技术书买来读一遍，三个月后你想不起第七章讲过那个你现在正需要的模式。这是开发者的普遍痛点，而常见的解法都不好使：搜 PDF 给你一串页码不是答案；直接问 AI agent，它要么幻觉要么说没这内容；手动记笔记，最后得到一个 200 行再也不会打开的文档。book-to-skill 给了第四条路：把整本书变成一个结构化的 agent 技能，需要哪章读哪章。
它是什么
book-to-skill（github.com/virgiliojr94/book-to-skill）是开发者 Virgilio Jr 的开源项目，GitHub 星 1.62 万，fork 1727，主语言 Python，MIT 许可证，2026-05-01 创建，最近一次 push 在 7 月底。一句话定位：把任何技术书、文档夹或一组资料源，转成一个统一的 agent 技能，供 GitHub Copilot CLI、Amp、Claude Code 随时学习、引用、工作中调用。
关键在「结构化技能」而非「摘要」或「全文塞进上下文」。它遵循开放的 Agent Skills 标准（github.com/agentskills/agentskills），一份技能装一次，三个 host agent 都能读同一份 SKILL.md。
三步工作流
/book-to-skill ./my-book.pdf第一步，指向一个文件、文件夹或 glob 模式。第二步，工具把书蒸馏成一套技能--框架、决策规则、反模式、按章文件，是结构不是摘要。第三步，agent 按需加载：
/my-book replicationagent 读对的章节，从真实内容回答，不幻觉。书成了工作流的一部分。
生成的技能长什么样
跑一次 /book-to-skill your-book.pdf，会在 agent 的技能目录下生成一整套文件（Copilot CLI 是 ~/.copilot/skills/<slug>/，Amp 是 ~/.agents/skills/<slug>/，Claude Code 是 ~/.claude/skills/<slug>/）：
| 文件 | 作用 | 大小 |
|---|---|---|
SKILL.md | 核心心智模型 + 章节索引 | ~4,000 tokens |
chapters/ch01-*.md | 每章一文件，按需加载 | ~1,000 tokens 各 |
glossary.md | 全部术语 + 章节引用 | ~1,500 tokens |
patterns.md | 技术、算法、设计模式 | ~2,000 tokens |
cheatsheet.md | 决策表 + 速查规则 | ~1,000 tokens |
核心机制在「按需加载」：章节文件平时不计入 token 预算，只有你问到那个主题时才被读进来。SKILL.md 只装骨架和索引，不装正文。
为什么省 token：24×–51×
这是项目的杀手锏。book-to-skill 自带一个基准工具 tools/discovery_tax.py，测量「从一本书回答一个具体问题」的真实 token 成本，在真实书上测：
| 书 | 全文塞上下文 | 发现循环 | book-to-skill | 节省 |
|---|---|---|---|---|
| Think Python 2（119K tokens） | 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× |
对比「全文塞上下文」是稳定 24-51 倍，而且这个成本每轮对话都要再付一次。对比「发现循环」（agent 自己翻 PDF 找答案）是一次性 2.4-15.6 倍。优势随章节变大而放大。
为什么差距这么大？因为一个读 PDF 的 agent 不只是读，它得导航--取目录、发现一个定义不了的术语、再拉几页、回溯。每一步导航都进对话历史，后续每轮都要重新处理。book-to-skill 把这笔导航成本在编译时一次性付掉，之后查询只读对应章节。
不止是书
名字叫 book-to-skill，但输入其实是任何结构化文本。只要是你经常重开、恨不得背下来的文档，都是候选：
- 内部文档：架构决策记录、runbook、onboarding 指南，把整个
docs/夹折成一个技能，写代码时随问随查。 - 品牌与设计系统：语气指南、组件原则，把品牌手册变成团队查询的技能，而不是翻 60 页 PDF。
- 研究集群：一堆论文加你的笔记，合并成一个统一技能，新材料来了还能 fold-in 更新。
- 规范与标准：RFC、API 合同、合规文档，你天天引用但永远背不下来。
怎么用
/book-to-skill <文件/文件夹/glob>... [技能名-slug]支持的格式有 10 种：PDF、EPUB、DOCX、TXT、Markdown、reStructuredText、AsciiDoc、HTML、RTF、MOBI/AZW/AZW3。几个典型用法：
# 多个文件合并成一个技能
/book-to-skill ~/papers/paper1.pdf ~/notes/export.txt unified-research
# 文件夹里所有支持的文件一起处理
/book-to-skill ~/workspace/project-docs/ project-knowledge
# glob 匹配
/book-to-skill "~/books/*.epub" my-library
# 把新材料 fold-in 进已有技能
/book-to-skill ~/articles/new-paper.pdf ~/.claude/skills/project-knowledge看法
book-to-skill 命中的是一个真实且高频的痛点：技术书和长文档「读完即忘、查无可查」。它没有去跟 RAG 向量检索硬碰硬，而是用一个更轻的结构化蒸馏加按需加载，把「导航成本」从每次查询挪到一次性编译，思路漂亮。
它适合两类人：一是买技术书、读文档、做研究，希望这些知识能在 AI agent 里被精准调用的人；二是团队里有一堆内部文档希望被统一查询的工程团队。门槛在于你得用一个支持 Agent Skills 标准的 host（Copilot CLI / Amp / Claude Code），且愿意花一次编译把书转成技能。风险点在版权--工具本身合规，但把受版权的书转成技能自用没问题，分发给别人就要看书的许可。项目 README 也明确写了：存疑时遵循源文档的许可，工具只是工具，怎么用是你的事。
在 AI agent 把「技能」当成一等公民的趋势里，book-to-skill 是一个把存量知识（书、文档）接进 agent 技能体系的开源样板。1.62 万星说明开发者真的需要它。
参考来源
- book-to-skill GitHub 仓库：https://github.com/virgiliojr94/book-to-skill
- Agent Skills 开放标准：https://github.com/agentskills/agentskills
- 星数/fork/语言/许可证等数据依据 GitHub API（2026-08-04 核实，16,221 stars）