技术书读完三个月就忘光？这个 7000 星开源工具，5 步把整本书变成 AI 随叫随到的"外挂大脑"

你有没有过这样的经历？

花了 89 块钱买了本《Designing Data-Intensive Applications》，啃了两个星期，读完那一刻意气风发。三个月后老板问你"我们这个场景到底该用哪种数据复制策略"，你脑子里只剩下一句——"书里好像讲过……第七章？还是第八章来着？"

于是你开始了熟悉的三连套路：

• • 📄 "我搜一下 PDF" —— 搜出来一堆页码，不是答案；
• • 🧠 "让 AI 帮我看看这本书" —— AI 要么一本正经地胡编，要么干脆说"我没有这本书的内容";
• • 📝 "我读的时候做笔记" —— 最后攒了个 200 行的文档，再也没打开过。

书买了，时间花了，知识却像沙子一样从指缝漏光。有没有一套可复制的方法，让你读过的每一本技术书，都变成 AI 随时能调用、还不会瞎编的"常驻技能"？

最近在 GitHub 冲到 7000+ star、登上 Trendshift 当日 Python 榜第 10 的开源项目 book-to-skill，给出的答案很硬核：把整本书"蒸馏"成 Agent Skill，比直接把书丢进上下文省 24–51 倍 token。

今天这篇，给你 5 个上手步骤 + 3 个核心认知，照着做就行。

一、先搞懂：它到底解决了什么问题？

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、Amp 里边干活边查阅。

它的工作原理只有 3 步，简单到一句话能说完：

指一下 → 它蒸馏 → Agent 按需加载。

book-to-skill 工作原理三步法

具体拆开：

1. 1. 指一下（Point）：把它指向一个文件、文件夹或通配符，比如 /book-to-skill ./my-book.pdf；
2. 2. 它蒸馏（Distill）：把整本书提炼成一个 skill —— 框架、决策规则、反模式、每章一个文件。注意，是结构化提炼，不是摘要；
3. 3. 按需加载（Load on demand）：你的 Agent 用到时才加载。输入 /my-book replication，它自动读对应章节，从真实内容里回答，不幻觉。

关键差异在这句话：原始文本注入是"检索"，而 skill 是"推理"。 当你加载一个章节文件时，Claude 拿到的不是一堆关键词匹配的页码，而是预先提炼好的命名框架、原则和心智模型——为"应用"而结构化，不是为"阅读"。

二、它会生成什么？（What）

跑一次 /book-to-skill your-book.pdf，它会在你的 skills 目录里生成一整套结构化文件。这是它和"做笔记"最本质的区别——你得到的不是一坨文字，而是一套分层、可按需调用的知识体系：

记住这个设计精髓：章节文件是"按需加载"的——在你真正问到那个主题之前，它们根本不占用 skill 的 token 预算。常驻的只有那个 ~4,000 tokens 的 SKILL.md 核心。

一坨 1,000 token 的提炼，胜过一段 10,000 token 的原文摘录。密度，永远优先于完整。

三、为什么省那么多 token？（核心认知）

这是全篇最值得你记住的一点。作者起了个很形象的名字叫 "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一遍。 为了不爆预算，子 Agent 被迫把读到的内容暴力压缩，最后甩给主 Agent 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。

下面这组在三本真实书上跑出来的数据，最有说服力：

三种方式回答同一个问题的 token 消耗对比

三个要点你拿走：

1. 1. 章节越大，优势越明显：从小章节的 2.4 倍，到大章节的 15.6 倍；
2. 2. 直接塞上下文的代价是每一轮都重复付：一本 400 页的书约 20 万 token，每次对话开头就烧掉；
3. 3. book-to-skill 是一次性买断：编译一本书大约 1 美元（按 Claude Sonnet 4.5 估算），之后每次只加载你需要的那一片。

把书贴进上下文，是"每一轮、每一次会话、永远"地交税；book-to-skill 是付一次编译费，往后只取需要的切片。经济学叫"摊销"，不是"比大小"。

四、5 步上手清单（How，照着做）

光看原理不顶用，下面是拿来就能跑的操作清单。

第 1 步：装好提取依赖（按书的类型选工具）

它会按格式依次尝试工具，用第一个可用的。一行命令先体检：

python3 scripts/extract.py --check

PDF 按书的类型二选一：

• • 纯文字书（散文、表格少）：装 pdftotext（sudo apt install poppler-utils），瞬间完成；
• • 技术书（代码、表格、公式多）：装 docling（pip3 install docling），约 1.5 秒/页，但能把表格和代码块原样保留成 markdown。

纯文本、Markdown、reStructuredText、AsciiDoc 这几种格式不用装任何东西。

第 2 步：指向你的书

一条命令的格式是这样：

/book-to-skill <文件/文件夹/通配符>... [skill 名称]

支持的格式相当全：PDF、EPUB、DOCX、TXT、Markdown、reStructuredText、AsciiDoc、HTML、RTF、MOBI/AZW/AZW3。

第 3 步：回答"技术书还是文字书？"

提取开始前，它会问你这本书是 technical（技术） 还是 text-heavy（纯文字），然后自动选对工具——技术书走 Docling 保留表格代码，纯文字书走 pdftotext 图个快。别跳过这一步，选错了表格和代码会丢。

第 4 步：等它生成 skill

它会自动：分析结构（标题、作者、章节、目录）→ 生成每章 800–1,200 token 的提炼 → 生成术语表、模式库、速查表 → 写出带核心心智模型的 SKILL.md。最后 skill 落到对应目录：

• • ~/.claude/skills/<slug>/（Claude Code）
• • ~/.copilot/skills/<slug>/（GitHub Copilot CLI）
• • ~/.agents/skills/<slug>/（Amp / 跨 Agent）

第 5 步：像用技能一样用它

/designing-data-intensive-apps                 # 加载核心心智模型
/designing-data-intensive-apps replication     # 定位并讲解某个主题
/designing-data-intensive-apps ch05            # 直接钻进第 5 章
/designing-data-intensive-apps "你有哪些章节？"

提示：GitHub Copilot CLI 写完文件后可能要跑一下 /skills reload；Claude Code 和 Amp 下次会话自动识别。

五、别被"书"字骗了：它能吃的远不止书

名字叫 book-to-skill，但它的输入其实是任何结构化的文字。下面这些你天天重读的东西，都是合格的原料：

• • 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，边写代码边问；
• • 品牌与设计系统：语气规范、tone-of-voice、组件原则——把 60 页的品牌手册变成团队随时查的 skill；
• • 研究资料簇：一摞论文加你自己的笔记，合并成一个统一 skill，新材料来了还能"折叠"进去；
• • 规范与标准：RFC、API 契约、合规文档——你常引用但从不背下来的那些。

判断标准只有一句话：如果一份文档你打开的次数多到希望自己当初背下来了，它就是个好原料。

写在最后：3 句话复盘

如果你今天只带走三句话：

1. 1. book-to-skill 把"读一遍就忘的书"变成"AI 随叫随到、还不瞎编的技能"——靠的是结构化提炼，不是摘要；
2. 2. 它省 token 的本质是把导航成本在编译时付一次，而不是每轮对话都重交"探索循环税"，实测省 24–51 倍；
3. 3. 凡是你反复重读的结构化文字——书、文档、论文、规范——都能变成 skill。

从今天开始的第一步：翻出你书架上那本读了一遍就吃灰的技术书，跑一句 python3 scripts/extract.py --check，先把环境体检了。一本书的编译成本约 1 美元，远比你每次会话重新喂一遍 PDF 划算。

项目地址：github.com/virgiliojr94/book-to-skill，MIT 协议，开源免费。

你书架上那本"读完就忘"的书是哪一本？评论区告诉我，看看谁的最值得做成 skill。

今天的分享就到这里。后续我会持续为大家带来实用的技术干货和前沿的技术资讯。如果你对工具链探索感兴趣，我会在公众号「DevLlama」持续分享前端工程化、构建优化等实战经验，欢迎关注，不要错过任何精彩内容！

支持我们，点赞或分享到朋友圈！