告别"读完就忘"：book-to-skill 如何把知识沉淀为 AI 的"常驻技能"#
把整本书"蒸馏"成 AI 随叫随到的技能，而不是等着被检索的文字
核心认知：它做的不是摘要，是"编译"#
book-to-skill 的一句话定位是——把任意技术书、文档文件夹或资料合集，变成一个统一的 Agent Skill，让你在 Claude Code、GitHub Copilot CLI 里干活时随时查阅。
它的工作原理只有三步，简单到一句话：
指一下 → 它蒸馏 → Agent 按需加载关键在于**“蒸馏"不是"摘要”**。摘要是压缩，蒸馏是提取框架、决策规则、反模式和心智模型——把作者花几年构建的知识体系，编码成 AI 能直接拿来推理的结构，而不是一堆等着被关键词匹配的文字。
这个区别在日常使用中感受很明显：你问"分布式系统怎么做数据复制"，拿到的是"这本书里有 3 种复制模型，分别适用于什么场景"，而不是"第 117 页到 135 页提到了 replication"。
省 Token 的秘密：消灭"探索循环税"#
为什么直接丢 PDF 给 AI 又贵又不好用？作者起了一个形象的名字叫**“探索循环税”（Discovery Loop Tax）**。
一个读 PDF 的 Agent 不只是"读"，它还要"导航"：你问一个问题，它先抓目录，发现一个不懂的术语，再翻几页，回退……每一次跳转都进了对话历史，并在后续每一轮被重新处理。为了不爆预算，子 Agent 被迫暴力压缩，最后甩给你一份没法核对的劣质摘要。
book-to-skill 的思路是：导航成本只在编译时付一次。运行时只加载一个小巧的常驻核心 + 一个预编译好的章节（约 5,000 tokens），没有探索循环，没有压缩失真，完整原文还留在硬盘上供核对。
官方在三本真实书上跑出的数据#
| 书（体积） | 直接塞进上下文 | 探索循环 | book-to-skill | 省 Token 倍数 |
|---|---|---|---|---|
| Think Python 2（119K） | 119,264 | 12,152 | ~5,000 | 24× / 2.4× |
| Working Backwards（175K） | 175,253 | 33,444 | ~5,000 | 35× / 6.7× |
| AI Engineering（256K） | 256,287 | 77,866 | ~5,000 | 51× / 15.6× |
把书贴进上下文，是"每一轮、每一次会话"地交税；book-to-skill 是付一次编译费，往后只取需要的切片。经济学上叫**“摊销”**。
生成什么：一套可分层调用的知识体系#
运行一次 /book-to-skill your-book.pdf，会在你的 skills 目录里生成一整套结构化文件：
| 文件 | 用途 | 体积 |
|---|---|---|
SKILL.md |
核心心智模型 + 章节索引 | ~4,000 tokens |
chapters/ch01-*.md |
每章一个文件，按需加载 | 每章 ~1,000 tokens |
glossary.md |
术语表，按字母排序 + 章节引用 | ~1,500 tokens |
patterns.md |
所有技巧、算法、设计模式 | ~2,000 tokens |
cheatsheet.md |
决策表与快速参考规则 | ~1,000 tokens |
设计精髓在于按需加载：平时只占 4,000 tokens 的核心框架，问到具体话题才调对应章节。1,000 tokens 的提炼，胜过 10,000 tokens 的原文摘录——密度优先于完整。
别被"书"字骗了：它能吃的远不止书#
名字叫 book-to-skill，但输入其实是任何结构化的文字：
| 类型 | 示例 |
|---|---|
| 内部文档 | 架构决策记录、运维手册、新人上手指南——把整个 docs/ 文件夹折成一个 skill |
| 品牌与设计系统 | 语气规范、tone-of-voice、组件原则 |
| 研究资料簇 | 一摞论文加笔记，合并成统一 skill |
| 规范与标准 | RFC、API 契约、合规文档 |
判断标准只有一句：
如果一份文档你反复打开到希望自己背下来了，它就是好原料。
这个思路的迁移价值，可能比工具本身更大：与其把长资料整个塞进对话框，不如先把它抽成结构化的、能按需调用的知识。
实战：5 步上手#
第 1 步：装依赖#
# 先体检
python3 scripts/extract.py --check
# 纯文字书
sudo apt install poppler-utils
# 技术书（含代码、表格）
pip3 install docling技术书走 Docling 布局感知提取，103 页技术书的对比很说明问题：
| 工具 | 耗时 | 效果 |
|---|---|---|
pdftotext |
0.1 秒 | 抽完但表格代码全丢 |
| Docling | 164 秒 | 保住 48 个表格和 36 个代码块 |
技术书里表格和代码是命门，多花两分钟值。
第 2 步：安装 skill#
在 Claude Code 里直接说：
Install book-to-skill: https://raw.githubusercontent.com/virgiliojr94/book-to-skill/master/SKILL.md第 3 步：指向你的书#
/book-to-skill ~/Downloads/designing-data-intensive-applications.pdf
/book-to-skill ~/books/clean-code.epub clean-code第 4 步：回答"技术书还是文字书？"#
工具会问这个问题，然后自动选对解析引擎。别跳过，选错了表格和代码会丢。
第 5 步：像用技能一样用它#
/designing-data-intensive-apps # 加载核心框架
/designing-data-intensive-apps replication # 查某个话题
/designing-data-intensive-apps ch05 # 直接看第5章成本与局限#
成本#
编译一本书大约 1 美元（按 Claude Sonnet 4.5 估算），之后每次只消耗几千 token。
局限#
- 需要明显的章节标识（“Chapter N"最稳）
- 扫描版 PDF 没有文字层——先得 OCR
- 如果一本书的逻辑链条特别深、上下文依赖特别强，1,000 tokens 的章节摘要不一定能兜住。但对大多数讲模式、讲原则、讲决策树的**“框架型"技术书**，效果很好
总结#
book-to-skill 做的事不复杂：提取技术书的核心结构，按章节拆分，装进 AI 的 skill 体系。但这个思路比"把 PDF 丢进上下文"精细得多——编译一次，按需加载，token 消耗可控，回答质量也更稳定。
翻出书架上那本读了一遍就吃灰的技术书，跑一句环境体检，把它变成你随时能调用的"外挂大脑”。一本书的编译成本约 1 美元，远比每次会话重新喂一遍 PDF 划算。