鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长：程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
8
4
6

网页内容超级捕手——个人开发、使用脚本分享

Mrchen
Mrchen
2026-04-11 18:03
阅读 2566
Mrchen
2026-04-11 18:03
阅读 2566

网页内容超级捕手

代码仓库：Github 脚本下载：网页内容超级捕手 视频功能演示：Bilibili

欢迎使用网页内容超级捕手！这是一款专为阅读、学习和办公整理打造的浏览器辅助神器。

当你在网上看到一篇很长、排版很乱、甚至旁边全是广告和弹窗的文章（如知乎、CSDN、掘金、微信公众号等），只需要轻轻一点，它就能帮你把最核心的文章“抠”出来，变成干干净净的纯净版！ 不仅如此，你还能让 AI 帮你一键总结文章重点，并一键导出为排版完美的 Word 文档。

提取效果展示： Bilibili

✨ 核心功能亮点

  1. 🎯 一键提取纯净正文：瞬间过滤网页上的广告、侧边栏、评论区，只留下最干净的标题和正文。自带底层净化技术，连 CSDN 等带有“防复制”限制的网站也能轻松破解提取！
  2. 🤖 AI流式总结：长篇大论看不完？一键呼叫 AI，它会像“打字机”一样实时给你写出精简摘要，并完美渲染多级标题、加粗和列表。
  3. 💾 专属 Word 排版引擎：不再是乱糟糟的格式！一键另存为 Word 文档，支持在设置中自定义中英文字体（如楷体、Times New Roman）和各级标题字号（如小二、三号、小四），生成的文档直接满足标准排版要求。
  4. 🪟 高自由度窗口：悬浮窗可以任意拖拽位置，不遮挡你原本浏览的内容。内置“🌌科技黑”、“☁️极简白”和“📜护眼黄”三套高颜值主题。
  5. 🔒 隐私绝对安全：AI 的 API Key 密码仅在您的电脑浏览器本地存储，绝不上传任何服务器。

📖 第一章：保姆级安装教程（零基础必看）

由于这是一个浏览器“脚本”，我们需要先给浏览器安装一个“脚本管理器”，就像手机要先装一个应用商店，才能下载 APP 一样。

🛠️ 第一步：安装“油猴”插件 (Tampermonkey)

如果您以前安装过油猴，请直接跳到第二步。

  1. 对于 Edge 浏览器用户：
    • 点击链接进入微软官方商店：👉 Tampermonkey for Edge
    • 点击右上角的 “获取” 按钮，然后在弹窗中点击 “添加扩展”。
  2. 对于 Chrome 谷歌浏览器用户：
    • 点击链接进入谷歌应用商店：👉 Tampermonkey for Chrome
    • 点击右上角 “添加至 Chrome”。

安装成功后，你的浏览器右上角（地址栏旁边）会出现一个黑色带有两个小眼睛的图标，如下图所示，这就是油猴！

image-20260410181220997

⚠️注意： 如果是第一次安装油猴脚本，需要检查开启下面的配置，否则脚本可能无法正常启动：

（1）首先点击浏览器右上方三个点，点击扩展程序

image-20260410181517792

（2）在扩展程序中开启“开发者模式”，并且找到刚刚安装的篡改猴脚本，点击“详情”

image-20260410181548632

（3）向下滑动，找到“允许运行用户脚本”，开启该配置

image-20260410181732034

📥 第二步：安装本脚本（提供两种方式，任选其一即可）

🟢 方式一：通过 Greasy Fork 一键安装（🌟 强烈推荐，最简单）

这是最简单的方法，支持未来一键点击更新。

  1. 点击进入 本脚本的 Greasy Fork 主页。
  2. 找到并点击绿色的 “安装此脚本” 按钮。
  3. 浏览器会自动弹出一个油猴的安装提示页面，再次点击左上角的 “安装”。
  4. 安装完成！关掉页面，去任何一篇网上文章里刷新体验吧。

🔵 方式二：从 GitHub 复制源码手动安装（适合程序员，可进行二次开发）

如果您是从 GitHub 看到这个项目，或者想自己完全掌控源码，可以使用此方法。

  1. 在 GitHub 上打开 WebExtractor.user.js 文件，复制里面的所有完整代码。
  2. 点击浏览器右上角的黑色油猴图标，在弹出的菜单中选择 “添加新脚本”。
  3. 这时会打开一个代码编辑器，里面原本有几行默认的英文代码，请把它们全部删掉，让页面变得完全空白。
  4. 将刚刚复制的完整代码，粘贴到空白处。
  5. 按下键盘上的 Ctrl + S（苹果电脑是 Cmd + S）保存代码。
  6. 安装完成！关掉这个页面即可。

⚙️ 第二章：首次使用与设置

打开任意一篇网页文章（比如一篇知乎文章），你会发现网页右侧边缘多了一根蓝色的小竖条。点击它，主面板就会滑出来。

image-20260410182046570

主面板：

image-20260410182109919

1. 配置 AI 大模型（重要！）

如果你想使用“AI 总结”功能，必须先在设置里填入你的 AI 接口信息。

image-20260410182548867

💡 什么是 API Key？ 相当于各大 AI 公司（如 OpenAI、DeepSeek、Qwen、智谱等）发给你的 VIP 门票。你需要去这些官网注册一个账号，生成一串长长的字符，这就是 API Key。

  1. 点击面板左下角的 “⚙️”（齿轮图标） 打开设置面板。
  2. 填写请求地址 (URL)：填入你使用的 AI 提供的地址。(注意：绝大多数地址必须带上完整路径，例如 DeepSeek 的是 https://api.deepseek.com/chat/completions)。
  3. 填写 API Key：将你获取到的长串密码粘贴进去（可以点击旁边的“👁️小眼睛”查看是否填错）。
  4. 填写模型名称：例如填入 deepseek-chat。

下面简单用 DeepSeek 和 Qwen 演示下如何获取自己的API请求地址、API Key，以及AI模型名称，其他大模型类似（注意要选用支持流式输出的大模型）。

（1）DeepSeek

  1. 进入DeepSeek开放平台

    image-20260410183123386

  2. 创建自己的API Key，请注意 API Key 请不要泄露给任何人，并且只会在创建时候才显示，请注意复制保存；

  3. 点击接口文档，下滑找到 API 请求地址和模型名称

    image-20260410183052727

（2）Qwen：

  1. 进入阿里云百炼大模型控制台

  2. 创建自己的API Key

    image-20260410183551118

  3. 获取API 请求地址和模型名称：

    image-20260410183827850

  4. 新用户的话很多模型都会免费送100W token，大家可以自行点进各个模型进行查看，看自己是否有免费额度，如果有就可以使用这个模型（注意一定要是文本模型，不能是图像或视频等非文本模型），下面我们以Qwen3-Max为例进行演示：

    image-20260410190217085

    从这里可以看是不是文本模型，必须输入输出都支持文本格式：

    image-20260410190248878

    往下滑，可以看到是否有免费额度：

    image-20260410190319695

    继续往下滑，找到模型名称"qwen3-max"，点击查看 API 示例查看 API 请求的地址：

    image-20260410190400963

    阿里系所有模型的请求地址都可以填写下面的这个：

    image-20260410190502018

    一个小问题需要注意，如果你选择了不支持流式输出的模型，比如“Qwen3.5-Flash”，会出现"AI总结"页面十几秒无输出的情况，这不是Bug，而是该模型不支持流式输出，需要等 AI 把所有内容全部生成完成后才会渲染到页面上，所以需要等待较长时间。

    image-20260410190616914 17.png

2. 配置 Word 导出排版（办公党/强迫症必备）

在设置面板往下划，你会看到**「📄 Word 导出格式设置」**。 在这里，你可以将导出的 Word 格式定制成你需要的样子，告别全篇都是等线字体的尴尬：

  • 中文字体：默认楷体，可选楷宋体、黑体、楷体、仿宋、微软雅黑等。
  • 英文字体：默认 Times New Roman。
  • 各级字号：采用最常用的中文标准字号，你可以设定“正文=小四”、“一级标题=小二”、“二级标题=三号”等。

18.png

选好之后，点击底部的 “保存并应用设置”。

🕹️ 第三章：具体功能怎么玩？

面板上方有两个主要的标签页：【📄 一键提取】和 【✨ AI 总结】。

玩法一：提取纯净文章

  1. 在【📄 一键提取】标签下，如果你看到喜欢的文章，面板会自动提取好。如果需要重新提取，点击顶部的 “🔄 重新执行”。
  2. 稍等半秒，干干净净的文章连同图片就会出现在画板里。
  3. 手动编辑：鼠标直接点击提取出来的文字，你会发现可以像在 Word 里一样，随意删除多余的段落、甚至打字加上自己的笔记！

玩法二：让 AI 帮你做总结

  1. 确保你已经在上一步提取了正文（AI 必须要先有正文才能读懂哦）。
  2. 点击顶部的 “✨ AI 总结” 标签页，AI 会立刻开始工作！
  3. 文字会像打字机一样实时输出（前提是你配置的是流式输出的模型），并自动排版好标题。如果你觉得 AI 总结得足够了，可以随时点击标题旁边的 “⏹️ 停止生成”。

玩法三：一键复制或导出为 Word

在面板的最底部，有两个强力的导出按钮：

  • 📝 一键复制：点击后会自动复制到你的剪切板中，它会自动保持原文的完美格式，直接到你需要的目标软件中“Ctrl + V“粘贴即可。
  • 💾 另存为 Word：点击后，脚本会自动按照你在设置中配置的字体和字号，在后台生成一份标准的 .doc 文档。浏览器会弹窗询问你保存在电脑的哪里，下载后用 Office 或 WPS 打开即可直接打印或编辑！

⚠️注意： 第一次使用脚本时，会出现如下弹窗，请选择“总是允许全部域名”，选择时会有安全提示，本脚本代码开源，大家可放心，无任何获取用户隐私数据行为：

22.png

❓ 第四章：常见问题排查 (FAQ)

Q1：为什么我点击 AI 总结后，提示 ❌ 生成失败: Failed to fetch？ 答：请点开“⚙️设置”，仔细检查你的【接口地址(URL)】。99% 的错误是因为你只填了base_url，没有填全后面的路径。例如你配置的是Qwen，但是地址只写了：https://dashscope.aliyuncs.com/compatible-mode/v1，而不是完整的请求地址：https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions。

Q2：提示 ❌ 生成失败: Incorrect API key provided. For details, see: https://help.aliyun.com/zh/model-studio/error-code#apikey-error ？ 答：说明你的 API Key 填错了，或者该账号余额不足。请点开设置里的“👁️小眼睛”仔细核对，注意开头结尾不要多复制了空格。

Q3：为什么导出的 Word 文件名是 .doc 而不是 .docx？ 答：因为本脚本是在浏览器纯净环境下运行的，为了保证最大的排版兼容性（让 Word 能完美识别你设置的“小二”、“楷体”等指令），.doc 格式是最高效的选择，完全不影响您的正常编辑和使用。

尽情享受纯净阅读、高效排版与 AI 带来的生产力飞跃吧！

工具
AI
开源
脚本语言
8
6
分享
操作

相关专栏

个人原创项目合集

个人原创项目合集

该专栏下包含了所有本人自己做的原创项目，均已开源，欢迎大家阅读、去我的Github查看完整代码，文中均附有开源地址，也可在我主页 - 个人简介中的Github链接进入。

评论
相关内容
0个评论
全部评论
点击登录，快来和大家讨论吧～
表情
图片

目录

🔥 热门文章
1
离谱，DeepSeek 崩了 5 小时，大家却喊：梁圣恩情还不完？？
430
2
DeepSeek 全新模型发布，性价比最高的一集！
380
3
B 站上 DeepSeek 闹鱼灾了，我发起《大肥鱼清除计划》！
370
4
自己学习ai，直接买cursor 的套餐，还是买gpt 或者claude 的套餐?
360
5
又一个国产版 Codex 神器，也来卷办公了！
330
6
day3-如何写出一个高质量的 Skill（组内分享） 高质量 Skill 不是“一个调得很顺的巨型 Prompt”，而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”，再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子，但方法是通用的。 --- 一、先想清楚：Skill 到底是什么 一个 Skill 至少包含四部分： 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做，每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办，而不是硬编一个看似合理的结果 高质量 Skill 的共同点：职责单一、接口清晰、规则可定位、输出可验证。 反例：把几十条经验全塞进一个主 Prompt，改一条规则要重调整个 Prompt，评估时也不知道是哪条规则退化。 --- 二、核心方法：先建评估，再写 Skill 不要先写转换器再补测试。正确顺序是： 1. 定义输出契约：什么算合法、什么算合格； 2. 建金标准集：一小批人工认可“可放行”的样本； 3. 先写评估 Skill：让它在金标准集上跑出基线； 4. 再迭代生成 Skill：每次修改跑同一套评估，无退化且目标维度提升才算正向。 这就是评估驱动开发：评估是 Skill 的单元测试，金标准集是回归锚点。 --- 三、评估 Skill：三层门禁，逐层递进 前一层不过，后一层不跑。每层留可追溯证据。 第 1 层：确定性硬门禁 用解析器、Schema、校验器完成，不消耗模型成本。 · 输出可解析； · 必填字段齐全，类型/枚举合法； · 引用目标存在，无悬空引用、无不可达节点； · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层：语义断言 用脚本 + 结构遍历检查“逻辑对不对”，仍然保持确定性。 通用检查项： · 覆盖率：源材料里的关键步骤、分支、条件，输出里是否都有对应？ · 完整性：每个判断节点是否都有明确出口？有没有死胡同？ · 可达性：每条路径是否都能到达预期终点？有没有无出口循环？ · 顺序与依赖：有先后依赖的操作，是否保留了顺序？有没有被拍平成无序列表？ 例子：故障诊断转换中，检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层：LLM-as-Judge 只处理解析器表达不了的维度：忠实度、完整性、可执行性。 但 Judge 会漂移，不能单独放行，必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化，换模型必须用金标准集重新校准。 通用 Judge 维度： 维度 问什么 忠实度 输出是否忠实源材料意图？有没有自行发明内容？ 完整性 关键步骤、条件、证据是否保留？隐式知识有没有被压成空话？ 收敛性 输出是否仍指向原目标，而不是发散？ 可执行性 下游不依赖源材料能否直接使用？ --- 四、金标准集：回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子，扩到 15～30 份，覆盖失败模式而非随机抽样： · 完整正例：典型流程； · 边界/异常分支：异常路径、循环、前置失败回退； · 已知易错模式：实际踩过的坑； · 留出集：不参与调优，只用于最终验收，防过拟合。 金标准不需要完美，只需要当前标准下认可可放行。 回归指标：关键路径用 pass^k（k 次全过），稳定性用 pass@k。 --- 五、工程约束：让批量产出可重放 · 幂等：同输入 + 同 Skill 版本 + 同规则 → 输出一致，否则无法判断变好是 Skill 改了还是随机波动； · 隔离不阻断：单份失败进隔离队列，记录失败层和原因，不阻塞其余； · 版本绑定：规则、rubric、金标准集进 Git；每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”； · 抽样人工复核：Judge 临界样本 + 易错模式，人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅，写清：输入约定、输出契约、分步流程、硬规则、降级策略； · 经验规则放 references/ 或 rules/，按失败模式分类，不要全塞进主 Prompt； · 不确定时标 needs_review: true，不要硬编看似合理的结果； · 迭代由评估报告驱动：报告告诉你哪层挂了、哪类失败模式，你改对应规则文件，而不是漫无目的调 Prompt。 --- 七、落地顺序（不要反过来） 1. 固化输出契约：Schema + 结构约束； 2. 建金标准集：从已认可的 + 最易出错的样本开始； 3. 先写评估 Skill：跑出基线报告； 4. 再迭代生成 Skill：每次修改对比逐项通过率，无退化且目标提升才算正向； 5. 批量运行 + 隔离回放：失败进队列，结束后人工抽检； 6. 评估 Skill 自身版本化：换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”：每次修改必须附评估报告对比，逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数：前两层挂了，Judge 分数没有意义。 3. 不许把规则堆进主 Prompt：规则按失败模式分文件，评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”，评估 Skill 决定“敢不敢用”。 先让评估体系站稳，再让生成器迭代。这样交付的不是一堆“看起来还行”的产出，而是一套可证明、可回归、可交接的 Skill 质量体系。
310
7
AI 越强，被它拒绝的代价就越大 我有时候会想：AI 越来越厉害之后，有些事情，会不会反而越来越难做？ 这个想法看起来有点矛盾。AI 明明在降低门槛，让不会写代码的人做出软件，让不会画画的人生成图片，让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候，AI 拒绝帮我编写 SQL 注入的请求体，而那还是我有源码、在本地跑测试的情况。那么，往后是否只会更难？ 我们假设某一天，AI 说：「这个请求违规，我不能帮助你。」到那个时候，你还有多少能力，能绕过它，把事情做完？ 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求，以及一件事实际有没有造成伤害，彼此之间并不总是画得上等号。一个请求可能确实危险，也可能只是缺少上下文被误判，或者恰好落在某家公司的限制范围里。 无论是哪种情况，随着我们越来越依赖 AI，这句拒绝都可能变得越来越贵。 今天，一个程序员让 AI 帮忙写代码，AI 拒绝了，他大概率还有别的办法：查文档、找开源项目、问同行，或者自己写。麻烦一点，慢一点，但路还在。 可如果十年之后，大部分程序都由 AI 完成，情况就不一样了。 很多人从接触编程的第一天起，就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品，却未必经历过独立处理底层问题的训练。平时，这种能力结构完全够用，效率甚至更高。只有 AI 拒绝的时候，他们才会发现：平常被省掉的那段学习过程，恰好是此刻最需要的东西。 到那时，一次拒绝的成本，可能就从「今晚多花两个小时」，变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子：往后，连真正理解这类攻击如何发生、能够独立构造测试的人，会不会也越来越少？ 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统，一个经过授权的安全研究员想复现漏洞，假如 AI 识别到危险模式就拒绝，而使用者又只熟悉「让 AI 帮我检查」，这项原本可以独立完成的工作，就这样卡住了。 但是安全专家不会因此消失，但这类技能可能越来越集中在少数人手里。你仍然可以找专家，只是要付出更多的钱、更多的时间，以及更高的沟通成本。 类似的困境，未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据，需要解析它的旧文件格式。AI 判断这涉及规避保护措施，拒绝继续。你拥有这些数据，却没有能力把它们读出来。 你买了一台设备，厂商停止提供服务。你想修改程序让它继续运转，过程中需要处理某种访问限制。AI 不愿协助，而你所掌握的维修方式，早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具，减少重复操作。平台将此归入自动化限制，AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理；未来的使用者，可能连从哪里开始都不知道。 这些例子有一个共同点：当工具同时承担了「执行工作」和「传授知识」的角色，它的拒绝就不只是挡住了一次任务，也挡住了获得这种能力的机会。 更麻烦的是，这种依赖往往是我们主动选择的，而且每一步都很合理。 既然 AI 几秒钟就能做好，为什么还要花几个月学习？既然公司可以采购成熟的 AI 服务，为什么还要养一支负责基础工作的团队？既然市场上已经很少有人手写这些东西，学校为什么还要花大量时间教？ 对个人、公司和学校来说，这些选择都有现实依据。但叠加起来，整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制，我们才发现，备用方案早已在追求效率的过程中被一点点削掉了。 所以，「AI 越强，做事越便宜」可能只描述了未来的一半。 另一半是：被允许的事情越来越便宜，被拒绝的事情依然需要人工完成，却要面对更少的人才、更高的报价，以及越来越难获得的知识。两边的成本差距，会越拉越大。 有人会说，可以换一个模型，或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争，开放模型还足够可用，限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态，以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务，那么「理论上还有别的办法」和「普通人实际用得起、用得明白」，之间仍然可能隔着很远。 我担心的，正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制，有充分的理由。但我们也需要关心：限制由谁定义，误判有没有申诉渠道，用户能不能换工具，以及脱离这个工具之后，还剩下多少独立行动的能力。 保留这些能力，平时看起来甚至有点低效，明明可以自动生成，还要理解原理；明明可以一键完成，还要知道手动怎么做。 但这些看似多余的知识，会在工具拒绝、失效、涨价或改变规则的那一刻，成为真正的选择权。 AI 越强，我们可能越需要留意它说「不」的那一刻。 因为那句话的分量，最终取决于：它拒绝之后，我们还能做什么。
310
8
什么是LLM
300
9
WorkBuddy 本地 API 桥 + dsh 插件：把你的 WorkBuddy 额度，变成手边随手可用的模型
290
10
Vibe Coding 实战：从零构建现代专业级 AI 搜索引擎
270
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题