agentsclimarketplace

Rss ingest

Skill liuning0820/skills/skills/rss-ingest

Public repository for Agent Skills

Install
npx -y skills add liuning0820/skills --skill rss-ingest

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

2 things to look at

  • no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
  • 0 stars0 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

What its author says it does

Copied from the file, not written here

RSS 订阅与文档编译系统 - 从 RSS 源获取文章并自动整理到本地知识库。包含 RSS 订阅器和文档编译助手两个功能。Triggers: 'RSS feed', 'subscribe to blog', 'save RSS articles', 'OPML file', 'fetch latest articles', '文档编译', 'LLM wiki'

SKILL.md

9.0 KB, as published. Nobody here has run it

RSS 订阅与文档编译系统

功能概述

本系统包含两个核心组件：

  1. RSS 订阅器：从 RSS 源获取文章并保存到本地文件夹
  2. 文档编译助手：将原始文档整理成结构化的知识库

组件 1: RSS 订阅器

何时使用此技能

务必使用此技能当：

  • 用户要求从 RSS 订阅源获取最新内容
  • 用户想要保存 RSS 文章到本地文件夹
  • 用户提到 RSS 订阅、博客订阅、内容获取
  • 用户想要按日期和标题整理 RSS 文章
  • 用户提供一个 OPML 文件包含多个订阅源

不要使用此技能当：

  • 用户只需要查看单个 URL 的内容（直接用 WebFetch）
  • 用户想要获取非 RSS 格式的内容

使用方法

基本用法 - 单个 RSS URL

python scripts/rss_subscriber.py "https://example.com/feed.rss"

指定输出目录

python scripts/rss_subscriber.py "https://example.com/feed.rss" --output "./my_folder"

使用 OPML 文件批量订阅

python scripts/rss_subscriber.py --opml "path/to/subscriptions.opml"

支持以下两种文件路径格式：

  • 本地文件路径：./my-feeds.opml 或 C:/Users/.../feeds.opml
  • URL 地址：https://example.com/feeds.opml

使用默认订阅源

如果不提供任何参数，将自动使用技能目录下的默认 feeds.opml 文件，并将文章保存到当前工作目录的 raw/ 文件夹：

python scripts/rss_subscriber.py

注意：输出目录取决于你执行命令时所在的目录。例如：

# 在 doc-writing-as-code 项目目录下执行
cd C:/Users/1/github/doc-writing-as-code
python /c/Users/1/github/skills/skills/rss-ingest/scripts/rss_subscriber.py --opml /c/Users/1/.claude/skills/rss-ingest/feeds.opml
# 文章将保存到：C:/Users/1/github/doc-writing-as-code/raw/

避免在脚本目录生成配置目录

执行命令时，建议先 cd 到目标项目目录，这样可以避免在技能脚本目录下生成 .claude 配置目录和 settings.local.json 文件。

日期过滤选项

默认行为（只获取最近 1 年的文章）：

python scripts/rss_subscriber.py --opml "feeds.opml"

这会过滤掉 1 年前的旧文章，专注于最新内容。

获取所有历史文章：

使用 --get-all 选项获取 RSS 源中的所有文章，包括 1 年前的：

python scripts/rss_subscriber.py --opml "feeds.opml" --get-all

输出格式

文章将保存为以下格式的 Markdown 文件：

raw/2025-01-06_Article-Title.md

每个文件包含：

  • 文章标题
  • 来源（RSS 域名）
  • 发布日期
  • 原文链接
  • 摘要
  • 正文内容

文件命名规则

  • 格式：YYYY-MM-DD_文章标题.md
  • 自动清理文件名中的非法字符
  • 如果文件已存在，跳过保存

支持的格式

RSS 格式

  • RSS 2.0
  • RSS 1.0
  • Atom 1.0

OPML 格式

支持标准的 OPML 1.0/2.0 格式，示例：

<?xml version="1.0" encoding="UTF-8"?>
<opml version="2.0">
  <body>
    <outline text="Tech Blogs" title="Tech Blogs">
      <outline type="rss" text="Martin Fowler" xmlUrl="https://martinfowler.com/feed.atom"/>
      <outline type="rss" text="Dev Blog" xmlUrl="https://devblog.com/feed.rss"/>
    </outline>
  </body>
</opml>

组件 2: 文档编译助手

角色

你是一个文档编译助手，负责将分散在 raw/ 目录中的原始文档和摘录，整理成结构化的知识库。

目录结构

doc-writing-as-code/
├── raw/                    # 原始文档（只读，不要修改）
│   ├── 2026-03-10_The_First_Cohort.md
│   └── ...
├── wiki/                   # 编译后的知识库（可写）
│   ├── summaries/          # 每篇原始文档的总结
│   │   └── 2026-03-10_The First Cohort_summary.md
│   ├── concepts/           # 概念文章（提取自多篇文章）
│   │   ├── 职业教练.md
│   │   └── ...
│   ├── index.md            # 知识库总索引
│   └── log.md              # 操作日志（追加写入）

工作流程

1. 扫描新文件（防重复处理）

当检测到 raw/ 中有新的 .md 文件时，执行以下三层去重检查：

方案 1：检查处理记录（快速）

grep -q "^文件名.md$" wiki/.processed_files
  • 如果已存在记录 → 跳过

方案 2：检查 summary 文件（双重确认）

[ -f "wiki/summaries/文件名_summary.md" ]
  • 如果 summary 已存在 → 跳过（同时补充到处理记录）

方案 3：通过脚本自动化检查

python /c/Users/1/github/skills/skills/rss-ingest/scripts/process_raw_files.py

重要：脚本使用当前工作目录（os.getcwd()）作为项目根目录，因此必须在项目目录下执行：

cd C:/Users/1/github/doc-writing-as-code
python /c/Users/1/github/skills/skills/rss-ingest/scripts/process_raw_files.py
  • 脚本会列出所有需要处理的新文件
  • 自动跳过已处理的文件

2. 生成总结文件

为每个新文件创建 wiki/summaries/ 下的总结：

文件名格式：YYYY-MM-DD_标题_summary.md

内容结构：

# [原标题]

**来源**: [来源名称]
**发布日期**: [日期]
**链接**: [URL]

---

## 核心观点

[2-4 个要点，每个要点用粗体概括，后跟 1-2 句解释]

---

## 关键概念

[提取 3-6 个关键概念，与概念文章链接关联]

---

## 引用金句

- "[引用 1]"
- "[引用 2]"

---

*汇总于 YYYY-MM-DD*

3. 提取并创建概念文章

从文章中提取可复用的概念，创建或更新 wiki/concepts/ 下的概念文章：

命名规则：

  • 名词化，使用中文（如 职业教练.md）
  • 避免动词短语（如 如何做 X → X 的方法.md）

内容结构：

# [概念名称]

## 定义

[简洁的定义，1-2 段]

## 核心要素

- 要素 1
- 要素 2
- 要素 3

## 应用场景

[在什么情况下使用这个概念]

## 相关概念

- [[关联概念 1]]
- [[关联概念 2]]

## 参考资料

- [[2026-03-10_The First Cohort#DRI Your Career 课程]]
- [[其他相关文档]]

*概念由 [[2026-03-10_The First Cohort_summary]] 首次提出*

4. 维护索引文件

wiki/index.md（总索引）：

# 文档知识库

## 最新汇总

[[2026-03-10_The First Cohort_summary]] (2026-04-04)

## 概念库

- [[职业教练]]
- [[职业清晰度]]
- [[异步学习]]

注意事项

  1. 不修改原始文件：raw/ 目录只做读取，所有整理工作写入 wiki/
  2. 保持链接一致：使用 Obsidian 原生链接语法 [[文件路径]]
  3. 概念去重：同名概念只创建一次，后续文章引用
  4. 链接验证：确保所有 [[xxx]] 链接的文件实际存在
  5. 日期格式：统一使用 YYYY-MM-DD
  6. 防重复处理：
    • 每次处理前先在项目目录下运行 python /c/Users/1/github/skills/skills/rss-ingest/scripts/process_raw_files.py 检查
    • 处理完成后，文件名会自动记录到 wiki/.processed_files
    • 说明：.processed_files 中的记录会阻止脚本重复生成 summary
      • 如果只删除了 summary 文件（记录还在），脚本会跳过不会重新生成
      • 如果需要重新生成某个 summary，应同时从 .processed_files 中删除对应记录

依赖

  • Python 3.6+
  • 无外部依赖（使用标准库）

默认的 feeds.opml 文件

技能目录下包含一个默认的 feeds.opml 文件，不传任何参数时会自动使用。你可以在该文件中添加你的默认订阅源。

集成脚本

技能包含以下辅助脚本，用于文档编译工作流：

process_raw_files.py - 检查新文件

检查 raw/ 目录中的新文件并防止重复处理：

注意：此脚本使用当前工作目录作为项目根目录，因此必须在项目目录下执行：

cd C:/Users/1/github/doc-writing-as-code
python /c/Users/1/github/skills/skills/rss-ingest/scripts/process_raw_files.py

功能：

  • 扫描 raw/*.md 文件
  • 通过三层去重检查避免重复处理
  • 列出需要处理的新文件
  • 自动跟踪已处理的文件到 .processed_files

update_index.py - 更新索引

更新 wiki/index.md 文件，添加新的 summary 链接：

注意：此脚本使用当前工作目录作为项目根目录，因此必须在项目目录下执行：

cd C:/Users/1/github/doc-writing-as-code
python /c/Users/1/github/skills/skills/rss-ingest/scripts/update_index.py

功能：

  • 扫描 wiki/summaries/ 目录
  • 提取最新的 10 个 summary 文件
  • 自动更新索引中的"最新汇总"部分

Keep looking

Skills are one crate of 328,083. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.