「学一个新领域，我现在的第一步是把它抓下来」封面图
· 6 分钟阅读

学一个新领域，我现在的第一步是把它抓下来

学习知识库工具效率AI

最近一直在看 Simon Willison 的文章。

他是 Django 框架的联合创始人，现在是 AI 工具链领域最活跃的独立开发者之一。他的博客 simonwillison.net 上有超过 10 年的技术文章，内容覆盖 Python、SQLite、LLM 应用、数据工程……信息密度极高。

看着看着，我就想——能不能把他所有博客全部抓下来，做成一个私人知识库？以后想了解他对某个技术的看法，直接问 AI 就行，不用一篇一篇翻。

不光如此，这个思路可以推广到任何领域：找到某个方向最好的内容源，批量抓下来，做成你自己的领域知识库。

遇到的问题

我第一反应是直接告诉 OpenClaw 我的需求，让它帮我解决。

但是实测下来，单篇文章没问题，但批量抓取搞不定。它自己安装了一些开源工具做这事，但返回了很多无关的链接，所以它不具备直接做到”给我这个站点所有文章”的能力。

而我需要的是：

  1. 先拿到 Simon 博客上所有文章的 URL 列表
  2. 再逐篇把内容抓下来，转成干净的 Markdown
  3. 最好能直接在 AI 对话里完成，不用写代码

后来发现了 XCrawl 这个工具，完美解决了这三个问题。

XCrawl 是什么

简单说，XCrawl 是一个网页抓取 API 服务，提供四个核心能力：

  1. Search — 搜索引擎查询，返回结构化结果（标题、URL、摘要、排名）
  2. Map — 扫描一个站点，列出它所有的 URL
  3. Scrape — 抓取指定 URL 的页面内容，输出干净的 Markdown
  4. Crawl — 全站递归爬取，适合大规模批量抓取

而且它提供了 OpenClaw 的 Skill，意味着你可以直接在 OpenClaw 里用自然语言调用这些能力，不用写任何代码。

配置很简单：

  1. 去 https://www.xcrawl.com/?keyword=ut0qflxk 注册拿到 Key
  2. 新账号有 1000 积分免费额度
  3. 把它的 Skill 文档链接 https://docs.xcrawl.com/zh/doc/developer-guides/openclaw/ 直接告诉 OpenClaw
  4. OpenClaw 会自动安装相关的 Skill

抓取 Simon Willison 的全部博客

第一步：用 Map 拿到所有文章 URL

Map 会扫描站点的 sitemap 和链接结构，返回所有符合条件的 URL。我按年份过滤，只要近三年的文章。

结果：233 篇文章的 URL

Simon Willison 真是高产，每年平均 100 篇文章。2026 年才三月他已经写了 24 篇文章了。

第二步：用 Scrape 逐篇抓取正文

Scrape 是精确制导——一个 URL 对应一篇干净的 Markdown，不会抓到导航栏、评论区这些噪声。

结果：

  • 233 篇文章，耗时不到 10 分钟跑完
  • 每篇都是干净的 Markdown
  • 标题层级、代码块、链接全部保留

第三步：存到本地，用 AI 分析

因为输出就是 Markdown，我直接让 OpenClaw 把这些文件保存到本地文件夹。然后直接用 Claude Code 打开会话，让 AI 分析这些内容。

现在我可以这样问：

“Simon 对 SQLite 的看法是什么？” “他写过关于 LLM 应用的最佳实践吗？”

结果： 我现在有了一个”Simon Willison 的大脑副本”，想学什么直接问。

从零构建一个陌生领域的知识库

上面的案例是”我已经知道要学谁”，但更多时候，你面对一个完全陌生的领域，连该看谁的东西都不知道。

这时候加一步 Search 就行：先搜关键词找到这个领域最好的内容源，再用 Map 摸清站点结构，最后用 Scrape 把符合你意图的文档全部抓下来。

案例：系统学 WebAssembly

第一步：Search 找方向

搜”WebAssembly learning”，返回结构化的搜索结果——标题、URL、摘要、排名。

从 40 条结果里筛出 5 个高质量站点：

  • 核心文档站
  • 深度博客
  • awesome 列表

第二步：Map 摸清每个站的结构

对每个筛出来的站点跑一次 Map。有些站只有 20 篇文章，有些有 500 页但大部分是 API reference。

Map 帮你在抓之前就做好判断，只选真正有价值的部分。

第三步：Scrape 定向抓取

和上面的步骤一样，定向抓取符合你意图的文档。

结果：

  • 拿到 80 篇高质量文档
  • 全部是干净 Markdown
  • 直接存到本地做知识库
  • 从”我对 WebAssembly 一无所知”到”我有一个 80 篇核心文档的专属知识库”，不到两小时

五点心得

1. Map 先行，永远是对的

不管你多确定要抓什么，先跑一次 Map 看看站点结构。很多站的 URL 规律和你想的不一样，Map 能帮你避免抓一堆垃圾页面。

2. Search 的语言设置很重要

同一个关键词，英文和中文的搜索结果差异巨大。技术领域建议优先搜英文，拿到的源质量普遍更高。

3. Markdown 输出是真的省事

因为输出直接就是 Markdown，我可以让 OpenClaw 直接保存到本地笔记库里，不需要任何格式转换，拿到就能用。

4. 抓取稳定性比想象中好

XCrawl 底层会自动轮换 IP，批量抓几百篇文章速度也很快，隐私和安全性都很好。一些开源的方案会遇到禁止抓取的情况，在这里没遇到过。

5. 关于合规

XCrawl 内置 robots.txt 检测，只采集公开内容。但选目标站时还是建议手动确认一下抓取政策。

学习流程的变化

以前：

  1. 自己找资料
  2. 自己读
  3. 自己整理笔记

现在：

  1. Search 找源
  2. Map 探路
  3. Scrape 抓取
  4. 存到本地
  5. AI 对话学习

最大的变化

学习的瓶颈从”找不到好内容”变成了”怎么问出好问题”。

这才是 AI 时代学习该有的样子。

本质

把互联网上散落的高质量内容，变成你的私人知识库，然后用 AI 帮你消化。

原文链接： https://x.com/i/status/2034793001864872440

评论