开源book2skill：一个国产神级skills, 将任意书籍炼成你的专属skill

当你想让AI助手基于一本书或一堆文档回答问题，第一反应是什么？搭个RAG向量库？上传PDF等它切块、嵌入、检索？点此进入芝麻小客服官网

但现实往往是：语义检索答非所问，长文档切得七零八落，每次对话还要消耗海量token重算上下文——更别提那些藏在表格、图片里的关键信息，向量检索根本抓不住。

现在，国产开源项目 book2skill给出了解决方案：为文档生成一份“知识目录”，让AI像人一样先查目录、再翻原文，把书本直接封装成可安装的Agent技能。

开源地址：https://github.com/zhimaAi/book2skill

一、核心逻辑：从“模糊搜索”到“精准引用”

book2skill的处理流水线极其克制：将PDF、DOCX、Markdown等原始文档统一转换为结构化Markdown，再按语义边界切割成不超过5000字符的“证据单元”，并保留所有图片、表格等资产。

接着，它分批调用大模型为每个单元生成知识点元数据——每一条知识点都带有指向原文片段的确切ID（如u001），而不是复制大段原文。

最终输出是一个轻量级的JSONL索引文件，连同原始文档、资产和检索脚本，打包成一个ZIP技能包。

当Agent需要回答问题时，它只扫描这个索引（几百KB到几MB），找到相关知识点ID，再按需打开对应的Markdown或图片获取准确原文。

开源book2skill：一个国产神级skills, 将任意书籍炼成你的专属skill

二、对比RAG：低Token、高精准、可解释

开源book2skill：一个国产神级skills, 将任意书籍炼成你的专属skill

更重要的是，book2skill采用批次处理——一次模型调用处理多个文档块，例如22个块的书籍可能只需2~3次API调用，索引成本远低于逐段RAG嵌入。

三、怎么用？三步定制你的专属技能

准备：将书籍或文档放入workspace/input，运行prepare_workflow.py自动转换、分块、初始化状态。
迭代生成：反复执行batch_index.py --next，系统会返回待处理的批次提示文件，你用任意大模型（OpenAI、Claude、本地模型）按格式写入知识点，直到全部完成。
合并打包：运行merge_index.py整合所有批次，再执行build_skill.py生成ZIP技能包。

最终产出包含SKILL.md技能描述、doc-index.jsonl知识索引、markdown/原文、assets/图片以及search_index.py检索脚本。无需额外适配，直接导入支持skills的Agent框架——如Workbody、OpenClaw、Codex、Claude Code等，Agent即可自主调用该技能，按目录翻阅“书籍”并精准作答。

开源book2skill：一个国产神级skills, 将任意书籍炼成你的专属skill