talegorithm/glynk/glk-source

目标：把一个外部 URL 变成 Glynk 里一条高质量的 publication unit。"高质量"的前提是——内容来自第一手源，不是社媒平台的转述或片段。

前置：GLYNK_TOKEN 环境变量；GLYNK_API_URL 和 glk-add 共用，默认公共入口是 https://brainow.link。如果手动设置，也应指向前端域名，由同域 /api 反代到后端，不要使用后端 IP 或本地端口。

工作流程

不重复摄入：调研前先用 Glynk search / get 看看该内容是否已经入库。已存在则返回 existing unit_id。

1. 追到官方源：以输入 URL 为线索，找到内容的原始发布位置

• 不接受社媒/聚合/转述作为第一手源。域名不是判据，正文才是。 很多内容是编译 / 译介 / 摘要 / 报道（关键词 "编译" "编辑" "来源" "整理自" "做客 XX 播客" "访谈" "论文" 等）。必须读正文判断，识别原始源（YouTube 视频、英文博客、播客、论文、推特线程等），再追过去。
• 如果追不到原始源，宁可失败也不要把二手版本入库。
• 元数据（标题、作者、发布时间、源 URL）必须来自官方页面，不要从转述里抄。

2. 取内容（按优先级）

A. 第一方发布的原文（首选）

作者自己发的文章、博客、Substack post、论文：

• 抓原文 → 整理成干净 markdown（保留图片、合理的标题层级）
• 用 glk-add/upload_md.py 上传
• Frontmatter 填 title / author

B. 媒体文件（视频/播客，没有作者整理好的 transcript 时）

优先级：视频 > 纯音频 > 平台 auto CC。

• 视频优先：只要原内容是视频（YouTube 录播、有屏幕演示/人脸的播客等），一律下载 mp4。视频提供更完整的阅读体验（屏幕演示、可见身体语言），ASR 转写的质量不受容器影响，DashScope 接受 mp4 passthrough，无需 ffmpeg。纯音频下载只在来源本来就是音频（小宇宙、Apple Podcasts 纯播客）时用。
• 用 yt-dlp 下载时显式选合并流：yt-dlp -f "bv*[height<=720][ext=mp4]+ba[ext=m4a]/b[height<=720][ext=mp4]" --merge-output-format mp4 <url>。不要被 --list-formats 列表前面的 audio-only 条目误导。
• 上传：glk-add/upload_media.py <file> --title ... --source-url ... --author ...（后端 Qwen3-ASR 自动句/字级时间戳对齐）。
• YouTube auto CC 不是官方 transcript。它是机器字幕，质量通常劣于直接 ASR；只有当媒体下载受阻（超长、付费、地区封锁等）且作者自己给了 transcript 时，才用作者版本的 transcript 走 A 路径。

C. 都拿不到：不允许降级

返回失败并说明原因（"视频需登录"、"内容被删除"、"追到的源是聚合转述"）。不要兜底塞一个质量不高的版本进去。

3. 审阅结果，做必要的处理，或者在内容不对的情况下尝试其他获取策略

与其他 skill 的关系

• `glk-add`：本 skill 的下游。所有真正的"入库"动作都通过 glk-add 的 URL/文件/媒体上传通路完成。本 skill 只负责"找对源 + 整理到 glk-add 能吃的形态"。
• `glk-search`：查询已有内容。摄入前可先查，摄入后可回访。

平台 tips（遇到一个记一条）

• 微信公众号文章（mp.weixin.qq.com）：
• 抓原文要带浏览器 UA，否则拿到拦截页，且同一 IP 抓太频繁会掉到 captcha 页。示例：

``bash curl -sL -A "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/17.0 Safari/605.1.15" <url> ``