把书装进编辑器：book-to-skill 如何把技术书变成可安装的 AI 技能
你读过的每一本技术书，不该在合上封面后就变成“ dormitory 知识”。
为什么这个项目值得认真对待
2026 年，知识工作者的核心矛盾早就不是“找不到资料”，而是“资料太多，真正能调用的太少”。
你买了一本好书，读了一遍，三个月后连第七章讲了什么都想不起来。你把 PDF 扔给 AI，要么得到一堆页面索引，要么得到一段看似合理但其实在编造的回答。你做了笔记，然后……再也没打开过。
这个问题在 Agent 时代被放大了。我们现在可以用 AI 辅助工作，但大多数人的知识管理方式还停留在“丢进上下文窗口”这个原始阶段。真正缺的不是又一个总结工具，而是把知识变成可检索、可执行、可随用随取的结构化能力。
book-to-skill 恰好对准了这个缺口：它不生成摘要，而是把整本书、整套文档、甚至一整个资料夹，转成 Agent 可安装的技能。装上之后，你只需要说“帮我看看这本书关于 XX 的章节怎么说”，Agent 就会按需读取对应章节，基于原文回答，而不是靠记忆胡编。
这对正在用 Claude Code、Copilot CLI、Amp 的开发者尤其重要：你积累的技术知识，终于可以像代码一样被“引用”和“按需加载”。
这个项目到底是什么
book-to-skill 是一个开源转换器，核心定位是：把任意技术书、文档夹或资料集合，变成 Agent Skills 标准下的可安装技能。
输入可以是：
单本 PDF、EPUB、DOCX、HTML、RTF、MOBI
一整个文档目录
一批相关论文/笔记/标准文档的集合
输出是一个完整技能包，可以直接安装到 Claude Code、GitHub Copilot CLI 或 Amp。
它解决的，是“知识消费”到“知识工具化”的最后一公里。
它是怎么工作的
项目分为两半：确定性提取器 + 规范驱动生成器。
第一步：提取器把原始材料洗干净
提取器负责把各种格式的原始材料转成干净文本 + 元数据。关键设计是“按书选工具”：
纯文本/小说类：
pdftotext秒级完成技术书（含代码、表格、公式）：
docling，保留 Markdown 表格和代码块扫描件 PDF：先做 OCR，再进入提取流程
EPUB：
ebooklib + beautifulsoup4DOCX / HTML / RTF / MOBI：各有对应解析器
项目不会在第一步就把内容喂给模型，而是先生成结构化中间表示。这意味着隐私优先，你的书稿/内部文档不会在提取阶段被上传到任何云端。
第二步：生成器把文本变成技能
这是项目的核心创新。生成器不依赖模型“自由发挥”，而是遵循固定的 SKILL.md 模板规范，把提取后的内容拆成：
SKILL.md：心智模型 + 章节索引，约 4000 tokenschapters/ch01-*.md…chNN-*.md：按章拆分，按需加载，每章约 1000 tokensglossary.md：关键术语表，按字母排序并标注章节引用，约 1500 tokenspatterns.md：技术模式、算法和设计模式汇总，约 2000 tokenscheatsheet.md：决策表和速查规则，约 1000 tokens
这种结构的妙处在于：章节文件不会在安装时全部加载，只在你真正问起那个话题时才被读取。对上下文窗口有限、按 token 计费的 AI 工作流来说，这是真正的“按需知识注入”。
为什么这件事值得做
很多人第一反应是：“直接把书喂给 AI 不行吗？”
项目给出的答案是：可以，但成本高得离谱。
作者提出了一个叫 “Discovery Loop Tax” 的概念：当你把整本书丢进上下文时，Agent 不只是“读”，还要反复导航目录、前后跳转、重新理解章节关系。每一次问答，它都在重复做这些导航工作。
book-to-skill 的做法是：把结构化成本一次性付在转换阶段，之后的每次查询只加载相关章节。实测结果是：回答同一个问题时，只需要 24x 到 51x fewer tokens，相比直接把书倒进上下文窗口。
这不是锦上添花的优化，而是让“让 Agent 真的基于厚书工作”从“勉强能用”变成“经济上划算”。
不只限于书
项目名字叫 book-to-skill，但作者明确说：输入可以是任何结构化 prose。
几个高价值的扩展场景：
内部文档：架构决策记录、Runbook、新手指南，整个
docs/目录直接转成技能，写代码时随时问品牌与设计系统：Voice guidelines、组件原则、Tone of Voice 文档，装成技能后团队不用再翻 60 页 PDF
论文集群：一批论文 + 你自己的笔记，合并成统一技能，新论文进来时可以“fold-in”增量更新
规范与标准：RFC、API 契约、合规文档，这些你Reference 很多但从不背诵的材料，最适合转成技能
本质上，它的判断标准很简单：如果你 reopen 一份文档的次数多到希望自己已经背下来了，它就是候选。
安装和使用
安装非常简单，一条命令：
npx skills add virgiliojr94/book-to-skill
也可以手动 clone 到对应 skills 目录：
git clone https://github.com/virgiliojr94/book-to-skill.git ~/.claude/skills/book-to-skill
使用时，在支持 Agent Skills 的客户端里调用：
/book-to-skill ./my-book.pdf
支持的模式包括：
直接分析并生成技能
分析-only，不生成
基于已有分析结果生成
更新/合并新资料进已有技能
生成后的技能还可以发布到 GitHub，团队其他成员直接用 npx skills add 安装。
边界和注意事项
这个项目不是万能胶水，有几个明确边界：
它生成的是结构化摘要和索引，不是原文复制。输出是框架名、定义、takeaway、决策规则，不是逐段抄书。
扫描件 PDF 需要先 OCR，工具不会自动处理纯图片页。
输出技能默认私有，不要直接把受版权保护的书转成技能再公开发布。
性能数据来自真实书籍实测，具体倍数取决于书的类型和你提的问题粒度。
对普通技术人的意义
如果你是一个经常查文档、翻书、找标准的技术人，book-to-skill 代表了一种新的知识工作方式：
不再是“读书记笔记”，而是“把书变成可执行知识模块”
不再是“丢进上下文”，而是“按需加载”
不再是“每次重新理解”，而是“一次结构化，终身可调用”
它不一定需要你真的去跑一遍转换流程才觉得有价值。光是“把知识工具化”这个思路本身，就值得每个用 AI 辅助工作的人认真想一下：
你手里那些读了又忘的资料，是不是也该装个“索引夹”了？
相关链接
GitHub 仓库：virgiliojr94/book-to-skill[1]
Release 下载页[2]
How it works 详细文档[3]
Usage 使用说明[4]
Performance 性能与 token 成本说明[5]
Agent Skills 开放标准[6]
引用链接
[1]GitHub 仓库：virgiliojr94/book-to-skill: https://github.com/virgiliojr94/book-to-skill
[2]Release 下载页: https://github.com/virgiliojr94/book-to-skill/releases
[3]How it works 详细文档: https://github.com/virgiliojr94/book-to-skill/blob/master/docs/how-it-works.md
[4]Usage 使用说明: https://github.com/virgiliojr94/book-to-skill/blob/master/docs/usage.md
[5]Performance 性能与 token 成本说明: https://github.com/virgiliojr94/book-to-skill/blob/master/docs/performance.md
[6]Agent Skills 开放标准: https://github.com/agentskills/agentskills