1. 从对话框到本地文档为什么导出这件事在 2026 年依然让人头疼如果你每天用 ChatGPT 写方案、用 Grok 查资料、用 Claude 改代码那你大概率经历过这个场景一段三千字的技术分析在对话框里排版精美代码块、表格、LaTeX 公式一应俱全可一旦复制到本地 Markdown 编辑器层级全乱、公式变乱码、表格塌成一堆竖线。这不是你的操作问题而是大模型 Web 端渲染流与本地文档流之间的协议差异导致的。AI 导出鸭就是针对这个断层设计的浏览器插件它做的事情可以概括为一句话把 ChatGPT、Grok、Claude、Gemini、DeepSeek、Kimi 等平台的对话内容按结构化方式导出为 Markdown、Word、PDF 或长图尽量保留原有的标题层级、代码块语言标记、表格结构和公式渲染。适合谁用频繁在 CSDN、知乎、公众号发技术文章的开发者需要把 AI 对话整理成周报或论文素材的研究人员以及任何不想手动重排格式的人。这篇内容不堆参数直接给你可复制的配置骨架和逐项验证动作。我会用 ChatGPT 和 Grok 作为主要对照对象因为这两个平台在导出行为上差异最大ChatGPT 的 Markdown 扩展语法相对规范Grok 则更偏向纯逻辑输出表格和代码块的边界处理经常需要额外干预。下面从环境准备开始一步步走完导出、验证、排障的完整链路。2. 前置准备TaoToken 接入与 AI 导出鸭的配合逻辑在聊导出之前先解决一个容易被忽略的问题你导出的内容从哪来。如果你只是偶尔用网页版对话直接复制也行但如果你需要批量处理、或者想把导出流程嵌进自动化脚本那就需要一个稳定的 API 入口来拉取对话内容。TaoToken 在这里的角色是提供统一的模型调用通道让你可以用同一套 Key 访问不同模型的对话接口导出的原始数据来源更可控。TaoToken 的官网入口是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 基础地址是 https://taotoken.net/api 。你不需要把它理解成什么复杂的东西就当成一个能让你用标准 HTTP 请求拿到模型回复的网关即可。对于导出场景来说关键是你拿到的回复是原始 Markdown 文本而不是经过 Web 端二次渲染的 HTML这样 AI 导出鸭在处理时少一层解析损耗。具体操作上你需要先拿到 API Key。进入控制台页面 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 创建一个新的 Key权限范围选对话读取即可。然后在 API Keys 管理页 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 确认 Key 状态为 active。如果你打算用 Coding Plan 做长期批量导出任务可以看 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 了解配额和并发限制。注意API Key 只用于服务端请求不要写进前端代码或浏览器插件配置里明文存储。导出鸭插件本身走的是页面 DOM 解析不需要你的 Key两者是解耦的。环境准备清单一个支持 Manifest V3 的 Chromium 内核浏览器Edge 或 Chrome 均可AI 导出鸭插件安装完成TaoToken 的 Key 已创建并测试通过。接下来进入配置环节。3. 可复制配置骨架settings.json 与 config.toml 示例AI 导出鸭的配置分两层插件侧的导出规则用 JSON 描述服务端拉取对话内容用 TOML 描述。下面两份配置你可以直接复制修改我按 ChatGPT 和 Grok 两个平台分别标注了差异项。3.1 插件侧 settings.json控制导出格式与结构化保留这份配置放在导出鸭的「高级设置」→「导入配置」里作用是告诉插件在遇到不同模型页面时用哪套选择器提取内容、保留哪些 Markdown 扩展语法。{ version: 2026.03, profiles: { chatgpt: { selector: div[data-message-author-role], preserve: [heading, codeblock, table, latex, list], codeblockLang: true, tableFormat: pipe, latexDelimiter: dollar, exportFormat: [markdown, docx], batchSize: 20 }, grok: { selector: div.message-bubble, preserve: [heading, codeblock, list], codeblockLang: false, tableFormat: html, latexDelimiter: bracket, exportFormat: [markdown, pdf], batchSize: 10 } }, global: { imageHandling: base64, lineBreak: lf, encoding: utf-8 } }关键参数说明preserve数组决定哪些结构不被扁平化ChatGPT 建议全开Grok 因为表格渲染不稳定tableFormat设成html反而比pipe更保真。batchSize控制一次导出的对话条数Grok 的 DOM 节点较重设 10 比较稳。3.2 服务端 config.toml拉取对话原始内容如果你要通过 TaoToken 的 API 批量拉取对话记录再交给导出鸭处理用这份 TOML[api] base_url https://taotoken.net/api api_key sk-your-key-here timeout_seconds 30 max_retries 3 [export] default_model gpt-4o fallback_model claude-3-5-sonnet output_dir ./exports naming_pattern {model}_{timestamp}_{index}.md [structure] keep_headings true keep_code_fence true keep_tables true normalize_latex true strip_html_tags false [batch] concurrency 3 chunk_size 4000 resume_on_failure truechunk_size设 4000 是为了避开部分模型在超长输出时的截断问题导出鸭会按这个粒度分段请求再拼接。resume_on_failure在批量导出几十条对话时很有用中途某条失败不会导致整个任务重来。提示config.toml 里的api_key建议用环境变量注入不要硬编码在文件里。导出鸭支持读取TAOTOKEN_API_KEY环境变量。配置写完后先别急着跑全量。下一步用一条短对话做验证请求确认链路通了再放大批量。4. 验证请求与成功结果从单条对话到批量导出验证分三步走先确认 API 能拿到原始 Markdown再确认导出鸭能正确解析最后确认输出文件的结构完整。4.1 第一步用 curl 验证 TaoToken 返回的是原始文本curl -X POST https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: gpt-4o, messages: [ {role: user, content: 用 Markdown 输出一个包含标题、代码块和表格的示例代码块用 python 标注} ], stream: false }成功的话你会看到choices[0].message.content里是带##、python、|的原始文本。如果返回的是 HTML 标签或者转义字符说明请求头或模型参数需要调整。这一步的目的是确认数据源头是干净的 Markdown。4.2 第二步在导出鸭里做单条导出测试打开 ChatGPT 的一个对话页面点击导出鸭图标选择刚才导入的chatgptprofile导出格式选 Markdown。导出完成后打开文件逐项检查标题层级是否为##和###没有变成纯文本代码块是否保留了语言标记比如python表格是否为管道符格式列对齐是否正常LaTeX 公式是否被$包裹没有变成乱码我实测下来ChatGPT 页面在开启preserve全项后结构化保留率能到 95% 以上偶尔丢的是嵌套列表的缩进。Grok 页面需要把tableFormat改成html否则表格会塌成一行。4.3 第三步批量导出与结果核对在导出鸭的批量模式里选中多个对话设置batchSize为 10导出格式勾选 Markdown 和 PDF。导出完成后用以下命令快速核对文件数量和大小分布ls -lh ./exports/*.md | awk {print $5, $9} | sort -k2正常情况下每条对话对应一个文件文件大小在 2KB 到 50KB 之间。如果出现大量 0KB 或 1KB 的文件说明选择器没匹配到内容需要回到 settings.json 调整selector字段。Grok 的div.message-bubble在页面改版后可能变成div[class*message]用浏览器开发者工具确认一下当前类名。成功导出的标志Markdown 文件在 Typora 或 VS Code 预览里层级清晰代码块有高亮表格可读公式正常渲染。到这一步你的导出链路就算跑通了。5. 本篇常见错排查导出乱码、表格塌陷、批量中断这一节列的都是我在实际使用中踩过的坑按出现频率排序。5.1 导出后中文乱码或公式变问号原因通常是编码不一致。导出鸭默认用 UTF-8但部分 Windows 编辑器打开时按 GBK 解析。解决方法是在 settings.json 的global里确认encoding为utf-8同时在编辑器里手动切换编码。LaTeX 公式变问号则是latexDelimiter设错了ChatGPT 用dollarGrok 用bracket设反了就会解析失败。5.2 表格导出后塌成一列这是 Grok 页面最常见的报错。Grok 的表格在 DOM 里用的是div模拟不是标准table标签导出鸭的pipe模式识别不了。把tableFormat改成html导出后再用 Pandoc 转成 Markdown 表格pandoc input.html -f html -t markdown -o output.md5.3 批量导出中途卡死或部分文件为空先检查batchSize是否过大。Grok 页面节点多设 10 以上容易触发浏览器内存限制。其次看concurrency服务端拉取时并发超过 3 可能被限流。如果某个对话特别长chunk_size设 4000 仍然截断可以降到 2000 并开启resume_on_failure。另外导出前刷新一次页面确保 DOM 完全加载能减少选择器匹配失败的概率。5.4 API 返回 401 或 403检查 TaoToken 的 Key 是否过期以及请求头里Authorization格式是否为Bearer sk-xxx。如果用的是 Coding Plan 的配额确认当前任务没有超出并发限制。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 有完整的错误码说明遇到不常见的状态码可以先查那里。6. 按需选型不同场景下的导出方案与工具入口回到最初的问题ChatGPT 和 Grok 的导出到底怎么选。如果你主要处理学术内容、公式多、需要 PDF 交付ChatGPT 配合导出鸭的dollar模式更稳如果你做的是逻辑分析、代码片段为主、表格少Grok 的导出速度更快但表格要转一道 HTML。Claude 的 Artifacts 导出适合前端文档Gemini 适合 Google 生态内的协同这些在导出鸭里都有对应的 profile 可以切换。对于需要长期、批量处理对话导出的场景比如每天整理几十条 AI 对话成周报素材建议走 API 拉取加脚本处理的路线。你可以用 TaoToken 的模型对话接口 https://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite 拉取原始回复再用导出鸭的 CLI 模式批量转换格式。如果涉及编码任务和 Agent 工作流Coding Plan 的配额模型更适合持续调用。最后给一个实用技巧导出前先在对话里发一句「请用标准 Markdown 重新输出上述内容保留所有代码块语言标记和表格结构」让模型自己整理一遍导出鸭的解析成功率会明显提升。这个动作花不了几秒但能省掉后面手动修格式的十分钟。