dsh-zhihu

DeepSeek Harness（dsh）插件：让 agent 能读 / 抓 / 解析知乎——回答、专栏文章、搜索结果。 属于「知乎 DSH 插件组」的核心地基，其余 dsh-zhihu-collector / dsh-zhihu-tracker / dsh-zhihu-rec / dsh-zhihu-export 都挂在它上面。

本插件是 DeepSeek Harness 生态的一部分，遵循 "Everything is a Plugin"。

安装

# 需要先在跑 dsh（开发者预览版）
npx @deepseek-ai/dsh web

# 安装本插件（打 #dsh-plugin 话题即可被生态索引）
dsh plugin --profile web add "github:gengyueworks/dsh-zhihu#main"

装好后，agent 就能直接调用下面三个工具。

提供的工具

工具	作用
zhihu_fetch_column	按 URL / ID 抓取并解析知乎专栏文章（zhuanlan.zhihu.com/p/<id>），返回干净的标题 / 作者 / 正文
zhihu_fetch_answer	按 URL 抓取并解析知乎回答 / 问题页，返回干净的回答正文
zhihu_search	按关键词搜索知乎，返回结果链接列表，便于先发现再精读

配置

cordis.patch.yml 里的 config 会传给插件：

字段	默认	说明
userAgent	桌面 Chrome UA	部分知乎页面对 UA / Referer 敏感
timeoutMs	15000	单次抓取超时
cache	true	预留：是否缓存已抓页面

实现说明

• 知乎页面把状态嵌在 window.__INITIAL_STATE__ = ({...})（不是严格 JSON）里，插件用容错正则提取并剥离 HTML 成纯文本。
• 抓取带浏览器 UA + Referer: https://www.zhihu.com/，尽量拿到完整页面。
• 若遇到登录墙导致解析不到正文，工具会如实返回「无法解析 / 可能需要登录」，不会编造内容。

已知限制 / 生产化方向

• 403 反爬：纯 Node 端抓取在数据中心 IP / 未登录时会拿到 HTTP 403（已实测，正是 web 端直抓知乎遇到的风控墙）。
• 正确姿势：生产版应把抓取路由到用户已登录的浏览器（dsh 的 web 半边，即 dsh-web-app 提供的浏览器能力），类似 modlens 用 ctx.inject 挂浏览器半边 + loopback 路由的做法。src/zhihu/tools.ts 的 buildTools(config, fetchImpl) 已预留 fetchImpl 注入点，将来把浏览器端 fetch 传进来即可，解析逻辑完全复用。
• 解析逻辑与抓取解耦，可脱离 dsh 单独测；当前 fetchZhihu 作为默认实现保留给可访问页面 / 本地调试。

开发

npm install        # 或 pnpm install
npm run build      # tsc -> lib/（含 lib/types/*.d.ts，对应 package.json 的 exports）
npm run typecheck
npm test           # vitest：解析边界 + 三个工具的 execute/render/错误路径

src/zhihu/ 是与框架无关的核心逻辑（fetch / parse / tools），可以脱离 dsh 单独测试； src/runtime.ts 通过 ctx.tools.register(defineTool(...)) 把工具挂进 dsh。 测试覆盖：extractInitialState 对 ({...}) 与 JSON.parse("...") 两种形态、pickField 词边界（避免 subTitle/mytitle 误匹配）、htmlToText 去标签/实体、登录墙检测，以及三个工具的成功 / 登录墙 / 错误参数的 execute+render 行为。

本地验证（先确认插件真的装上了）

npx @deepseek-ai/dsh web
# 另开一个终端：
dsh plugin --profile web add "github:gengyueworks/dsh-zhihu#main"

装好后在 dsh 的 agent 会话里直接说：

用 zhihu_fetch_column 抓 https://zhuanlan.zhihu.com/p/2071956716355425552 ，告诉我标题和前两段。

如果工具出现在 agent 可调用的清单里、并能返回「抓取到了但解析不到正文 / 403」这类如实报错而不是崩溃，说明插件骨架工作正常。

⚠️ 关于真实抓取：本插件默认的抓取实现是 Node 端 fetch，而知乎对数据中心 IP / 未登录上下文会返回 HTTP 403。在你的本机（住宅 IP）通过 dsh 的 web 半边跑，仍可能命中 403——这是知乎风控，不是插件 bug。要让真实抓取稳定可用，下一步是把抓取路由到已登录浏览器（dsh web 半边 + loopback fetch），buildTools(config, fetchImpl) 已预留该注入点，解析逻辑可完全复用。

发布

仓库已打 #dsh-plugin 话题，推到 GitHub 后会被 DeepSeek Harness 生态索引。

License

MIT © gengyueworks