用途：面向数据工程场景，负责抓取、清洗并理解网页内容。核心思路是多策略级联：始终先用最轻量方法，仅在内容不足时才升级手段，并且仅对清洗后的纯文本使用 LLM 做实体抽取与内容理解。
主要能力（5 阶段流水线）：1）新闻/文章检测：通过 URL 模式、Schema.org 类型（NewsArticle、Article、BlogPosting 等）、og:type 与内容启发式打分，分数 >=0.4 才继续。2）多策略内容提取：默认 requests + BeautifulSoup（30 秒超时）；需要 JS 渲染时用 Playwright 无头 Chromium，可屏蔽图片、字体与追踪器；同域批量抓取可用 Scrapy（并发 5、下载延迟 0.5、遵守 robots.txt）。3）清洗规范化：用 trafilatura 去导航、页脚、广告等样板内容，进行 NFKC 编码规范化、空白折叠，长文按约 4000 字符带重叠分块。4）结构化元数据：抽取作者、发布日期、栏目、标签关键词，并检测付费墙类型。5）实体抽取（可选）：对干净文本用 LLM 提取人物、组织、地点、日期事件及其关系。输出为带回质量元数据的 JSON。
使用方式：先执行强制规划协议，确认抓取目标、提取内容、单页或批量、输出格式；检查已安装的 Python 包、Playwright 浏览器、磁盘空间以及 OPENROUTER_API_KEY 是否设置（仅第 5 阶段需要）；分析目标 URL 是否需 JS 渲染、有无付费墙与 Schema 标记；按决策树选策略并顺序执行各阶段，最后汇总处理页数、成功失败数与数据质量。
限制：技能本身不直接发起 API 调用，只生成 Python 脚本、YAML 配置和 JSON 输出，且绝不读取或修改 .env 等凭据文件。第 5 阶段依赖环境变量 OPENROUTER_API_KEY，且仅用于生成的脚本。其他阶段无需凭据。反爬、限流、付费墙与编码问题需自行评估并制定缓解措施。资料未提供具体价格、收费方式与可支持平台范围。