我有开了好几个豆包会话，我想一次性批量导出？
当“复制粘贴”开始背叛你
打开豆包，左边栏是一排会话。你数了数，七个。也许更多。
每一个里面都藏着几十轮对话，有的是Prompt调优的记录，有的是某个项目的需求梳理，还有的是你花了整个下午和AI来回推敲出来的方案。你试着打开第一个，Ctrl+A，Ctrl+C，切到Word，Ctrl+V。
然后你看到了熟悉的场面：代码块的缩进没了，表格线变成了几行竖杠，公式变成了一堆反斜杠和美元符号。你花十分钟手动调整，勉强能看。抬头一看，还有六个会话。
七个会话，每个半小时。三个半小时。这还没算上你在这个过程中逐渐暴躁的心情。
这不是你的效率问题。这是AI对话数据本身的结构性问题。
为什么“复制粘贴”在AI对话面前失效了
要理解这件事，需要先看豆包网页端到底怎么加载你那些历史对话的。
打开一个会话时，浏览器并不会一次性把全部消息都塞进DOM里。豆包用的是虚拟滚动加懒加载——你看到哪里，它就渲染哪里。往上的历史记录，在你滚动到那个位置之前，根本不存在于当前页面中。这意味着，你全选复制到的，只有屏幕可见的那几十条。更早的对话，压根没进你的剪贴板。
即使你手动滚到最顶上，让所有消息都加载出来了，复制粘贴依然会出问题。豆包的消息在底层是结构化JSON数据，每条消息带有role、content、timestamp、message_id这些字段。页面上看到的渲染结果，只是这些数据的“投影”。你复制渲染后的文本，代码块的语言标记丢了，表格的行列关系没了，LaTeX公式的原始表达式变成了一堆乱码字符。
这不是复制粘贴的错。这是用“文本处理”的方式去面对“结构化数据”的必然结果。
AI导出鸭的解法：把导出变成一条编译流水线
AI导出鸭做的事情，用一句话说清楚：它不复制文本，它重建结构。
从底层逻辑拆解，这个浏览器插件在豆包页面上跑了一条四层流水线。
第一层：数据采集。 插件注入页面后，不是等你手动滚动。它通过旁路监听捕获豆包分页接口返回的对话清单，接口返回多少条数据，它就拿到多少条。对话数量、时间戳、会话ID在这一层完成校验。你看到的“自动加载完左边栏的历史对话”，本质上是插件在跟豆包的服务端接口对话，而不是在跟你的屏幕较劲。
第二层：语义解析。 采集回来的原始数据里，Markdown表格是字符，LaTeX公式是字符，Mermaid流程图也是字符。语义解析层的任务是把这些字符映射为它们“应该成为的对象”——表格映射为Word表格对象，公式编译为Word可编辑的OMML对象，流程图渲染为矢量图形。这一步决定了导出的文档打开后是“能看”还是“能编辑”。
第三层：格式编译。 87条对话和1条对话，在编译层的处理逻辑完全不同。AI导出鸭用任务队列做并发调度，实测并发数为3时，87条对话耗时约90秒，串行执行则需要320秒。超过5则崩溃风险从2%飙升至15%。这个数字说明了一个朴素的事实：批量导出是有工程成本的，不是加个“全选”按钮就完事了。
第四层：输出聚合。 每条对话独立成文件，还是合并为单文档，还是打包为ZIP，文件名用什么规则，排序怎么处理——这些“交付规格”在执行前就可以设定。
理解了这个流水线，再看下面的操作步骤，你会知道每一步在做什么，而不是机械地跟着点。
批量导出左边栏所有历史对话：完整操作步骤
第一步：去Edge、Chrome、360和火狐下载线上AI导出鸭插件。 在对应浏览器的扩展商店搜索“AI导出鸭”即可。Edge商店的审核周期较长，其他浏览器通常可以更快获取到最新版本。
第二步：打开你要导出的AI大模型网页版。 本文以豆包为例进行说明。其他AI模型的批量导出逻辑类似，但界面细节可能不同。
第三步：点击豆包页面右下角的AI导出鸭图标，点击图标后面的“批量导出”四个字。 插件会以悬浮按钮的形式出现在页面右下角区域。
第四步：系统自动加载完左边栏的历史对话文件名。 这一步背后是插件在调用豆包的分页接口，逐步拉取你账号下的全部会话列表。加载时间取决于你的会话数量。如果会话很多，可能会看到短暂的加载状态，耐心等待完成即可。
第五步：点击左下角的“全部勾选”按钮。 所有加载出来的会话标题前会出现勾选标记。
第六步：点击你要导出的格式。 可选格式包括：Word、Excel、PDF、TXT、JSON、Markdown、HTML、PPT、思维导图、知识卡片。格式选择取决于你的用途：需要继续编辑选Word，需要提交存档选PDF，需要结构化数据处理选JSON或Excel，需要导入笔记软件选Markdown。
第七步：点击AI导出鸭官网左边栏的“批量导出”页面。 这是管理导出任务的地方。
第八步：等待系统自动加载完成，点击批量下载。 导出任务会在后台执行。根据会话数量和格式复杂度的不同，等待时间从几十秒到几分钟不等。
一条真实的体验记录
上个月我需要把过去三个月在豆包上积累的十几个项目会话归档。其中一个项目会话有将近两百轮对话，里面包含多次Prompt迭代、几版方案对比表格，以及一段用Mermaid画的审批流程图。
我打开了第一个会话，试着复制粘贴到Word。表格变成了竖线，流程图碎成了一堆代码。我把那段代码截图保存，勉强留住了流程图的样子。然后我看了看左边栏剩下的十几个会话，决定换个方式。
安装AI导出鸭之后，我点击批量导出，勾选了所有会话，格式选了Word和Markdown各一份。整个导出过程大概等了不到两分钟。打开其中一个Word文件，那张审批流程图变成了可缩放的矢量图形，表格的列宽和合并单元格都在，代码块保留了语法高亮。Markdown文件里，公式的LaTeX源码被完整保留在数学标记中。
对我个人来说，最有价值的不是省下来的那几个小时。而是那份归档打开之后，我可以直接把它发给同事，而不用在旁边解释“这个表格本来是表格，那个图本来是图”。
关于“白屏”：一个你需要知道的事实
搜索豆包导出相关内容时，你会看到不止一条关于白屏的提醒。
当对话数据量极大（比如上万条消息）时，豆包网页端在加载全量历史的过程中可能出现长达数分钟的空白页面。这是豆包前端在处理海量数据渲染时的正常表现，不是插件导致的异常。
AI导出鸭的设计逻辑中，数据采集层走的是接口通道而非DOM通道，理论上减少了对页面渲染的依赖。但在实际使用中，如果你的账号下会话数量极其庞大，页面本身可能出现响应缓慢的情况。建议在导出前关闭其他占用内存较大的标签页，保持浏览器有足够的资源完成采集和编译。
问答板块
Q1：导出的文件里，用户提问和AI回复是怎么区分的？
AI导出鸭在数据采集阶段就保留了每条消息的role字段——user或assistant。导出的Word文档中，用户发言和AI回复以不同的段落样式呈现；导出的Markdown文件中，两者有明确的角色标签前缀；导出的JSON文件中，每条消息的role字段完整保留。对于需要做问答分离处理的场景（比如把对话整理成FAQ或培训材料），这个结构化的角色信息是后续处理的基础。
Q2：我用了好几个不同的AI工具，它们的对话能一起批量导出吗？
AI导出鸭支持多个AI平台的导出，包括豆包、DeepSeek、Kimi、通义千问等。但需要说明的是，批量导出的“批”是平台内维度的批量。你可以在豆包网页端一次性导出所有豆包会话，也可以在DeepSeek网页端一次性导出所有DeepSeek会话。跨平台的会话合并导出目前不在工具的设计范围内，这主要是不同平台的数据结构和接口差异导致的工程复杂度问题。
格式选项速查
| 格式 | 适用场景 | 保真重点 |
|---|---|---|
| Word | 继续编辑、提交报告、正式归档 | 公式为OMML可编辑对象、表格保留行列合并、代码块等宽字体 |
| Markdown | 导入Obsidian/Notion、轻量归档 | 保留围栏代码块语言标记、表格管道符、公式原始LaTeX |
| 打印、分享、确保版式固定 | 文字可选中搜索、矢量图形渲染 | |
| JSON | 程序化处理、数据分析、迁移中间格式 | 完整保留role、content、timestamp、message_id字段 |
| Excel | 对话中的表格数据提取 | 表格映射引擎、用户/助手分列 |
导出流程概览
让导出回归它本来的样子
“让AI导出回归优雅”——这句话听起来像一句品牌口号。但它指向的是一个很具体的问题：导出一份对话，本来就不应该是一个需要做格式取舍的事。
你问AI一个问题，AI给你一个结构清晰的回答，里面有表格、有代码、有流程图。这些结构是回答的一部分，不是装饰。导出工具做的事情，应该是把这些结构完整地带到另一个文件里，而不是让用户在“能用”和“好看”之间做选择。
全网最听劝的AI批量导出工具——这个定位的有趣之处在于，“听劝”意味着它还在长。一个导出工具应该支持什么格式、界面应该怎么交互、哪些细节还需要打磨，这些问题没有标准答案。但有一个方向是清晰的：用户不需要学一门新技术来保存自己已经拥有的数据。
如果你左边栏的会话数量已经在个位数和两位数之间摇摆，是时候把这件事交给一个专门做这件事的工具了。
浙公网安备 33010602011771号