deep-read-summarize

deep-read-summarize

Disclaimer: This is an unofficial third-party tool. It is not affiliated with, endorsed by, or sponsored by DeepSeek or the DeepSeek Harness project. "DeepSeek" and "DeepSeek Harness" are trademarks of their respective owners. This project only orchestrates the workflow tool available in your DSH environment; it does not redistribute any DeepSeek software.

⚠️ 最重要：本工具是「辅助精读」工具，不能代替自主学习。 它帮你快速提取、归纳、结构化阅读内容，但真正的理解、思考与批判仍需你自己完成；请始终以原文为准，不要把它当作学习成果本身。

给 DSH（DeepSeek Harness）写的一个精读工作流：输入一本书、一篇论文、一个视频链接或网页，输出一份结构化的标准 Markdown 笔记（YAML frontmatter，可直接放进 Obsidian / Logseq / 静态站点内容目录 / 任意 Markdown 编辑器）。

内容会被拆成若干块，由多个子代理并行精读，再合并成一篇带 YAML frontmatter 的 Markdown。关键结论附原文出处，成稿前有一道质量校验。

使用中遇到问题、或觉得哪里能更好，欢迎随时在 GitHub issue 反馈。

注意：DSH 目前是 developer preview，接口可能变化。本仓库针对特定版本的 workflow 工具语义编写，见下文兼容性。

平台：Windows / macOS / Linux 同等支持（0.3.9 起），详见下文支持平台。

实际效果

（图用 GitHub 绝对地址，npm 页面同样能显示；图片本身不打进 npm 包，只随仓库分发）

精读论文	视频笔记（元信息）

视频笔记（行动要点）	会话内摘要

能做什么

• 书籍（PDF/EPUB/MOBI）、论文（arXiv/PDF/HTML）、视频（字幕优先，无字幕自动转写，出品完整逐字稿精读）、网页
• 长内容分块后由并行子代理精读，再合并
• 获取/分块与质量校验的输出受 JSON Schema 约束，结构稳定、下游可解析
• 分块计划与子代理数量受 maxChunks 强制约束（计划失控会顶穿单次调用时限）
• 关键引用必须标注页码/章节/段落，降低编造风险
• 配置错误直接报错终止；某块内容解析失败则跳过并标记缺口
• 输出标准 Markdown + YAML frontmatter：正文是通用 CommonMark（无双链、无 callout），Obsidian（配合 Dataview）、Logseq、Jekyll / Hugo / Astro 的内容目录、任意 Markdown 编辑器都能直接用

结构

输入（链接或文件路径）
  │
  ▼
解析器注册表 ── book / paper / video / web
  │
  ▼
波次1  获取内容 → 写入临时文件 → 生成分块计划
  │
  ▼
波次2  N 个子代理并行精读各块（Map）
  │
  ▼
波次3  合并成稿 + 质量校验（Reduce）
  │
  ▼
Markdown 笔记

三个波次，子代理总数约 N+2 个，N 是分块数。

parsers/         各输入类型的解析器，按类型分发
  book.js        书籍：PDF/EPUB/MOBI 文本提取、章节分块
  paper.js       论文：arXiv/PDF/HTML 结构识别
  video.js       视频：完整逐字稿（字幕优先，无字幕自动转写，走 scripts/transcribe.js）
  web.js         网页：正文提取
  index.js       注册表：解析器发现与回退
schemas/         输出约束的 JSON Schema（波次1 由 workflow.js 注入脚本，单一真相）
scripts/         lint、安全检查、跨平台转写引导（transcribe.js）
tests/           fixture 测试与验证脚本
workflow.js      workflow 脚本本体（meta + script）

想换某个输入类型的处理方式，在 custom-parsers/ 放一个同接口的解析器即可，同名类型会覆盖内置实现；用新类型名（如 podcast）也可以——注册表里的解析器会全部内联进 workflow 脚本，type 白名单与 schema 的 kind 枚举都跟着注册表走。接口只有三个字段：name、types、buildPrompt(input, opts)。

支持平台

Windows / macOS / Linux 同等支持（0.3.9 起）。插件本身只依赖 Node（DSH 自带），各环节需要的额外工具按平台装：

• 书籍 / 论文 PDF → pdftotext（poppler）：macOS brew install poppler、Windows winget install poppler、Debian/Ubuntu apt install poppler-utils
• B站字幕 / 音频 → curl：Windows 10+ 与 macOS / Linux 都自带，零安装
• YouTube 字幕 → yt-dlp：macOS brew install yt-dlp、Windows winget install yt-dlp.yt-dlp、任意平台 pip install -U yt-dlp
• 无字幕转写 → uv（脚本自举：建 Python 3.12 环境 + 装 faster-whisper）：macOS brew install uv、Windows winget install astral-sh.uv，macOS / Linux 也可用官方安装脚本（curl -LsSf https://astral.sh/uv/install.sh 交给 sh）

其余说明：

• 转写是唯一需要额外工具链的环节，三平台共用同一份 Node 脚本、同一条命令：node scripts/transcribe.js --audio <音频> --out <txt>。
• 转写默认走 CPU，Apple Silicon / Intel Mac 与 Linux 都不需要 CUDA；GPU 需自备 CUDA 运行库，options.device: "auto" 会尝试并在失败时自动回退 CPU。
• 缓存目录按平台取：macOS ~/Library/Caches/deep-read-summarize、Linux $XDG_CACHE_HOME/deep-read-summarize、Windows %LOCALAPPDATA%\deep-read-summarize。
• 已在真实 macOS 上跑通一次完整的无字幕转写（0.3.12 起）：uv 自举 Python 3.12 → 装 faster-whisper → 下载模型 → 输出逐字稿，退出码 0；CI 的 macos-latest 作业另外覆盖平台路径解析与整套测试。遇到报错欢迎开 issue 反馈。

安装（DSH 插件）

deep-read-summarize 是 DSH 插件，可通过 npm 或本地安装：

# npm 安装（已发布到 registry，无第三方依赖）
npm install deep-read-summarize

# 或本地安装（dsh profile 目录）
pnpm add ./deep-read-summarize-0.3.10.tgz
# 然后在 dsh 配置的 dsh.profile.bundles 追加:
#   - deep-read-summarize
# 重启 dsh web 即可（POST /dsh-market/restart）

安装后自动注册：

• deep-read-summarize workflow（meta + script）
• deep-read-summarize 技能（skills/deep-read-summarize/SKILL.md）
• 四种解析器（parsers/）与 JSON Schema（schemas/）

快速开始（约 5 分钟）

1. 安装

# 方式 A：npm 直接安装（无需 clone）
npm install deep-read-summarize

# 方式 B：从源码开发
git clone https://github.com/<your-org>/deep-read-summarize.git
cd deep-read-summarize
npm install        # 无第三方依赖，仅初始化

2. 验证环境（离线，不需要任何 API key）

npm test           # 25 项 fixture 测试，全部离线跑通

看到 TOTAL: 25 passed, 0 failed 即环境就绪。

3. 一行命令喂入 demo 文件

node -e "const wf = require('./workflow.js'); console.log('meta:', wf.meta.name); console.log('parsers:', wf.parsers.list().map(p => p.name).join(', '));"

输出类似：

meta: deep-read-summarize
parsers: book, paper, video, web

4. 真实运行（需要 DSH workflow 工具）

把下面的 JSON 传给 DSH 的 workflow 工具（见下节「用法」）：

{ "input": "https://arxiv.org/abs/2307.09042", "type": "paper", "options": { "maxChunks": 4, "fastMode": true } }

工作流会返回结构化结果：{ ok, kind, title, filePath, qualityPassed, note }，note 即最终 Markdown 笔记。

⚠️ 笔记由主代理落盘：DSH 的 workflow 契约规定脚本只能协调子代理（沙箱内没有文件系统），所以脚本只返回 note 正文与建议路径 filePath，不会自己写文件。插件自带的 SKILL.md 已明确要求模型在拿到结果后用 write 工具写入 filePath——自己拼 workflow 调用时也要记得这一步，否则笔记只存在于返回值里。

用法

把下面这段 JSON 传给 DSH 的 workflow 工具：

{
  "input": "https://arxiv.org/abs/2307.09042",  // 链接或文件路径
  "type": "auto",   // auto | book | paper | video | web
  "options": {
    "minWords": 2500,
    "fastMode": false,        // true 时跳过 5-7 节，速度快一些
    "maxChunks": 4,           // 分块上限，1-12（默认调低，控制子代理数与耗时）
    "transcribe": true,       // 视频：无字幕时自动本地转写（faster-whisper）；false 则跳过转写，见「视频」节
    "whisperModel": "small",  // 视频转写模型档位：small | base | medium
    "language": "zh",         // 视频转写语言：纯英文视频可设 "en"
    "device": "cpu",          // 转写设备：cpu（默认）| auto | cuda；auto/cuda 需自备 CUDA 运行库，失败自动回退 cpu
    "maxRetries": 0,          // 质量校验重试次数（默认 0 = 不重试，重试会明显变慢）
    "requireCitations": true, // 关键结论是否必须标注出处
    "includeTimestamps": false,
    "outputDir": "./output",    // 笔记输出目录（可指向 Obsidian 仓库或静态站点内容目录）
    "tempDir": "./.tmp"        // 临时文件目录
  }
}

示例：

类型	input
论文	https://arxiv.org/abs/2307.09042
书籍	本地路径，如 ~/books/xxx.pdf
视频	https://youtube.com/watch?v=xxx
网页	https://example.com/article

笔记写到 options.outputDir 指定的目录（默认 ./output，可指向你的 Obsidian 仓库或静态站点内容目录），文件名取自内容标题。

视频：完整逐字稿（字幕优先，无字幕自动转写）

视频取文本是统一流水线（已去掉「三档」）：目标 = 拿到完整逐字稿再精读。

⚠️ 为保证精读质量，处理时间可能略长（刻意取舍，不是卡死）：无字幕视频会先做一次转写（CPU 上约为视频时长的 0.5–2×）再精读，所以这类视频整体会明显比有字幕视频慢；换来的是完整逐字稿 + 真正的精读。有字幕视频仍是秒级。请勿把转写的较慢误判为卡死。

• 有平台字幕（B站官方 API 的 AI 字幕 / YouTube CC）→ 直接用字幕（=全文，最快、零依赖）。
• 无公开字幕 → 用插件自带转写 scripts/transcribe.js（faster-whisper small / int8 / VAD / 中文）得到全文。
• 都不行 → 降级：提示手动提供转写文本，或退回 desc 作背景；绝不阻塞。

options.transcribe：默认 true（无字幕自动转写）；设为 false 则跳过转写（只用字幕/desc 或降级）。

转写工具链（本机/用户一致）：脚本自举——用 uv 建 Python 3.12 环境 + 清华镜像装 faster-whisper + HF_ENDPOINT=https://hf-mirror.com 下模型并缓存复用；faster-whisper 内置 PyAV 解码音频，无需单独 ffmpeg；版本已锁定（Python 3.12 / faster-whisper / uv），保证本机与用户环境一致。脚本是 Node 写的，Windows / macOS / Linux 同一份实现、同一条命令（node scripts/transcribe.js --audio <音频> --out <txt>）；转写默认走 CPU（options.device 默认 cpu），GPU 需自备 CUDA 运行库（cuBLAS/cuDNN），可设 options.device: "auto" 尝试，失败会自动回退 CPU。缓存目录按平台取：Windows %LOCALAPPDATA%\deep-read-summarize、macOS ~/Library/Caches/deep-read-summarize、Linux $XDG_CACHE_HOME/deep-read-summarize。 装 Python 时默认走镜像加速，镜像失败会自动改用直连 GitHub 重试（镜像挂掉不该让用户彻底装不上）；可用环境变量 DRS_UV_PYTHON_MIRROR 覆盖（设为空字符串 = 完全不用镜像）。

⚠️ 首次转写会先下载模型（small 约 484MB，走 hf-mirror，非 GitHub），可能需要几分钟，请耐心等待；本机只下这一次，之后所有视频转写用缓存、秒开。只有「无字幕」视频才会触发转写（有字幕的视频直接用字幕，不触发、不下载）。

质量/速度：small + int8 量化 + VAD 静音过滤，中文质量可用且 CPU 友好。有字幕的视频不转写（快）；无字幕视频转写，CPU 上约为视频时长的 0.5–2×。

失败处理：安装/下载失败则明确报错并降级（提示手动提供转写文本），不静默、不长期阻塞。此时可用 options.transcribe: false 跳过转写。

怎么知道本次用了什么来源：来源信息不写进笔记（保证笔记干净），透出在：① 运行日志的 [source] <值> -> <标签> 行；② 返回结果里的 textSource 字段（subtitle / transcription / desc / manual）。

差异与影响因素（时长与内容为何可能不同）

输出时长与内容会因「模型」和「输入」不同而有明显差异，属正常现象，请知悉：

模型

• ASR 模型档位：small（默认，中文可用）→ base（更快、质量略降）→ medium（更好、更慢）。可用 options.whisperModel 调整；下载量与速度随模型变大而增长。
• 语言/口音：中/英/混合语言、方言、口音、重音 → 转写准确度与耗时不同；纯英文视频可设 language: "en"。
• 精读 LLM：用宿主 DSH 的模型，不同上下文/推理模型 → 输出质量、篇幅、速度不同。
• 非确定性：LLM 与 ASR 均带随机性，同一输入重复跑可能得到略有差异的结果（内容/篇幅）。

输入

• 视频：
  • 有无公开字幕是最大差异点——有公开字幕 = 秒级；只有登录态 AI 字幕/无字幕 = 触发转写，明显变慢。
  • 时长：越长转写越久（CPU 约 0.5–2× 视频时长）。
  • 音质/噪杂/低音量/纯 BGM/无人声：转写易错或结果空，此时请手动提供转写文本。
• 论文/书籍/网页：
  • 格式：PDF/EPUB/MOBI/HTML/arXiv；扫描版 OCR、坏 PDF、公式/图表密集 → 提取质量与耗时不同。
  • 术语密度/篇幅 → 分块数与精读深度不同。
• 分块结构：不同类型分块方式不同（章节/主题/段落），影响输出结构与覆盖。

硬件

• GPU vs CPU：GPU 转写可比 CPU 快一个数量级（device='auto' 自动选）。CPU 上无字幕视频约 0.5–2× 时长。

其他

• 首次 vs 复用：首次要下模型（约 484MB），之后缓存复用。
• Token/成本：分块数/篇幅/引证决定 token 消耗；fastMode/maxChunks 可省。
• 引用/编造：转写或 OCR 的错词可能被当作「原文」引用，关键引用请复核。
• 边界：纯 BGM、失真音频 → 转写空/差；无字幕且转写不可用 → 降级提示人工提供转写文本。

失败怎么处理

分两类：

• 配置错误（缺 input、type 非法、options 格式错）：直接抛异常终止，不产出半成品。
• 内容问题（抓取失败、某块精读失败）：返回 { ok: false, stage, fatal: false }，由调用方决定。某一块失败时跳过它、在成稿里标注缺口，不整体中断。

成本

一篇论文、6 块、完整模式，大约 15-25k token。用 fastMode 并调低 maxChunks 能省四成左右。

安全与版权

• 抓取视频/网页会发起外部请求，由子代理在 DSH 的沙箱和审批策略下执行；不要让模型无人值守地跑任意脚本。
• 子代理写文件需要相应权限；如果权限不够，workflow 会把内容返回，由主代理负责落盘。
• 本地转写：视频转写（faster-whisper）在本机运行，音频/字幕不出本地；抓取视频元数据/字幕/音频时才会向对应平台发起网络请求。
• 这个仓库只有流程本身：workflow 定义、解析器代码、提示词模板、schema。不含任何受版权保护内容的提取结果。 测试用的 fixture 是自写的公共领域寓言。用本工作流处理有版权的材料时，产出物的使用责任在你。

开发

npm install
npm run lint       # node --check 全部 JS
npm test           # fixture 测试（25 项，全部离线）
npm run validate   # 发布前验证（含安全检查）

npm publish 会自动先跑 prepublishOnly（测试 + lint + 安全检查），任何一项失败都不会发布。

改动说明见 CHANGELOG.md，贡献规范见 CONTRIBUTING.md。

兼容性

已验证的宿主：DSH 0.2.0-rc.2（Node 24）。本仓库的依赖面只有两处：

依赖面	现行契约	本仓库的用法
workflow 脚本钩子	agent() / pipeline() / parallel() / phase() / log() / args	只用了 agent/parallel/phase/log/args；agent() 选项只用 label/phase/schema（引擎只接受 label/phase/schema/provider/model，其它选项会被判为 fatal）
JSON Schema 子集	type / properties / required / additionalProperties / items / enum / const / oneOf + 注解键	两个 agent() schema 已用宿主真实的 assertObjectJsonSchema 实测通过

两点容易踩的契约细节：

• 脚本沙箱没有文件系统/网络/定时器/require——只能协调子代理；笔记落盘由主代理完成（见上文 ⚠️）。
• 违反上述子集不是降级而是终止：引擎抛 UNSUPPORTED_SCHEMA，整条 workflow 直接失败。仓库的 npm test 里有对应回归（含反向断言，确保校验器不是空放行）。

升级 DSH 后先跑 npm test + npm run test:node；坏了对照 CHANGELOG.md 排查。

License

MIT，见 LICENSE。