这本书我买了 3 年没翻过，直到我用这个工具把它变成了 AI 的记忆

17.8k 星，7 月 29 日单日涨 1400+ 并登上 GitHub Trending。它是目前"知识→Skill"赛道最受关注的开源项目之一。

你买过多少本技术书，读完第一章就再也没翻开过？

我书架上有一本《Designing Data-Intensive Applications》，买了三年，封面都快褪色了。每次写系统设计文档时都想翻翻，但想想 600 多页的 PDF，还是算了。

不是不想学，是读完 ≠ 能用。三个月后你连第 7 章讲了什么都不记得。

这就是 book-to-skill 要解决的问题。

它是怎么做到的？（3 步说清）

1️⃣ 指向书本：  /book-to-skill ./设计数据密集型应用.pdf
2️⃣ 自动蒸馏：  提取→清洗→分章→生成结构化 Skill
3️⃣ AI 按需调取：/设计数据密集型应用 复制 → 读取第 5 章 → 基于原文回答

它不只是一个"PDF 转文本"工具。它生成的是一个结构化知识包：

关键设计在于**"分章按需加载"**——你不问第 3 章，它就不占 Token 预算。

实测：我用它处理了一本 400 页的书

先搞清楚它的架构——book-to-skill 分两层：

① 提取器（Python 脚本，零 API 消耗）

纯 Python 实现，完全在你本机运行，负责把 PDF/EPUB/DOCX 等原始文档转成干净的文本和元数据。不联网，不消耗 Token，不调用任何 LLM。

② 生成器（Agent 遵循 SKILL.md 指令，需 API Key）

提取完成后，你的 AI Agent（Claude/Copilot/Amp）会按照 SKILL.md 中预定义的步骤，将提取出的文本进一步整理成结构化 Skill——分章、提取术语、识别模式、生成速查表。这一步才需要 Agent 的 API Key。

简单说：提取免费，结构化需要 AI。 项目本身是 MIT 开源、完全免费的——你只需要支付你自己 Agent 的 API 调用费用即可。

安装（两种方式，按需选择）：

# 方式一：独立 CLI（纯提取引擎，不依赖 Agent）
pip install book-to-skill
book-to-skill --help

# 方式二：Agent Skill（注册 /book-to-skill 命令，支持完整蒸馏流程）
git clone https://github.com/virgiliojr94/book-to-skill.git ~/.claude/skills/book-to-skill
# 也支持 Copilot CLI: ~/.copilot/skills/、Amp: ~/.agents/skills/

跑起来：

# 在 Agent 对话中直接输入
/book-to-skill ./python-advanced.pdf

处理速度因模式和页数而异（数据来源：官方 PERFORMANCE.md^[1]，不同硬件配置下速度差异较大）：

虽然钩子用的是《DDIA》这本经典大部头，但这次实测我拿了一本 400 页的 Python 进阶书来跑——效果同样好。我选择了高精度模式（因为书里有大量代码和表格），跑完后生成 5 个文件，总计约 9500 tokens。

然后我让 AI 回答："这本书推荐的错误处理最佳实践是什么？"

它直接定位到第 8 章，给出基于原书的答案 + 书中的代码示例。因为是严格基于结构化后的原文召回，在实际使用中显著降低了幻觉现象。

对比一下 Token 消耗：如果不做转化，直接把 PDF dump 进上下文（约 15 万 tokens），每次提问都要花几十万 tokens 去"翻书"。book-to-skill 只在转化时支付一次成本，之后每次查询只加载对应章节——实测 24×–51× 更省 Token（数据来源：官方 PERFORMANCE.md，基于 Claude 3.5 + 10 万 token 上下文测算）。

⚠️ 注意：提取阶段完全本地处理，不消耗 API。但生成 Skill 阶段需要调用 Agent API（Claude/Copilot/Amp），此时你的文档内容会通过 API 发送给对应的 AI 服务商——数据按对应服务的隐私政策处理，不是"全程不出电脑"。如果对数据隐私有严格要求，可以只用 CLI 模式提取纯文本，跳过 Agent 生成阶段。

不止是书

虽然名字叫"book-to-skill"，但它能处理的远不止书——支持 PDF、EPUB、DOCX、HTML、Markdown、RTF、MOBI、TXT、RST、AsciiDoc 等 9 种以上格式：

• 公司内部文档：ADR（架构决策记录）、Runbook、Onboarding 指南 → 打包成团队 Skill
• 品牌设计规范：品牌书、设计系统原则 → AI 随时引用的设计规范
• 论文堆 + 笔记：一叠 Arxiv 论文 + 你自己的笔记 → 合并成研究 Skill
• RFC / API 合同：协议文档、合规文档

只要是你反复打开又懒得记的东西，都适合转化。

同类对比

book-to-skill 和仓颉.Skill（视频/播客知识蒸馏工具）是互补的——前者处理图文知识，后者处理音视频知识。两者可以用在同一条"知识→Skill"生产线上。

4 个踩坑点

1. 版权红线：生成的 Skill 本质是你的"读书笔记"，不能公开分发。作者在 README 里明确写了这点。自用 OK，转发不行。另外，如果原书有 DRM 保护，转化过程可能涉及法律风险，使用前请确认你拥有合法使用权。

2. 技术书必须用 docling：如果你的 PDF 里有很多代码块和表格，默认的 pdftotext 会丢失格式。记得选高精度 docling 模式——但代价是速度慢（约 1.6 秒/页）。

3. 不支持扫描版 PDF：必须有可提取的文字层。扫描版、手写笔记拍照这类无法处理。

4. 需要 Agent 环境：要体验完整的"蒸馏→结构化 Skill→Agent 按需调取"流程，需要已配置好 Claude/Copilot/Amp 的 API Key。如果你只需要提取纯文本用于搜索或手动整理，pip install 的 CLI 模式不依赖任何 Agent，完全够用。

我的一句话判断

如果你经常用 AI 编程助手，并且书架上有几本想用但懒得翻的技术书——book-to-skill 是目前最值得投入的"知识资产化"工具之一。

如果只用 CLI 模式提取纯文本，也能用于搜索或手动整理；但要体验完整的"蒸馏→结构化 Skill→Agent 按需调取"流程，需要一个能正常工作的 AI Agent 环境。

后台回复「book-to-skill」获取完整 11 节深度调研报告（含源码结构 + P0/P1/P2 借鉴清单 + 安装踩坑记录）。

Stars 数据：GitHub API 实时查询（截至 2026-08-07 约 14:00 CST）。Token 节省数据：官方 PERFORMANCE.md。