book-to-skill

name book-to-skill description 把一本书拆解成 Claude Code 可执行的 Skill。当用户说"拆书"、"把这本书变成 Skill"、"book to skill"、"extract skill from book" 时触发。 拆书：从书籍到可执行 Skill 任务目标 把一本书中的核心框架、操作方法和真实案例，拆解成结构化的 Claude Code Skill，让 AI Agent 能在用户需要时自动调用书中的智慧。 前置依赖 PDF Skill ：用于读取 PDF 格式书籍（ npx @anthropic-ai/claude-code-skills install pdf ） Swarm Skill ：用于多 Agent 并行处理不同章节（当书籍超出单 Agent 上下文窗口时必须使用） 第一步：评估书籍规模，决定单 Agent 还是多 Agent 这是最关键的一步。 在开始拆书之前，必须先估算书籍内容是否能装进单个 Agent 的上下文窗口。 上下文窗口容量（按 100k token 估算） 语言 100k token ≈ 扣除格式开销后 英文 ~75,000 单词 / ~270 页 ~200 页 中文 ~50,000-65,000 字 / ~110 页 ~80 页 注：上下文窗口不只装书的内容，还要装 Skill 指令、Agent 提示词、输出缓冲等。所以实际可用于书籍内容的空间约为窗口的 70-80%。 操作：估算 PDF 页数 # 用 PDF Skill 读取页数 # 或者直接问用户：这本书大概多少页？ 决策树 书籍页数？ ├── 英文 ≤ 200 页 / 中文 ≤ 80 页 │ → 单 Agent 模式（直接读取全书，一个 Agent 完成所有提取） │ ├── 英文 200-500 页 / 中文 80-200 页 │ → Swarm 模式：2-3 个 Agent，每个负责一部分章节 │ └── 英文 > 500 页 / 中文 > 200 页 → Swarm 模式：4-6 个 Agent，按主题/部分拆分 Agent 数量计算公式 所需 Agent 数 = ceil(书籍页数 / 单 Agent 可处理页数) 单 Agent 可处理页数： - 英文：~200 页 - 中文：~80 页 示例 ：《行为设计学》中文版约 250 页 → ceil(250 / 80) = 4 个 Agent，实际拆成了 4 个 Skill（making-decisions + 3 个子 Skill），每个 Agent 负责 2-3 章。 第二步：通读目录，识别框架骨架 读取书籍目录和前言（这一步不需要读全书，单 Agent 即可），回答： 这本书解决什么核心问题？ 作者提出的主框架是什么？（如 WRAP、OODA、第一性原理） 框架有几个核心步骤/模块？ 每个步骤对应哪些章节？ 输出 ：框架骨架表 | 框架步骤 | 对应章节 | 预计拆成的 Skill | 分配给 Agent | |---------|---------|----------------|-------------| | 步骤 1 | 第 1-3 章 | skill-name-1 | Agent 1 | | 步骤 2 | 第 4-6 章 | skill-name-2 | Agent 2 | 第三步：确定 Skill 结构 根据框架复杂度决定： 单 Skill ：框架简单，3-5 个步骤，一个 SKILL.md 搞定 主 Skill + 子 Skill ：框架复杂，每个步骤本身就是一套方法论 主 Skill 负责路由（判断用户场景 → 调度子 Skill） 子 Skill 负责具体操作 判断标准 ：如果一个步骤的操作说明超过 100 行，就应该拆成独立子 Skill。 第四步：逐章提取 单 Agent 模式 直接读取全书 PDF，按章节顺序提取。 Swarm 多 Agent 模式 用 /swarm 启动团队，按第二步的分配表分配章节。 Agent 提示词模板 ： 角色：章节提取员 职责：阅读第 X-Y 章（PDF 第 M-N 页），按以下格式提取内容 提取内容： 1. 核心概念（一句话总结） 2. 操作步骤（具体可执行，不是"思考一下"，而是"问自己：___"） 3. 案例（格式：人物/组织 → 情境 → 做法 → 结果 → 启示） 4. 警惕信号（什么情况下应该触发这个方法） 5. 注意事项（边界情况、常见误用） 输出要求：Markdown 格式，每章一个二级标题 完成标准：每章至少 2 个案例，操作步骤必须具体到 Agent 可以直接执行 文件范围：只读取 PDF 第 M-N 页，不要读其他部分 关键规则 ： 每个 Agent 只读自己负责的页码范围，避免重复读取浪费 token 领导 Agent 负责汇总和组装，不直接提取内容 提取完成后，每个 Agent 把结果写入独立的 Markdown 文件 第五步：组装 Skill 将提取的内容组装成 SKILL.md： 写 frontmatter（name + description，description 要写清触发场景） 写任务目标（一段话） 按逻辑顺序排列操作步骤 在步骤中嵌入关键案例（1-2 个最有说服力的） 其余案例放入 references/cases.md 写注意事项和使用示例 如果是主 Skill，写清路由逻辑（什么场景调度哪个子 Skill） 第六步：自测 用 3 个真实场景测试 Skill： 调用 Skill，看 Agent 的引导是否清晰 检查是否有步骤模糊到 Agent 不知道该问什么 检查案例是否帮助用户理解概念 不通过就回第五步修改。 第七步：提交 按 CONTRIBUTING.md 规范提交： 分支名： book/书名英文 PR 说明：拆了哪本书、包含哪些 Skill、每个 Skill 的触发场景 质量标准 维度 合格 不合格 操作步骤 "问用户：如果当前选项都不可行，你会怎么办？" "引导用户拓宽思路" 案例 有人物、情境、做法、结果、启示 "比如某公司做过类似的事" 触发场景 "当用户说'要不要做 X'时" "当用户需要帮助时" Skill 粒度 一个 Skill 解决一个问题 一个 Skill 覆盖整本书 Agent 分配 基于页数估算，每个 Agent 不超过上下文窗口 不管多长都塞给一个 Agent