你花四百多塊買的技術書，讀完一次，三個月後連第七章講什麼都想不起來。把整本 PDF 丟進 AI 對話框問一句話？光那一句就燒掉十幾萬 token。
一句話結論：book-to-skill 把技術書 PDF 拆成一個 Claude Code skill，官方實測回答同一條問題比整本丟進 context 省 24–51 倍 token，轉換一本約 $1；書多、又常翻同一本的人值得裝，一年只查兩三次的人不用。
最後更新：2026 年 8 月 10 日。以下數據截至 2026 年 8 月，星數與定價以官方頁面為準。
book-to-skill 是什麼？跟直接丟 PDF 差在哪？
差在「先整理一次」還是「每次重讀」。book-to-skill 是 GitHub 上一個 MIT 授權的 Python 開源專案（virgiliojr94/book-to-skill），2026 年 5 月開張，截至 8 月 10 日累積 19,528 星、2,094 fork。它做的事只有一件：把一本書轉成 AI 助手讀得懂的結構化技能包，之後你提問，助手只翻該翻的那一章。
| 做法 | 每問一題的 token | 成本結構 | 回答品質 |
|---|---|---|---|
| 整本 PDF 丟進 context | 11.9 萬–25.6 萬 | 每一輪對話重複付 | 準，但貴 |
| 叫 AI 自己翻 PDF（discovery loop） | 1.2 萬–7.8 萬 | 每次重新找目錄、回頭翻 | 易漏、易繞路 |
| book-to-skill | 約 5,000 | 轉換一次約 $1，之後幾乎不變 | 指定章節，來源明確 |
它把一本書拆成什麼樣子？
拆成一個資料夾，不是一份摘要。跑完 /book-to-skill ./my-book.pdf，它會在你的 skills 目錄生出這幾個檔：
| 檔案 | 裝什麼 | 大小 | 何時載入 |
|---|---|---|---|
SKILL.md | 核心心智模型 + 章節索引 | 約 4,000 token | 常駐 |
chapters/ch01-*.md | 一章一個檔 | 各約 1,000 token | 問到才載 |
glossary.md | 術語表，附章節出處 | 約 1,500 token | 需要時 |
patterns.md | 書中的技法與設計模式 | 約 2,000 token | 需要時 |
cheatsheet.md | 決策表與速查規則 | 約 1,000 token | 需要時 |
關鍵在最後一欄。常駐的只有 4,000 token 的索引，其餘按需取用，所以一本 500 頁的書跟一本 200 頁的書，日常開銷幾乎一樣。作者把設計原則寫得很直白：一份 1,000 token 的濃縮，勝過一段 10,000 token 的原文摘錄。
24–51 倍是怎麼量出來的？可信嗎？
可信度比多數開源專案高，因為它把量測腳本一起放出來了（tools/discovery_tax.py），你可以自己重跑。作者測的是同一件事：回答「一條」targeted 問題，需要多少 token 進 context。
| 書 | 整本丟進去 | 叫 AI 自己翻 | book-to-skill | 倍數差 |
|---|---|---|---|---|
| Think Python 2（章節小） | 119,264 | 12,152 | 約 5,000 | 24× / 2.4× |
| Working Backwards（中） | 175,253 | 33,444 | 約 5,000 | 35× / 6.7× |
| AI Engineering（章節大） | 256,287 | 77,866 | 約 5,000 | 51× / 15.6× |
要注意兩個數字的性質不同。24–51 倍那組是對比「整本丟進去」，這筆錢每一輪對話都要重付一次，所以差距會滾雪球。2.4–15.6 倍那組是對比「AI 自己翻」，屬於一次性成本，而且書的章節愈大，差距愈明顯。作者自己標明前者才是最強的主張，沒有把兩組混在一起講，這點算誠實。
轉一本書多少錢？問幾條問題才回本？
轉換成本官方有列：以 Claude Sonnet 4.5（輸入 $3、輸出 $15 每百萬 token）估算，Think Python 2 約 $0.88、Working Backwards 約 $0.96、Pro Git 約 $1.23、Moby-Dick 約 $1.42。抓「一本約 $1」不會差太遠，而且只付一次。
回本點官方沒算，我用它公開的數字自己推了一次：把 Working Backwards 整本丟進 context 問一題，光輸入就要 $0.526；用 book-to-skill 約 $0.015。一題省 $0.51，而轉換花了 $0.96。問到第二題就打平。章節大的 AI Engineering 更快，1.3 題；章節小的 Think Python 2 慢一點，2.6 題。
換句話說，只要你打算對這本書問超過三個問題，這 $1 就不用考慮了。這也是判斷值不值得裝最快的一把尺。
下面這個試算機用的就是上面那組官方 token 數，你可以改成自己的用量看看差多少：
怎麼裝？零基礎跟得上嗎？
跟得上，你不需要會寫 Python。整個流程就是把 skill 放進目錄，然後在對話框打一行指令。
- 確認你的 AI 助手支援 Agent Skills。目前 Claude Code、GitHub Copilot CLI、Amp 三個都讀同一份
SKILL.md格式，裝一次三邊通用。 - 把專案放進 skills 目錄。Claude Code 放
~/.claude/skills/，Copilot CLI 放~/.copilot/skills/，Amp 或想跨工具共用就放~/.agents/skills/。 - 準備你的檔案。PDF、EPUB、DOCX、HTML、Markdown、RTF 都吃，MOBI／AZW 要先裝 Calibre。可以指一個檔、一個資料夾，或一組萬用字元。
- 選抽取模式。純文字書用 text 模式（pdftotext，103 頁只要 0.1 秒）；有大量表格和程式碼的技術書用 technical 模式（Docling，同樣 103 頁要 164 秒，但能保住 48 個表格和 36 段程式碼）。
- 跑一行指令：
/book-to-skill ./my-book.pdf。它會抽文字、切章節、生索引、寫術語表，最後把整包寫進 skills 目錄，暫存檔自動清掉。 - 之後直接問。打
/your-book-slug replication，助手自己去讀對應章節回答，不用你再翻書。
它有什麼限制？哪裡會踩雷？
有三個，作者自己都寫在文件裡，這比藏起來讓人半夜 debug 好得多。
第一，章節自動偵測認格式。它靠書裡明寫的 Chapter N 或 Capítulo N 標題來切。Pro Git 用的是章節標題而非編號、Moby-Dick 用羅馬數字，兩本都切不開。抽取和轉換照樣能跑，只是你要自己指定段落範圍。中文技術書如果用「第三章」這種寫法，我建議先拿一本試轉再決定要不要整批做。
第二，technical 模式很慢。約 1.5 秒一頁，一本 500 頁的書等於要跑十幾分鐘。書多的話排在晚上跑比較實際。
第三，版權界線要自己守。專案本身不附任何書的內容，處理全在你本機完成，作者也明文寫了別散佈由第三方書生成的 skill。自己買的書自己用沒問題，把生成結果丟到公開倉庫就是另一回事了。
誰該裝？誰不用浪費時間？
| 你的情況 | 建議 | 理由 |
|---|---|---|
| 手上十幾本技術書，寫程式時常要回頭查 | ✅ 直接裝 | 回本點在 2 題左右，你一天就過了 |
| 公司內部文件、API 規格散在各處 | ✅ 最被低估的用法 | 它吃資料夾，不限書 |
| 在準備考試或系統性讀一門新技術 | ✅ 值得 | cheatsheet 出的是決策規則，不是名詞解釋 |
| 一年只查兩三次某本書 | ⚪ 不用 | $1 轉換費賺不回來，直接丟 PDF |
| 要的是逐字精讀、引用原文 | ❌ 不適合 | 它做的是濃縮改寫，不保留原文 |
| 書是掃描版圖片 PDF | ❌ 先做 OCR | 抽不到文字層就沒得切 |
不想裝它，還有什麼替代方案？
有三條路，看你在意什麼。想要現成不折騰，用 NotebookLM 這類上傳文件就能問的服務，缺點是綁在對方平台、進不了你的編輯器工作流。想要自己控制，用 RAG 向量資料庫自建索引，彈性最高但要維護，而且切塊策略沒調好，回答品質反而比 book-to-skill 的章節結構差。真的只有一本書、只查幾次，直接把 PDF 丟進對話框最省事，別為了省 token 多裝一層。
另一個角度是「別人整理好的」。如果你要的知識已經有人做成 skill，直接抓來用比自己轉更快，這部分可以參考我們寫過的 Claude Skills 現成技能包清單。
這件事怎麼接到「多賺一條」？
把它當成把知識變成資產的手段，而不只是省錢工具。
接案的人最直接：客戶那套規格書、品牌指南、產業法規，轉成 skill 之後你回答問題的速度和準確度會拉開差距，這是可以報價的。做內容的人可以把讀過的書轉成 skill，寫稿時讓助手引出章節依據，產出速度和可信度一起上來。做內訓或顧問的人更明顯，公司的 SOP 和內部文件轉成一包，新人上手時間直接砍掉一段，這本身就是交付物。
共通的邏輯是：你買過的書和累積的文件本來躺著不動，轉成 skill 之後它們每天都在替你回答問題。花的是 $1 和十幾分鐘。
新手行動清單
- ☐ 先挑一本你最常翻、而且有明確
Chapter N標題的書試水溫 - ☐ 純文字書選 text 模式，有表格和程式碼才用 technical
- ☐ 轉完先問三條你本來就知道答案的問題，驗證它有沒有亂編
- ☐ 用上面的試算機估一下你的實際用量，決定要不要整批轉
- ☐ 接著把公司內部文件、API 規格丟進去，這通常比書更值錢
- ☐ 生成結果留在本機，不要上傳公開倉庫
常見問題
book-to-skill 要錢嗎？
專案本身免費，MIT 授權。花的是轉換時消耗的模型 API token，官方估算一本約 $1（以 Claude Sonnet 4.5 計）。
只能用在 Claude Code 嗎？
不是。它走的是開放的 Agent Skills 標準，GitHub Copilot CLI、Amp、Claude Code 讀同一份 SKILL.md，轉一次三邊都能用。
中文書可以轉嗎？
文字抽取沒問題，但章節自動切割認的是 Chapter N 或 Capítulo N 這類編號標題。中文書若用「第三章」寫法可能切不開，需要手動指定範圍。建議先轉一本測試。
它會不會亂編書裡沒有的內容？
設計上是讓助手去讀對應章節檔再回答，來源比整本丟進去更明確。但生成階段本身是模型改寫，轉完先問幾條你已知答案的問題驗證，是必要的步驟。
只有書能轉嗎？
不限書。內部文件、品牌與設計系統、研究論文集、RFC 與 API 規格都可以，它接受資料夾和一組檔案路徑，會合併成一個 skill。
延伸閱讀
- Claude Skills 是什麼？1000+ 現成技能包一鍵套用
- code-review-graph：讓 AI 只讀該讀的檔，token 省 82 倍
- Microsoft Skill Recorder：錄一次工作，AI 自動寫成技能
- Harvard 免費開源《機器學習系統》教科書 MLSysBook
參考資料
- virgiliojr94/book-to-skill — GitHub 主頁與 README
- docs/performance.md — Discovery Loop Tax 實測方法與逐本表格
- docs/how-it-works.md — 抽取流程與 Docling 對照基準
利益揭露：本文不含本專案的推薦連結，作者與該專案無利益關係。站內部分工具與交易所連結為合作連結，使用不影響你的權益。本文為工具評測與教學，非投資建議；文中 token 數與費用為官方公開實測值與依此推算的結果，實際成本依你使用的模型、供應商與快取設定而異，請以官方頁面為準。
發表迴響