，务必把链接一起落进来源块。** 那条链接是它从 C 升到 B 的唯一通道。

### 网页 / 其他网站

先转 Markdown 再落盘。带导航栏、广告、推荐位的 HTML 直接扔进库，会让 `check-content.py` 满屏报警，也会浪费模型的上下文。

### 飞书 wiki / 语雀 / Notion

导出 Markdown 后落盘。**导出时注意：**

- 表格常常在导出时变成图片，需要人工补回文字
- 附件链接是内网地址，离开内网就失效 —— 重要附件要单独下载

---

## 三个坑

### 坑一：同一内容从两个渠道各抓一次

从公众号抓了，又从 IMA 复制了同一篇。两处路径不同、内容相同，`kb.py scan` 会把它们当成**两个独立的新文件**（因为不满足"一个删除配一个新增"的移动判定条件）。

结果是同一份内容被整理两次，派生两套页面，将来删一个另一个还在。

**对策**：落盘前先搜一下。

```bash
grep -rl "文章标题里的关键词" 00-原材料/
```

### 坑二：批量抓 50 篇直接扔进去

`kb-sync` 的规则是：超过 20 个新文件，先做 3 个给你看格式，确认后再铺开。

外部批量抓取最需要这条。**先挑 3 篇不同类型的**（一篇深度长文、一篇短资讯、一篇案例），跑通格式再批量。

### 坑三：把"二手解读"当"一手数据"

公众号说「据某机构测算，市场规模 380 亿」。

这不是 A 级。这是 **C 级的转述** —— 你没见过那份测算，连它叫什么都不知道。

正确做法：顺着文章里的线索去找原始报告。找到了就是 B 或 A，找不到就老老实实标 C，讲课时说"有文章提到"。

> 这条最容易犯，因为转述比原文好读。但客户问「哪家机构测算的」时，你答不上来，整门课的可信度就打折。

---

## 落盘之后的流程

和直接丢文件一模一样，不需要任何特殊处理：

```
kb.py stash → kb.py scan 看到 NEW → kb-sync 整理 → kb.py mark 登记
```

唯一的区别在写 source 页时：**来源块里的信息要抄进页面**。

```md
## 这是什么

微信公众号「某某研究院」2026 年 11 月的文章，作者张三。原文链接见来源块，已做网页存档。

## 核心内容
……
```

这样将来读页面的人，不用翻原材料就知道这是谁说的、什么时候说的、还能不能找到原文。