数据抓取智能体

为任何公共数据源构建一个生产就绪的、由人工智能驱动的数据收集智能体。
按计划运行，使用免费的 LLM 丰富结果，存储到数据库，并随着时间的推移不断改进。

技术栈：Python · Gemini Flash (免费) · GitHub Actions (免费) · Notion / Sheets / Supabase

何时激活

• 用户想要抓取或监控任何公共网站或 API
• 用户说“构建一个检查…的机器人”、“为我监控 X”、“从…收集数据”
• 用户想要跟踪工作、价格、新闻、代码仓库、体育比分、活动、列表
• 用户询问如何在不支付托管费用的情况下自动化数据收集
• 用户想要一个能根据他们的决策随着时间的推移变得更智能的智能体

核心概念

三层架构

每个数据抓取智能体都有三层：

收集 → 丰富 → 存储
  │       │        │
抓取器   AI (LLM)  数据库
按计划   打分/      Notion /
运行     总结/      表格 /
         分类      Supabase

免费技术栈

AI 模型降级链

构建智能体，在配额用尽时自动降级到不同的 Gemini 模型：

gemini-2.0-flash-lite (30 RPM) →
gemini-2.0-flash (15 RPM) →
gemini-2.5-flash (10 RPM) →
gemini-flash-lite-latest (后备)

批量 API 调用以提高效率

永远不要为每个项目单独调用一次 LLM。始终进行批处理：

# 错误：33 个项目调用 33 次 API
for item in items:
    result = call_ai(item)  # 33 次调用 → 达到速率限制

# 正确：33 个项目调用 7 次 API (批处理大小 5)
for batch in chunks(items, size=5):
    results = call_ai(batch)  # 7 次调用 → 保持在免费套餐限制内

工作流程

步骤 1：理解目标

询问用户：

1. 要收集什么： “数据源是什么？URL / API / RSS / 公共端点？”
2. 要提取什么： “哪些字段重要？标题、价格、URL、日期、分数？”
3. 如何存储： “结果应该放在哪里？Notion、Google Sheets、Supabase 还是本地文件？”
4. 如何丰富： “你希望 AI 对每个项目进行打分、总结、分类还是匹配？”
5. 频率： “应该多久运行一次？每小时、每天、每周？”

常见的提示示例：

• 招聘网站 → 根据简历打分相关性
• 产品价格 → 降价提醒
• GitHub 仓库 → 总结新版本
• 新闻源 → 按主题 + 情感分类
• 体育比分 → 提取统计数据到跟踪器
• 活动日历 → 按兴趣筛选

步骤 2：设计智能体架构

为用户生成以下目录结构：

my-agent/
├── config.yaml              # 用户自定义此文件 (关键词、过滤器、偏好)
├── profile/
│   └── context.md           # AI 使用的用户上下文 (简历、兴趣、标准)
├── scraper/
│   ├── __init__.py
│   ├── main.py              # 编排器: 抓取 → 丰富 → 存储
│   ├── filters.py           # 基于规则的预过滤 (快速, 在 AI 之前)
│   └── sources/
│       ├── __init__.py
│       └── source_name.py   # 每个数据源一个文件
├── ai/
│   ├── __init__.py
│   ├── client.py            # 带模型降级功能的 Gemini REST 客户端
│   ├── pipeline.py          # 批量 AI 分析
│   ├── jd_fetcher.py        # 从 URL 获取完整内容 (可选)
│   └── memory.py            # 从用户反馈中学习
├── storage/
│   ├── __init__.py
│   └── notion_sync.py       # 或 sheets_sync.py / supabase_sync.py
├── data/
│   └── feedback.json        # 用户决策历史 (自动更新)
├── .env.example
├── setup.py                 # 一次性数据库/架构创建
├── enrich_existing.py       # 回填旧行的 AI 分数
├── requirements.txt
└── .github/
    └── workflows/
        └── scraper.yml      # GitHub Actions 调度

步骤 3：构建抓取器源

任何数据源的模板：

# scraper/sources/my_source.py
"""
[源名称] — 从 [哪里] 抓取 [什么]。
方法: [REST API / HTML 抓取 / RSS 源]
"""
import requests
from bs4 import BeautifulSoup
from datetime import datetime, timezone
from scraper.filters import is_relevant

HEADERS = {
    "User-Agent": "Mozilla/5.0 (compatible; research-bot/1.0)",
}


def fetch() -> list[dict]:
    """
    返回具有一致架构的项目列表。
    每个项目至少必须包含: name, url, date_found。
    """
    results = []

    # ---- REST API 源 ----
    resp = requests.get("https://api.example.com/items", headers=HEADERS, timeout=15)
    if resp.status_code == 200:
        for item in resp.json().get("results", []):
            if not is_relevant(item.get("title", "")):
                continue
            results.append(_normalise(item))

    return results


def _normalise(raw: dict) -> dict:
    """将原始 API/HTML 数据转换为标准架构。"""
    return {
        "name": raw.get("title", ""),
        "url": raw.get("link", ""),
        "source": "MySource",
        "date_found": datetime.now(timezone.utc).date().isoformat(),
        # 在此处添加特定领域的字段
    }

HTML 抓取模式：

soup = BeautifulSoup(resp.text, "lxml")
for card in soup.select("[class*='listing']"):
    title = card.select_one("h2, h3").get_text(strip=True)
    link = card.select_one("a")["href"]
    if not link.startswith("http"):
        link = f"https://example.com{link}"

RSS 源模式：

import xml.etree.ElementTree as ET
root = ET.fromstring(resp.text)
for item in root.findall(".//item"):
    title = item.findtext("title", "")
    link = item.findtext("link", "")

步骤 4：构建 Gemini AI 客户端

# ai/client.py
import os, json, time, requests

_last_call = 0.0

MODEL_FALLBACK = [
    "gemini-2.0-flash-lite",
    "gemini-2.0-flash",
    "gemini-2.5-flash",
    "gemini-flash-lite-latest",
]


def generate(prompt: str, model: str = "", rate_limit: float = 7.0) -> dict:
    """调用 Gemini，在遇到 429 错误时自动降级。返回解析后的 JSON 或 {}。"""
    global _last_call

    api_key = os.environ.get("GEMINI_API_KEY", "")
    if not api_key:
        return {}

    elapsed = time.time() - _last_call
    if elapsed < rate_limit:
        time.sleep(rate_limit - elapsed)

    models = [model] + [m for m in MODEL_FALLBACK if m != model] if model else MODEL_FALLBACK
    _last_call = time.time()

    for m in models:
        url = f"https://generativelanguage.googleapis.com/v1beta/models/{m}:generateContent?key={api_key}"
        payload = {
            "contents": [{"parts": [{"text": prompt}]}],
            "generationConfig": {
                "responseMimeType": "application/json",
                "temperature": 0.3,
                "maxOutputTokens": 2048,
            },
        }
        try:
            resp = requests.post(url, json=payload, timeout=30)
            if resp.status_code == 200:
                return _parse(resp)
            if resp.status_code in (429, 404):
                time.sleep(1)
                continue
            return {}
        except requests.RequestException:
            return {}

    return {}


def _parse(resp) -> dict:
    try:
        text = (
            resp.json()
            .get("candidates", [{}])[0]
            .get("content", {})
            .get("parts", [{}])[0]
            .get("text", "")
            .strip()
        )
        if text.startswith("```"):
            text = text.split("\n", 1)[-1].rsplit("```", 1)[0]
        return json.loads(text)
    except (json.JSONDecodeError, KeyError):
        return {}

步骤 5：构建 AI 流程（批处理）

# ai/pipeline.py
import json
import yaml
from pathlib import Path
from ai.client import generate

def analyse_batch(items: list[dict], context: str = "", preference_prompt: str = "") -> list[dict]:
    """批量分析项目。返回添加了 AI 字段的丰富项目。"""
    config = yaml.safe_load((Path(__file__).parent.parent / "config.yaml").read_text())
    model = config.get("ai", {}).get("model", "gemini-2.5-flash")
    rate_limit = config.get("ai", {}).get("rate_limit_seconds", 7.0)
    min_score = config.get("ai", {}).get("min_score", 0)
    batch_size = config.get("ai", {}).get("batch_size", 5)

    batches = [items[i:i + batch_size] for i in range(0, len(items), batch_size)]
    print(f"  [AI] {len(items)} 个项目 → {len(batches)} 次 API 调用")

    enriched = []
    for i, batch in enumerate(batches):
        print(f"  [AI] 批次 {i + 1}/{len(batches)}...")
        prompt = _build_prompt(batch, context, preference_prompt, config)
        result = generate(prompt, model=model, rate_limit=rate_limit)

        analyses = result.get("analyses", [])
        for j, item in enumerate(batch):
            ai = analyses[j] if j < len(analyses) else {}
            if ai:
                score = max(0, min(100, int(ai.get("score", 0))))
                if min_score and score < min_score:
                    continue
                enriched.append({**item, "ai_score": score, "ai_summary": ai.get("summary", ""), "ai_notes": ai.get("notes", "")})
            else:
                enriched.append(item)

    return enriched


def _build_prompt(batch, context, preference_prompt, config):
    priorities = config.get("priorities", [])
    items_text = "\n\n".join(
        f"项目 {i+1}: {json.dumps({k: v for k, v in item.items() if not k.startswith('_')})}"
        for i, item in enumerate(batch)
    )

    return f"""分析以下 {len(batch)} 个项目并返回一个 JSON 对象。

# 项目
{items_text}

# 用户上下文
{context[:800] if context else "未提供"}

# 用户优先级
{chr(10).join(f"- {p}" for p in priorities)}

{preference_prompt}

# 指令
返回：{{"analyses": [{{"score": <0-100>, "summary": "<2 句话>", "notes": "<解释为什么匹配或不匹配>"}} 按顺序对应每个项目]}}
要简洁。得分 90+=极佳匹配，70-89=良好，50-69=一般，<50=较弱。"""

步骤 6：构建反馈学习系统

# ai/memory.py
"""从用户决策中学习，以改进未来的评分。"""
import json
from pathlib import Path

FEEDBACK_PATH = Path(__file__).parent.parent / "data" / "feedback.json"


def load_feedback() -> dict:
    if FEEDBACK_PATH.exists():
        try:
            return json.loads(FEEDBACK_PATH.read_text())
        except (json.JSONDecodeError, OSError):
            pass
    return {"positive": [], "negative": []}


def save_feedback(fb: dict):
    FEEDBACK_PATH.parent.mkdir(parents=True, exist_ok=True)
    FEEDBACK_PATH.write_text(json.dumps(fb, indent=2))


def build_preference_prompt(feedback: dict, max_examples: int = 15) -> str:
    """将反馈历史转换为提示偏好部分。"""
    lines = []
    if feedback.get("positive"):
        lines.append("# 用户喜欢的项目 (正向信号):")
        for e in feedback["positive"][-max_examples:]:
            lines.append(f"- {e}")
    if feedback.get("negative"):
        lines.append("\n# 用户跳过/拒绝的项目 (负向信号):")
        for e in feedback["negative"][-max_examples:]:
            lines.append(f"- {e}")
    if lines:
        lines.append("\n使用这些模式对新项目的评分进行偏置。")
    return "\n".join(lines)

与存储层的集成： 每次运行后，查询数据库中以正向/负向状态标记的项目，并使用提取的模式调用 save_feedback()。

步骤 7：构建存储 (以 Notion 为例)

# storage/notion_sync.py
import os
from notion_client import Client
from notion_client.errors import APIResponseError

_client = None

def get_client():
    global _client
    if _client is None:
        _client = Client(auth=os.environ["NOTION_TOKEN"])
    return _client

def get_existing_urls(db_id: str) -> set[str]:
    """获取所有已存储的 URL — 用于去重。"""
    client, seen, cursor = get_client(), set(), None
    while True:
        resp = client.databases.query(database_id=db_id, page_size=100, **{"start_cursor": cursor} if cursor else {})
        for page in resp["results"]:
            url = page["properties"].get("URL", {}).get("url", "")
            if url: seen.add(url)
        if not resp["has_more"]: break
        cursor = resp["next_cursor"]
    return seen

def push_item(db_id: str, item: dict) -> bool:
    """将一个项目推送到 Notion。成功时返回 True。"""
    props = {
        "Name": {"title": [{"text": {"content": item.get("name", "")[:100]}}]},
        "URL": {"url": item.get("url")},
        "Source": {"select": {"name": item.get("source", "Unknown")}},
        "Date Found": {"date": {"start": item.get("date_found")}},
        "Status": {"select": {"name": "New"}},
    }
    # AI 字段
    if item.get("ai_score") is not None:
        props["AI Score"] = {"number": item["ai_score"]}
    if item.get("ai_summary"):
        props["Summary"] = {"rich_text": [{"text": {"content": item["ai_summary"][:2000]}}]}
    if item.get("ai_notes"):
        props["Notes"] = {"rich_text": [{"text": {"content": item["ai_notes"][:2000]}}]}

    try:
        get_client().pages.create(parent={"database_id": db_id}, properties=props)
        return True
    except APIResponseError as e:
        print(f"[notion] 推送失败: {e}")
        return False

def sync(db_id: str, items: list[dict]) -> tuple[int, int]:
    existing = get_existing_urls(db_id)
    added = skipped = 0
    for item in items:
        if item.get("url") in existing:
            skipped += 1; continue
        if push_item(db_id, item):
            added += 1; existing.add(item["url"])
        else:
            skipped += 1
    return added, skipped

步骤 8：在 main.py 中进行编排

# scraper/main.py
import os, sys, yaml
from pathlib import Path
from dotenv import load_dotenv

load_dotenv()

from scraper.sources import my_source          # 添加你的源

# 注意：此示例使用 Notion。如果 storage.provider 是 "sheets" 或 "supabase"，
# 请将导入替换为 storage.sheets_sync 或 storage.supabase_sync，并相应更新
# 环境变量和 sync() 调用。
from storage.notion_sync import sync

SOURCES = [
    ("My Source", my_source.fetch),
]

def ai_enabled():
    return bool(os.environ.get("GEMINI_API_KEY"))

def main():
    config = yaml.safe_load((Path(__file__).parent.parent / "config.yaml").read_text())
    provider = config.get("storage", {}).get("provider", "notion")

    # 根据提供者从环境变量解析存储目标标识符
    if provider == "notion":
        db_id = os.environ.get("NOTION_DATABASE_ID")
        if not db_id:
            print("错误: NOTION_DATABASE_ID 未设置"); sys.exit(1)
    else:
        # 在此处扩展 sheets (SHEET_ID) 或 supabase (SUPABASE_TABLE) 等
        print(f"错误: 提供者 '{provider}' 尚未在 main.py 中连接"); sys.exit(1)

    config = yaml.safe_load((Path(__file__).parent.parent / "config.yaml").read_text())
    all_items = []

    for name, fetch_fn in SOURCES:
        try:
            items = fetch_fn()
            print(f"[{name}] {len(items)} 个项目")
            all_items.extend(items)
        except Exception as e:
            print(f"[{name}] 失败: {e}")

    # 按 URL 去重
    seen, deduped = set(), []
    for item in all_items:
        if (url := item.get("url", "")) and url not in seen:
            seen.add(url); deduped.append(item)

    print(f"唯一项目数: {len(deduped)}")

    if ai_enabled() and deduped:
        from ai.memory import load_feedback, build_preference_prompt
        from ai.pipeline import analyse_batch

        # load_feedback() 读取由反馈同步脚本写入的 data/feedback.json。
        # 要保持其最新状态，请实现一个单独的 feedback_sync.py，查询你的
        # 存储提供者以获取带有正/负状态的项目，并调用 save_feedback()。
        feedback = load_feedback()
        preference = build_preference_prompt(feedback)
        context_path = Path(__file__).parent.parent / "profile" / "context.md"
        context = context_path.read_text() if context_path.exists() else ""
        deduped = analyse_batch(deduped, context=context, preference_prompt=preference)
    else:
        print("[AI] 跳过 — GEMINI_API_KEY 未设置")

    added, skipped = sync(db_id, deduped)
    print(f"完成 — 新增 {added} 条，已存在 {skipped} 条")

if __name__ == "__main__":
    main()

步骤 9：GitHub Actions 工作流

# .github/workflows/scraper.yml
name: 数据抓取智能体

on:
  schedule:
    - cron: "0 */3 * * *"  # 每 3 小时 — 根据需要调整
  workflow_dispatch:        # 允许手动触发

permissions:
  contents: write   # 反馈历史提交步骤所需

jobs:
  scrape:
    runs-on: ubuntu-latest
    timeout-minutes: 20

    steps:
      - uses: actions/checkout@v4

      - uses: actions/setup-python@v5
        with:
          python-version: "3.11"
          cache: "pip"

      - run: pip install -r requirements.txt

      # 如果在 requirements.txt 中启用了 Playwright，则取消注释
      # - name: 安装 Playwright 浏览器
      #   run: python -m playwright install chromium --with-deps

      - name: 运行智能体
        env:
          NOTION_TOKEN: ${{ secrets.NOTION_TOKEN }}
          NOTION_DATABASE_ID: ${{ secrets.NOTION_DATABASE_ID }}
          GEMINI_API_KEY: ${{ secrets.GEMINI_API_KEY }}
        run: python -m scraper.main

      - name: 提交反馈历史
        run: |
          git config user.name "github-actions[bot]"
          git config user.email "github-actions[bot]@users.noreply.github.com"
          git add data/feedback.json || true
          git diff --cached --quiet || git commit -m "chore: 更新反馈历史"
          git push

步骤 10：config.yaml 模板

# 自定义此文件 — 无需更改代码

# 要收集的内容 (AI 之前的预过滤)
filters:
  required_keywords: []      # 项目必须至少包含其中一个
  blocked_keywords: []       # 项目不能包含任何一个

# 你的优先级 — AI 将使用这些进行评分
priorities:
  - "示例优先级 1"
  - "示例优先级 2"

# 存储
storage:
  provider: "notion"         # notion | sheets | supabase | sqlite

# 反馈学习
feedback:
  positive_statuses: ["Saved", "Applied", "Interested"]
  negative_statuses: ["Skip", "Rejected", "Not relevant"]

# AI 设置
ai:
  enabled: true
  model: "gemini-2.5-flash"
  min_score: 0               # 过滤掉低于此分数的项目
  rate_limit_seconds: 7      # API 调用之间的秒数
  batch_size: 5              # 每次 API 调用的项目数

常见抓取模式

模式 1：REST API (最简单)

resp = requests.get(url, params={"q": query}, headers=HEADERS, timeout=15)
items = resp.json().get("results", [])

模式 2：HTML 抓取

soup = BeautifulSoup(resp.text, "lxml")
for card in soup.select(".listing-card"):
    title = card.select_one("h2").get_text(strip=True)
    href = card.select_one("a")["href"]

模式 3：RSS 源

import xml.etree.ElementTree as ET
root = ET.fromstring(resp.text)
for item in root.findall(".//item"):
    title = item.findtext("title", "")
    link = item.findtext("link", "")
    pub_date = item.findtext("pubDate", "")

模式 4：分页 API

page = 1
while True:
    resp = requests.get(url, params={"page": page, "limit": 50}, timeout=15)
    data = resp.json()
    items = data.get("results", [])
    if not items:
        break
    for item in items:
        results.append(_normalise(item))
    if not data.get("has_more"):
        break
    page += 1

模式 5：JS 渲染页面 (Playwright)

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch()
    page = browser.new_page()
    page.goto(url)
    page.wait_for_selector(".listing")
    html = page.content()
    browser.close()

soup = BeautifulSoup(html, "lxml")

应避免的反模式

免费套餐限制参考

Requirements 模板

requests==2.31.0
beautifulsoup4==4.12.3
lxml==5.1.0
python-dotenv==1.0.1
pyyaml==6.0.2
notion-client==2.2.1   # 如果使用 Notion
# playwright==1.40.0   # 如果使用 JS 渲染网站，取消注释

质量检查清单

在标记智能体完成之前：

• config.yaml 控制所有面向用户的设置 — 无硬编码值
• profile/context.md 包含用于 AI 匹配的用户特定上下文
• 每次存储推送前按 URL 去重
• Gemini 客户端具有模型降级链 (4 个模型)
• 批处理大小 ≤ 每次 API 调用 5 个项目
• maxOutputTokens ≥ 2048
• .env 在 .gitignore 中
• 提供 .env.example 用于引导
• setup.py 在首次运行时创建数据库架构
• enrich_existing.py 回填旧行的 AI 分数
• GitHub Actions 工作流在每次运行后提交 feedback.json
• README 涵盖：< 5 分钟设置、所需的密钥、自定义

实际示例

"为我构建一个监控 Hacker News 上 AI 初创公司融资新闻的智能体"
"从 3 个电商网站抓取产品价格，并在价格下降时提醒我"
"跟踪标记为 'llm' 或 'agents' 的新 GitHub 仓库 — 总结每个仓库"
"从 LinkedIn 和 Cutshort 收集 Chief of Staff 职位列表到 Notion"
"监控某个子版块中提到我公司的帖子 — 分类情感"
"每天从我关心的主题的 arXiv 上抓取新的学术论文"
"跟踪体育赛事结果并在 Google Sheets 中维护一个运行表格"
"构建一个房地产列表观察器 — 提醒价格低于 1 千万卢比的新房源"

参考实现

一个使用此确切架构构建的完整工作智能体将抓取 4 个以上的源，
批量调用 Gemini，从存储在 Notion 中的已申请/已拒绝决策中学习，
并在 GitHub Actions 上 100% 免费运行。按照上述步骤 1–9 构建你自己的智能体。