你是否也深陷这样的循环： 花钱买来经典技术书籍、团队内部文档、工作手册，认认真真通读一遍，可短短数月后，想查阅核心知识点，却翻遍全书找不到内容；直接把整本 PDF 丢给 AI，要么因上下文过载报错，要么 AI 只会罗列页码、答非所问，甚至凭空编造内容（AI 幻觉）；手动整理笔记，最后沦为尘封的文档，再也不会打开。 传统用 AI “读文档” 的两种主流方案，如今早已暴露明显短板： 直接上传完整文档 ：动辄几百页的书籍会瞬间耗尽 AI 上下文，每一次提问都消耗海量 Token，成本高、效率低，回答也只是零散文本片段； 搭建 RAG 检索 ：仅能做关键词匹配，随机抽取段落拼接答案，无法理解书籍整体框架、作者的设计思路与心智模型，面对复杂技术问题毫无招架之力。 现在，一款 GitHub 热门开源工具 book-to-skill 彻底改写了 AI 读文档的逻辑。它不做简单检索、不做文本拼接，而是 提前将书籍深度解析、结构化编译为 AI 专属 Skill ，编译一次、永久复用，AI 真正吃透全书框架，按需加载内容，既杜绝幻觉，又大幅降低使用成本。目前该项目 Star 数稳步增长，凭借精准的技术文档解析能力，成为开发者、运维、职场人必备的知识管理利器。 01 核心定位 book-to-skill 是基于 MIT 协议开源的文档转 Skill 工具，主打 技术书籍、办公文档、内部资料结构化编译 ，完美适配 Claude Code、Open Code、Codex 等主流 AI 编程助手。 它的核心逻辑区别于传统工具： 编译阶段深度拆解全书，而非查询阶段临时检索 。在处理文档时，工具会自动区分「技术类书籍」和「叙事类书籍」，采用不同解析引擎，完整保留表格、代码块、层级标题、技术模式等核心结构，最终输出一套标准化 Skill 文件。后续使用时，AI 仅加载核心框架，只有你询问具体章节、知识点时，才会按需调取对应内容，实现 “轻量调用、精准作答”。 1. 全格式兼容，9 类文档通吃 工具原生支持 9 大主流文档 / 电子书格式，覆盖日常绝大多数知识载体，无需额外转格式： 电子书类：PDF、EPUB、 MOBI/AZW/AZW3（Kindle 格式） 标记语言类：Markdown、reStructuredText、AsciiDoc、HTML、RTF 补充限制： 扫描版 PDF、加密 DRM 文档、图片格式文档无法解析 ，此类文件需先通过 OCR 转为可复制文本再使用。 2. 编译后生成 5 类结构化文件（核心架构） 将文档导入工具完成编译后，会在`~/.claude/skills/`目录下生成完整 Skill 包，每一类文件各司其职，也是它优于普通文本提取的关键，一本 400 页技术书整体约 20 万 tokens： 这套架构彻底解决了 “整书灌入上下文” 的痛点，哪怕是大部头技术书，日常使用也仅消耗少量 Token，长期使用成本极低。 02 深度对比 为了让大家直观理解优势，我们从 使用逻辑、解析效果、回答质量、运行效率、Token 消耗 五大维度，做全方位对比，同时附上官方实测数据。 1. 三种主流文档处理方案横向对比 临时搜关键词、海量文档批量检索，优先选 RAG； 反复查阅的经典技术书、公司内部专属文档、新书 / 外文技术资料， book-to-skill 是最优解 ，相当于让书籍作者常驻你的工作流中。 2. 文本提取效率实测（官方 103 页技术书基准测试） 技术文档中，表格、代码块是核心信息，普通提取工具会直接丢失，book-to-skill 提供两种解析模式，可按需选择速度与精度： 可以看到：纯文本提取速度碾压，但会丢失技术文档核心内容；Docling 布局感知解析耗时更长，但完整保留排版结构、代码与表格，对于技术书籍而言，牺牲时间换取信息完整性完全值得。 3. 核心区别通俗解读 直传 PDF ：AI 像 “翻书员”，只会告诉你 “内容在第几页”，不会理解知识； RAG ：AI 像 “摘抄员”，随机摘几段文字拼凑答案，逻辑全靠运气； book-to-skill ：AI 像 “学习者”，提前吃透全书结构、知识点关联、使用场景，提问直接输出 可落地的结论与方案 。 03 底层原理 整个编译流程全本地化运行（数据不上传外网，隐私安全），一共 6 个核心步骤，逻辑清晰、分工明确，同时针对大部头书籍做了性能优化： 分类判定 ：用户选择文档类型（技术书 / 叙事书），自动匹配解析引擎； 文本提取 ：叙事书使用 pdftotext 极速提取纯文本；技术书调用 Docling，保留布局、代码、表格； 切片优化 ：大于 50K tokens（约 130 页）的书籍，按章节切片读取，避免一次性加载全文造成 Token 浪费； 结构分析 ：AI 识别全书标题、目录、章节划分、作者核心框架； 内容提炼 ：逐章生成精华摘要（单章控制在 800-1200 tokens），技术文档额外保留代码示例与表格； 文件生成 ：批量输出 [SKILL.md](SKILL.md)、章节文件、术语表、模式库、速查表，存入 AI Skill 目录。 项目代码极简，仅由`SKILL.md`（约 530 行）和`extract.py`（约 830 行）两个核心文件组成，轻量化无冗余，低配电脑也能流畅运行（8G 内存笔记本可正常使用）。同时工具遵循四大设计原则，也是它体验出色的原因： 密度优于完整性 ：提炼精华而非原文堆砌，避免信息冗余； 从业者视角 ：输出 “场景 + 方案”，而非单纯介绍知识点； 核心前置 ：[SKILL.md](SKILL.md) 放在文件头部，适配 AI 上下文压缩规则； 尊重版权 ：所有内容为提炼摘要，不直接复制原文。 04 手把手落地教程 前置依赖（必装，否则报错） 根据解析文档类型，提前安装对应依赖： 通用依赖（纯文字文档）：安装`poppler-utils`（提供 pdftotext）；

技术 PDF（含代码 / 表格）：执行 `pip3 install docling`； EPUB 电子书（可选）： 执行 `pip3 install ebooklib beautifulsoup4`。 方式一：一键安装（新手推荐，适配 Claude Code/Open Code/Codex） 打开你的 AI 编程助手（Claude Code 优先适配），直接发送指令，自动完成 Skill 部署： Install book-to-skill: https://raw.githubusercontent.com/virgiliojr94/book-to-skill/master/SKILL.md 看到 “安装成功” 即完成基础部署，全程 2 分钟内搞定。 方式二：手动部署（进阶用户，确保环境稳定） 终端依次执行以下命令，手动创建目录并拉取核心文件： 核心使用命令（三种常用场景） 安装完成后，在 AI 会话框执行指令，将文档编译为 Skill： 基础用法（自动生成 Skill 名称） `/book-to-skill ~/文件路径/你的文档.pdf` 自定义 Skill 名称（便于记忆调用） `/book-to-skill ~/文件路径/书籍.epub 自定义名称` 支持 glob 模式，一键将整个文件夹文档合并为统一 Skill。 编译后调用指令（日常查询） 加载全书核心框架：`/自定义Skill名` 查询指定知识点：`/自定义Skill名 关键词`（例：`/python-book 递归算法`） 直达指定章节：`/自定义Skill名 ch05`（直接读取第五章内容） 重点实战踩坑 & 避坑清单（实测高频问题） 章节拆分异常 工具依赖明显章节标识（Chapter 1、罗马数字、标准序号），纯裸标题、无规范章节的书籍会被识别为单章。 解决方案 ：技术文档务必开启 Technical 模式解析。 扫描版 / 加密 PDF 解析空白 工具仅支持可复制文本，扫描件、DRM 加密文档需先 OCR 转文本、解除加密。 解析速度慢 技术文档使用 Docling 引擎本身耗时较长（单页约 1.5 秒），属于正常现象，103 页文档约 3 分钟完成，耐心等待即可。 低配设备卡顿 8G 内存设备禁止同时批量解析多本书，解析时关闭后台高负载软件。 AI 无法识别 Skill Open Code 需开启 “外部技能权限”；Claude Code 建议进入项目目录后再安装 Skill。 编译完成后建议人工复核，工具提炼能力受原书逻辑影响，复杂长链路知识点可能存在摘要不全。 05 适用场景 & 选型方案 ✅ 最适合使用 book-to-skill 的场景 高频查阅的经典技术书 ：DDIA、Clean Code、Python 技术书籍等，编程时随时调取框架与方案； 企业内部私有文档 ：架构手册、运维规范、入职文档、产品说明（AI 训练库无相关内容，刚需）； 新书 / 外文技术资料 ：AI 原生训练数据未覆盖，避免 AI 编造内容； 个人笔记 / 资料合集 ：将 Markdown 笔记、零散文档整合为统一 Skill，统一管理。 跨几十本图书大规模检索 ：此类场景 RAG、NotebookLM 效率更高； AI 已深度收录的通用经典书籍 ：编译后收益极低，浪费时间； 纯图片、扫描件、加密文档 ：需额外 OCR / 解密，流程繁琐。 单本 / 少量文档、深度复用、追求答案精准 → book-to-skill 几十本海量文档、批量检索、关键词匹配 → RAG 多资料综合整理、泛化查询 → NotebookLM https://github.com/virgiliojr94/book-to-skill