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。

<!-- 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：

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：

存全文，不存摘要。 摘要等于替未来的自己做了删减决定。
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」。
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。

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。

## 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。

外部来源.md 6.1 KB Kalıcı Bağlantı Geçmiş Ham