book-to-skill 完整拆解：书如何变成 Skill，上下文成本差在哪

book-to-skill 完整拆解书如何变成 Skill上下文成本差在哪【免费下载链接】book-to-skillTurn any technical book PDF into a Claude Code skill — ready to study, reference, and use while you work.项目地址: https://gitcode.com/GitHub_Trending/bo/book-to-skillbook-to-skill 是一个书籍转 Skill 的本地编译工具它回答的决策只有一个当你希望 Agent 反复使用一本书时哪种交付方式的每次成本最低。下文按成本、机制、边界、行动四层拆解所有数字来自仓库内的 tiktoken 实测与生成规范末尾附一份可直接执行的判断清单。 成本层回答一个问题三种交付方式的账单差 24 到 51 倍整书常驻是每一轮重复计费Skill 是每问一次固定计费而一次性转换成本约等于一本书 1 美元。仓库用 tools/discovery_tax.py 对真实提取的书籍文本建模了三种策略回答同一个针对性问题时的上下文消耗整书倾倒全书常驻每轮重复计费、发现循环在线读 PDF 的 Agent 先读目录、再拉原始章节必要时回溯前一章、Skill 加载常驻核心加一个按需章节。计量口径与流水线一致——脚本直接复用提取器的_chapter_number与_TOC_PATTERNtoken 计数优先用 tiktoken 的 cl100k_base不可用时退化为 words/0.75 启发式并在报告中打印所用方法。按 docs/performance.md 的实测数据横向对比如下单位进入上下文的 token 数策略Think Python 2Working BackwardsAI Engineering计费特征整书倾倒119,264175,253256,287每轮重复发现循环12,15233,44477,866一次性随章节规模增长Skill 加载~5,000~5,000~5,000每问固定Skill 一侧的 ~5,000 常驻核心 SKILL.md约 4K加一个预编译章节约 1K。相对整书倾倒少 24×、35×、51×相对发现循环少 2.4×、6.7×、15.6×——差距随章节变大而拉大因为发现循环的拉取量正比于章节规模而 Skill 的章节文件是按 docs/how-it-works.md 中 800–1,200 token 的深度预算编译的。要自己复现对任意一本已提取的书运行python3 tools/discovery_tax.py --full-text /tmp/book_skill_work/full_text.txt --target-chapter 5脚本会打印所用 token 方法、检测到的章节数、三种策略的成本与倍数并标注发现循环是模型估计、整书倾倒是每轮复发这一关键区别。⚙️ 机制层编译进磁盘的东西决定了它是推理还是检索Skill 与原始文本注入的本质差异不在体积而在预提取的结构是否已经落盘。证据在仓库根目录的 SKILL.md 生成规范里。Quality Rule #3 规定密度优于完整1,000-token 的摘要胜过 10,000-token 的摘录#7 规定绝不复制书的原始文本永远综合、总结、提取信号#6 是按需加载的落点Chapter files are on-demand — they dont count against skill budget until loaded。也就是说磁盘上存的是框架名、使用时机、反模式而不是原句。最说明分层设计的文件是 cheatsheet.md 的规范SKILL.md它被明确定义为skill 中最具差异化的一层——当作推理辅助而不是关键词列表优先收录决策规则When X, do Y, because Z、决策树、权衡矩阵与识别信号并明确避免裸的术语→定义行那是 glossary 的活。检索给的是接近你查询的块而这一层存的是作者的判断本身。持续维护能力对应 SKILL.md 的 Mode 4Update / Fold-in把新来源折叠进已有 Skill——读现有章节索引与 glossary/patterns/cheatsheet区分既有章节修订与新增章节新章节从现有最大章节号之后继续编号glossary 合并后重排。这让 Skill 可以随新材料滚动更新而不是每次重跑全量。验证方式转换后打开生成的cheatsheet.md数一下其中当……时做……句式决策规则与裸定义行的比例规则行占绝对多数说明编译产物是结构而非摘录。 边界层RAG、大窗口与训练数据各自只解决一半问题选型不是谁取代谁而是三种工具各管一段大窗口管一次性材料RAG 管多本书的找段Skill 管一两本书的反复应用。三条边界都能在仓库里找到对应实现大窗口。1M-token 窗口改变的是装得下不改变按 token 按调用计费的事实且模型在接近满载的上下文中定位特定事实会退化即 lost in the middle 现象。仓库的分工建议落在 docs/how-it-works.md 的设计原则On-demand chapters——topic index 告诉 Agent 读哪个文件章节只在需要时加载。RAG。RAG 在查询时工作分块、向量化、找相似、注入优化目标是找到提到 X 的部分book-to-skill 在编译时工作一次深度分析提取并命名作者的框架与反模式。任务形态决定选型——几十本书按关键词找段落RAG 类工具合适一本书或一组紧密相关资料要在工作时应用其框架Skill 合适。docs/faq.md 对二者的定性是互补。训练数据。对知名书模型有通识但那是被互联网讨论平均化过的压缩版具体引文与章节位置可能失真。生成规范对此的对策是引用纪律SKILL.md 的 Step 2.6 要求 50k token 的大书用 REPL 式访问grep/sed按需拉取章节而非整文件 Read生成前用grep -c验证某个框架确实出现在书中Quality Rule #8 强调 topic index 是 Agent 导航到正确章节文件的方式。产物因此锚定在你提供的文本上而非模型记忆。判断方式先回答两个问题——书目是宽还是窄材料是反复用还是用一次宽且找段→RAG用一次→大窗口直接读窄且反复应用→Skill。 失败边界扫描版 PDF 为什么一秒停止提取扫描版 PDF 是一叠页面图像没有文字层提取器的前置探针让你在 1 秒内看到可操作的错误而不是跑完全书拿到空 Skill。探针实现在 book_to_skill/parsers/pdf.pydef looks_image_only(pdf_path: str, pages: int 5) - bool: if not shutil.which(pdftotext): return False try: result subprocess.run( [pdftotext, -f, 1, -l, str(pages), -enc, UTF-8, os.path.abspath(pdf_path), -], capture_outputTrue, textTrue, timeout30, encodingutf-8, errorsreplace, ) return result.returncode 0 and not result.stdout.strip() except Exception: return False它只探测前 5 页-f 1 -l 5空文本即判定为扫描版缺 pdftotext 时返回 False交给常规提取链及其最终的空文本守卫兜底。调用点在 book_to_skill/utils.py探针为真就抛ExtractionError错误文本直接给出修复命令。测试侧在 tests/test_book_to_skill.py 覆盖了四条路径前页无文本判 True、有文本判 False、缺 pdftotext 跳过探针、异常文本必须同时含scanned与ocrmypdf。批量场景下这个异常是按源失败、批量安全的——book_to_skill/exceptions.py 把它定义为 non-fataldocs/how-it-works.md 的流程注释写明one bad source is skipped with a warning; the rest still process。不内置 OCR 是刻意的book_to_skill/dependencies.py 的 PDF 链只含 pdftotext、pypdf、pdfminer.six 与 docling没有任何 OCR 引擎README.md 的扫描版指引也是让用户自行处理。图内文字同理跨格式不提取EPUB 提取器统计归档内图片数book_to_skill/parsers/epub.py 的count_epub_images超过阈值book_to_skill/utils.py 中_EPUB_IMAGE_NOTICE_THRESHOLD 5就打印[warn] … their content is not extracted。操作先 OCR 再转换产物才是有文字层的输入——ocrmypdf input.pdf output.pdf再对output.pdf重跑转换。✅ 行动层转换前的三项自检与转换成本对照表先确认提取器齐备、选对模式再谈成本——转换本身一次性约 1 美元模式选错则白跑 164 秒。三项自检依赖自检PDF 链要求 pdftotextpoppler、pypdf、pdfminer.six 至少其一technical 模式另需 doclingbook_to_skill/dependencies.py 提供--check预检报告。缺项时先补齐再开始避免运行中途才发现失败。模式自检docs/performance.md 的实测显示同一本 103 页技术 PDFpdftotext 0.1s 完成但 0 表格 0 代码块Docling 164s约 1.5s/页却保留 48 张表格与 36 个代码块。纯散文选 text代码表格密集选 technical——章节自动检测依赖 Docling 保留的标题结构扁平化文本会导致 tools/discovery_tax.py 报No chapters detected。版权自检README.md 的 Copyright fair use 一节规定工具不随附任何书籍内容、处理在本地进行第三方受版权保护书籍生成的 Skill 必须保持私有只有自己的写作、开放许可内容或明确持有再分发权的内容才允许公开。真实书籍的提取与一次性编译成本合并如下估算价基于 Claude Sonnet 4.5$3/$15 每 MTok见 docs/performance.md书格式页数提取 token自动检测章节一次性编译估算Think Python 2PDF244119K19$0.88Working BackwardsPDF371175K10$0.96Pro GitPDF501229K— †$1.23Moby-DickEPUB—301K133 †$1.42† 章节自动检测依赖显式Chapter N式标题Pro Git 用章节标题、Moby-Dick 用罗马数字目录不自动分段时仍可转换但需手动指向章节见 docs/performance.md 脚注。判断清单每本书该走哪条路何时放弃整书倾倒只要这本书你会反复取用——倾倒成本每轮每会话重复发生而 Skill 转换成本一次付清约 1 美元/本两者在几次会话后必然交叉。何时选 RAG 而非 Skill书目超过一两本、需求是找到提到 X 的部分而不是应用这本书的框架时窄而深的资料簇仍走 Skill两者可以并存。何时直接用大窗口材料是扫一遍就扔的评审、摘要之后不再回看。如何处置扫描版 PDF转换前跑ocrmypdf报错文本里同时出现scanned与ocrmypdf字样即是本条路径1 秒止损是设计行为而非缺陷。如何验证产物质量打开生成 Skill 的cheatsheet.md与chapters/决策规则应多于裸定义行、章节文件在 800–1,200 token 预算附近、topic index 能唯一指向你实际问到的章节文件。何时禁止公开 Skill来源是第三方受版权保护的书内部文档、自己的写作与开放许可内容按各自许可处理。【免费下载链接】book-to-skillTurn any technical book PDF into a Claude Code skill — ready to study, reference, and use while you work.项目地址: https://gitcode.com/GitHub_Trending/bo/book-to-skill创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考