引流文识别 + 权威源还原 · Skill
用户丢来一个链接，说"识别里面的图片/整理成资料报告"。这类链接大概率是引流文——正文薄得像一张纸，真正的干货（Excel 清单、指标公式表、风险点汇总）全在配图里，结尾还诱导"加微信/关注领原包"。
本 skill 的目标是：不管图能不能下载，都把图里的内容还原成可检索、可对照的文字版，并标注来源层级，方便用户"沿着找资料"。
何时使用
- 用户发链接 + "识别图片 / 提取图片内容 / 整理成报告 / 沿线索找资料"。
- 链接是百家号、知乎、公众号、CSDN、小红书、抖音文案等图文/引流型内容。
- 图可能下不来（知乎 403、JS 渲染、懒加载 token）。
第一步 · 识别是不是引流文（先判断再动手）
符合以下 2 条以上即判定为引流文，走本 skill 流程：
1. 正文极短（往往 < 300 字），核心信息在 img 标签里。
2. 图是表格/清单/指标公式截图（非装饰图）。
3. 文末有"加微信/关注后领原包/回复关键词获取"等诱导。
4. 常见于百家号、知乎、公众号、CSDN、小红书、抖音文案。
第二步 · 双路径决策树（核心）
先用 scripts/probe_url.py <URL> 探测，按结果选路：
路径 A：图可下载（如百家号）
probe_url.py报告图片可直连 -> 直连抓 HTML，提取img的src/data-src（注意懒加载用data-src）。- 下载全部配图到
outputs/<任务>/imgs/。 - 逐张用 Read 多模态读图，提取图内表格/清单/公式的中文字与数字，逐张记录（图内文字比图注更重要）。
- 把图片内容 + 正文整理成结构化报告。
路径 B：图下不来（如知乎 403 / JS 渲染）
图被封死时绝不死磕图片像素，改走"还原文字版"：
1. WebFetch 抓正文文字（WebFetch 能渲染 JS，但只回文字不回图）。
2. 从正文提取"资料包身份关键词"——引流文正文常泄露图的出处名，如"税务稽查 173 个风险点""税务合规管理实务指南""150 个涉税风险点"。
3. 用精确短语（带引号）搜索该关键词，往往直接命中一手权威源。
4. 抓全文镜像站（特征：不封爬、不 JS 渲染、图片可直连、常带 xls 原附件），比原帖还好抓。
5. 至少 2–3 个独立来源交叉核验内容一致后转录（例：红河州税务局官网 -> 税屋 shui5.cn 镜像 -> 转载站）。
> [关键认知] 找资料的本质不是找原图，是找同内容的可读文本版。图只是诱饵，文字版才是真货。 国内搬运生态（百家号<->知乎<->CSDN<->公众号<->税屋）比翻墙镜像更普遍、更好用。
第三步 · 输出格式（与现有项目对照，便于"沿线索找"）
生成到 outputs/<任务>/：
- 报告.html（浅色底深色字）：识别结论（是否引流文、图为何拿不到）+ 权威源说明 + 全量清单/表格 + 与原项目的对照升级点 + 行动清单。
- 复制版.txt：纯文本清单（每行一条，无格式符号），方便 Ctrl+A 全选直接去搜。
- 结构化文件（CSV/JSON）：若清单可表格化，导出便于后续回填。
- imgs/：若走路径 A，留存原始精图。
纪律（硬性）
- 不依赖图片像素：路径 B 优先找文字版，禁止在 403 上反复重试下载。
- 标注来源层级：每条内容标注「官方发布 / 行业镜像 / 转载站」，被质疑时可溯源。
- 交叉核验：权威源至少 2 源确认，不凭单站转录。
- 中文清晰：报告/图注中文准确无乱码；HTML 浅色底深色字。
- 交付清单用代码块或纯文本：不包 Markdown 表格（用户硬纪律：复制会带
|）。 - 不编造：搜不到一手源就在报告里写"未找到权威源，以下为单站转载内容，待核验"。
资源索引
scripts/probe_url.py— URL 探测脚本（403/JS/图片可下性，推荐路径）docs/methodology.md— 双路径完整 SOP + 交叉核验 + 实战复盘docs/source_hunting.md— 镜像站清单 + 搜索策略 + 来源层级判定docs/lessons_learned.md— 踩坑与成功复盘（溯源诚实标注 + SkillHub 发布合规）
