该技能用于把不同内容类型系统化地摄取到 RAG（检索增强生成）与向量数据库中，核心目标是让分块方式匹配未来要提的问题，并用丰富的元数据支持过滤检索。
适用内容类型包括：网站与网页内容、PDF 文档、代码仓库、对话导出、研究笔记、API 文档。
核心原则：为检索而分块（chunk for retrieval）；元数据很重要，可支持过滤搜索；拆分时保留上下文；去重，避免同一内容重复摄取。
PDF 文档模式：适用于研究论文、报告、电子书、扫描文档。分块采用页面感知加重叠，并单独处理表格与图。示例代码使用 PyMuPDF（import fitz）提取分页文本并合并段落成块，用 pdfplumber 抽取表格并转成 Markdown。元数据字段含 type（pdf 或 pdf_table）、source、page、total_pages、table_number。
网页内容模式：适用于文档站、文章、博客。先用 httpx 获取页面，再用 BeautifulSoup 清理 HTML，移除 nav、footer、aside、script、style 等噪声，优先从 main 或 article 提取正文，按 section/div 分块，过短内容跳过；若无结构化区块则按约 450 至 500 词切分。爬虫按同域名、最多 max_pages 限制抓取。元数据字段含 type、source、domain、title、crawl_depth。
研究笔记模式：按段落拆分，支持通过标题行或短行加冒号识别主题，记录 topic、ingested_at、word_count，并可用附件函数补齐 source_url、source_title、researcher 等来源归属信息。
限制：本页仅展示上述模式与示例，具体安装命令、运行环境要求、官方收费、性能效果以及其他内容类型的细节未提供，需以实际项目环境为准。