夜雨聆风声明：【好玩的AI】单独开了一个系列，主体内容来自我，文档生成及排版来自AI工具，旨在记录自己学习AI的实际进展，并且给那些还在犹豫徘徊的读者一点参考。
本期想要传达的主要观点是：AI处理信息是手到擒来的容易，快把你需要的信息转成自己喜欢的样子！
一、缘起：我只想看几篇新闻 📰
事情的起点特别简单。英语不太好的我，时不时有读英文新闻以鞭策自己努力学习的习惯，主要是为了保持语感，chinadaily相对来说比较适合我。这两天玩AI，心想："5月快过完了，这个月的重点新闻有哪些？能不能一次性拉下来，方便回看？"
我： "去 https://www.chinadaily.com.cn/e/index.html ，帮我把 China Daily 5月份的新闻汇总成一个可导航的 HTML，顺便把四六级词汇表附在后面。"
AI： "好的，我来抓取主页上的新闻列表。"
当时觉得这就是个"信息搬运"的活，没啥技术含量，以前的手工操作或者python抓网页的dirty work，现在可以交给AI啦。
二、第一个版本：卡片导航 + 词汇表 🃏
AI 很快就交出了第一版。它从 China Daily 首页抓到了 23 篇 5月新闻，按主题分成了 6 大板块：
⭐ 重点推荐：中美智库峰会 🌏 国际外交：中俄联合声明、钓鱼岛事件等 4 篇 📊 经济发展：亚投行、算力经济等 4 篇 🤖 科技教育：AI学院、教育红利等 4 篇 👥 社会民生：新就业形态、西藏等 4 篇 💬 观点评论：FIFA转播权、生态文明等 5 篇
布局很清晰 —— 左侧固定导航栏按类别一触即达，右侧卡片流展示新闻标题和摘要，底部是 CET-4（30词）+ CET-6（25词） 的词汇表，支持按等级和词性筛选。
💡 第一版效果：
✅ 23篇新闻按6大主题分类，可导航
✅ 深色主题，响应式布局（手机也能看）
✅ 词汇表支持 CET-4 / CET-6 筛选 + 词性过滤
⚠️ 但是 — 每篇文章只有摘要，想看全文还得跳回原网站
这时候我提了第一个"得寸进尺"的需求——
我： "我希望每一篇文章都可以离线阅读，请帮我拉下来。"
三、第二个版本：把23篇全文装进口袋 📡
这次AI的工作量有点难度了——它分 3 轮并行抓取，对每一篇文章的原文链接逐个发起请求，把完整正文拉到本地，嵌入 HTML 内的可展开区域。
第一轮：6 篇并行抓取 中美峰会、中俄声明、钓鱼岛、AI学院、新就业形态、FIFA转播权
第二轮：7 篇并行抓取 数字基建、算力经济、对华投资、人才红利、青年交流、民族纹样、生态文明
第三轮：剩余文章 + 分页处理 海洋治理（4页）、算力（2页）等多页长文也尽量收录了核心内容
这里有个小坑： 有些文章是多页的（4页长文），WebFetch 工具每次只能抓一页。AI 的处理方式是：尽可能抓取第1页和第2页，收录核心内容，并在文中标注"本文共X页，此处为部分内容"。不完美，但诚实。
最终交付：21 篇全文 + 2 篇核心摘录，全部嵌入 HTML，断网也能打开阅读。每张卡片右下角有个「📖 展开全文」按钮。
我本来觉得这已经很完美了，但突然冒出一个念头——
我： "每篇文章中的四六级词汇和固定表达，能加个注解么？"
这意味着 AI 需要：
读懂 23 篇英文文章的全文 自动识别哪些词是 CET-4/6 词汇 还要处理词的变形形式（比如 established 是 establish 的过去分词） 同时识别 45 个固定搭配（如 in terms of、pave the way for） 还不破坏原有的 HTML 结构
四、第三个版本：新闻里的"弹幕式"英语课堂 📝
这是整个项目最有趣的部分，也是技术含量最高的一环。
注解引擎怎么工作的？（这当然是让AI复盘给我讲的啦）
AI 在 HTML 里嵌入了整整一个 JavaScript 注解引擎，工作流程是这样的：
🔧 注解引擎工作流程：
第1步 — 构建词库： 55个四六级核心词 + 120+变形词映射表（如 established → establish, significantly → significant, facilitates → facilitate）
第2步 — 先标固定表达： 45个常用短语（in terms of, pave the way for, across the board, at stake 等），按短语长度从长到短排序处理，避免"短词吃长词"
第3步 — 再标词汇： 用 TreeWalker 遍历所有文本节点，对每个单词查词库，匹配到的就包一层标签
第4步 — 避免冲突： 跳过已经在注解内的文本节点，跳过链接和脚本标签
注解长什么样？
三种颜色，一眼分清：
🔵 蓝色虚线下划线 = CET-4 词汇（如 benefit, significant, involve） 🟣 紫色虚线下划线 = CET-6 词汇（如 consolidate, unprecedented, facilitate） 🟡 金色虚线背景 = 固定表达（如 due to, take into account, the tip of the iceberg）
鼠标悬停任何一个标注词，就会弹出释义：词性 + 中文翻译。不悬停的时候，注解静静地躺在文字下面，完全不干扰正常阅读。
而且顶部有个勾选框 —— 「显示词汇注解」，取消勾选后所有标注瞬间消失，变回纯净的英文原文。
这个设计很妙： 读新闻的时候想顺便学单词，打开注解；想专注阅读的时候，一键关掉。就像一个可以随时切换"学习模式"和"阅读模式"的开关。
五、过程中踩了哪些坑？😅
坑1：WebFetch 不是万能的
文章分页的时候，只抓了第一页就返回了。虽然我提示"提取所有段落"，但工具本身有 token 限制，特别长的文章会在中途截断。最后 23 篇里有 2 篇不完整（都是 2-4 页的长文），只能标注说明。
坑2：词形变体比想象的多
最开始我只列了 55 个词的原形，比如 establish。但文章里出现的是 established, establishes, establishing, establishment……如果不做映射，这些词就不会被标注。后来补了一个 LEMMA 映射表，把常见变形全部手动配对上，覆盖了约 120 个词形。
坑3：标注顺序很重要
如果先标单词再标短语，会出现 "in terms of" 里的 terms 被单独标注为词汇，导致短语的标注失效。正确的做法是：先标长短语，再标单词。
坑4：HTML 结构不能乱
用正则直接替换 HTML 文本很容易破坏标签结构。最后用了 TreeWalker API，只遍历纯文本节点，逐个替换，保证了 DOM 结构完整。
六、我学到了什么 💡
1. AI 擅长"增量交付"
这个项目不是一次就做完的，而是三次迭代——从摘要到全文到注解，每一步都建立在上一步的基础上。AI 在这个过程中表现得非常好：它记住了之前的文件结构、理解了需求演进的方向，每次升级都是"增量修改"而非"推倒重来"。
2. 最好的工具是"看懂了你的数据"的工具
词汇注解这个功能，本质上是 AI 把它自己的语言能力嵌入到了输出产品里。它不是简单地把数据搬过来，而是理解数据、加工数据、让数据产生新价值。
3. 离线优先是用户的真实需求
我一开始没说要离线阅读，但试完第一个版本后立刻意识到：如果每次都要打开网站，这跟直接读 China Daily 有什么区别？ 离线嵌入全文才是这个工具的核心竞争力。
4. 用户会不断"得寸进尺"——这恰恰是产品迭代的正常节奏
从"搜新闻"到"离线全文"到"词汇注解"，每一步都是我在用完之后发现"还能更好"。AI 能跟得上这种节奏，才是它区别于传统工具的地方。
七、这个方案还能怎么用？🚀
这套"信息抓取 → 结构化整理 → 知识标注"的流水线，换个数据源就是一套新产品：
📚 场景1：学术论文阅读助手
把 ArXiv / PubMed 上的论文拉下来 → 按主题分类 → 自动标注学科术语和参考文献 → 生成思维导图。
📖 场景2：分级阅读训练
把《纽约时报》《经济学人》文章自动标注蓝思值（Lexile），按难度分级，给不同水平的学习者推荐合适文章。
🗣️ 场景3：演讲稿 / 辩论素材库
抓取 TED 演讲稿 → 标注修辞手法（排比、反问、引用）→ 标注"金句" → 一键生成演讲训练卡片。
🎓 场景4：考试真题词汇频率分析
把近10年考研 / 雅思 / 托福阅读真题拉下来 → 统计四级/六级/考研词汇出现频率 → 按"高频必背"和"低频了解"生成分级词表。
🧒 场景5：儿童英语分级阅读
抓取 BBC Learning English / VOA 慢速英语 → 按CEFR等级（A1-C1）自动分级标注 → 生成带插图的绘本页面。
八、你也可以试试 💪
你不需要懂代码，你要做的事情就是：
告诉AI我要什么（"China Daily 5月新闻，可导航HTML，加词汇表"） 在拿到第一个版本后，提出改进意见（"能离线看吗？"） 再提出一个"过分"的需求（"能标注四六级词汇吗？"） AI 自己完成了全部的技术工作
核心逻辑： 你负责"想要什么"，AI 负责"怎么做到"。两者之间不需要"你会编程"这个中间环节。
🎯 给你的 Prompt 模板：
去 [新闻网站URL] 获取 [某时间段] 的新闻，汇总成为可导航的HTML，要求：
按主题分类 保留原文链接 把 [你要学习的词汇类型] 词汇表附在最后 支持离线阅读 文章中的生词自动加注解 —— 把中括号里的内容换成你自己的需求，扔给AI就行了。
✨ 今天就到这里，去试试吧 ✨