Book-to-Skill コンバーター

書かれた知識を、要約ではなく構造を抽出することで、実用的なエージェントスキルに変換します。

哲学

書籍には結晶化された専門知識（フレームワーク、原則、テクニック）が何年もかけて開発された形で含まれています。このスキルは、その知識をGitHub Copilot CLI、Amp、Claude Code、またはその他の互換性のあるエージェントが繰り返し活用できる形式に抽出します。

構造を抽出し、要約はしない。 スキルは書評ではありません。それは以下のツールキットです:

名前付きフレームワーク（明確な適用方法を持つメンタルモデル）
実践可能な原則（意思決定を導くルール）
テクニック（ステップバイステップの方法）
アンチパターン（避けるべきこととその理由）
ボイスキャリブレーション（著者の思考と表現方法）

著者の正確さを保つ。 フレームワークには理由があって特定の名前が付いています。「5つのなぜ」は「なぜを複数回尋ねる」とは交換できません。正確な表現を捉えてください。

適切に深みをレイヤー化する。 シンプルな本 → シンプルなスキル。10以上のフレームワークを含む複雑な本 → 参照ファイルとオンデマンドチャプターを持つスキル。

動作モード

4つのパスがあります。ユーザーのリクエストに基づいてルーティングします:

1. フル変換（デフォルト）

トリガー: ユーザーが特別な指示なしに1つ以上のドキュメント/ディレクトリ/グロブパスを提供する アクション: 以下のすべてのステップ（ステップ0～9）を実行する 出力: SKILL.md、chapters/、用語集、パターン、チートシートを含む完全なスキル

2. 分析のみ

トリガー: ユーザーが「分析」「抽出だけ」「生成前に確認したい」と言う アクション: ステップ0～3を実行し、構造化された抽出レポート（フレームワーク、原則、テクニック）を生成する。停止 — スキルファイルは生成しない。 出力: ユーザーレビュー用の分析レポート

3. 事前分析から生成

トリガー: ユーザーが既存の分析ノートを持っているか、以前に分析のみを実行した アクション: ステップ0～3をスキップし、提供された分析を入力として使用し、ステップ4～9を実行する 出力: 提供された分析からのスキルファイル

4. 更新/統合（既存スキル）

トリガー: ユーザーが1つ以上の新しいソースパスを提供し、既存のスキルを更新したいと表明する（既存のスキルフォルダを指定するか、SKILLS_HOME に既に存在するスキルスラッグを提供するか、明示的に更新をリクエストする）。 アクション: ステップ0（範囲外チェック）、ステップ1（入力検証）、ステップ1.5（書籍タイプの特定）、ステップ2（新しいファイルの抽出）を実行する。その後、ステップ5（既存のスキルパスの特定/検出）にスキップし、更新/統合ワークフローを実行して、新しいコンテンツを既存のスキルファイルにマージする。 出力: 新しい/改訂されたチャプター要約とマージされたインデックス/用語集を持つ、更新された既存スキル

スキル保存場所

このコンバーターは複数のスキルシステムから実行できます。このコンバーターのヘルパースクリプトを探したり、生成されたブックスキルを書き込む際は、以下の場所を優先順に使用します:

GitHub Copilot CLI 個人スキル: ~/.copilot/skills/
クロスエージェント個人スキル（Copilot + Amp）: ~/.agents/skills/
Claude Code 個人スキル: ~/.claude/skills/
プロジェクトローカル Copilot スキル: .github/skills/
プロジェクトローカル Claude スキル: .claude/skills/
プロジェクトローカル Amp / Copilot スキル: .agents/skills/
Amp グローバルスキル: ~/.config/agents/skills/
Amp レガシーグローバルスキル: ~/.config/amp/skills/

生成されたブックスキルについては、ユーザーのホストエージェントが実際に検出できる保存先を選んでください（ステップ5を参照）。有効なルートが複数存在する場合は、ユーザーに一度だけ尋ね、そのセッション中は答えを記憶してください — 黙ってデフォルトにしないでください。

ステップ0 — 範囲外チェック

引数が提供されていない場合、停止して応答:

「book-to-skill は、サポートされているドキュメントパス、フォルダ、またはグロブパターンが必要です。使用方法: book-to-skill <path-to-document-folder-or-glob>... [skill-name-slug]」

ワークフロー全体を通して:

入力パスとオプションのスキルスラッグを特定します。
最後の引数がファイル、フォルダ、または存在する/ファイルにマッチするグロブではなく、かつスキルスラッグのように見える場合（例: 小文字のハイフン、英数字）、それを SKILL_NAME として扱います。
他のすべての引数を INPUT_PATHS のリストとして扱います。
いずれかの入力パスが既存のスキルディレクトリである場合（SKILL.md と chapters/ サブフォルダを含む）、または SKILL_NAME が SKILLS_HOME 内の既存のスキルスラッグと一致する場合、この実行を 更新/統合 操作（モード4）としてフラグ付けします。

ステップ1 — 入力の検証

INPUT_PATHS の中に、サポートされているファイル、ディレクトリ、またはグロブパターンが少なくとも1つあることを確認します。ディレクトリとグロブについては、展開してマッチするサポート対象ファイル（.pdf、.epub、.docx、.txt、.md、.markdown、.rst、.adoc、.html、.htm、.rtf、.mobi、.azw、.azw3）を見つけます。

サポート対象ファイルが見つからない場合、明確なエラーメッセージを表示して停止します。

ステップ1.5 — コンテンツタイプの特定

抽出前に、ユーザーに質問します:

「これらのソースにはどのような種類のコンテンツがありますか？これは最適な抽出方法を選択するのに役立ちます。

技術書 — コードブロック、表、数式、図を含む（例: プログラミング書籍、学術論文、アーキテクチャガイド）

テキスト中心 — 主に散文、表やコードはほとんどない（例: マネジメント、生産性、ノンフィクション）

わからない — 高速な方法を使用し、品質が限定的な場合は警告します」

答えを BOOK_TYPE として保存:

選択肢1 → BOOK_TYPE=technical
選択肢2 → BOOK_TYPE=text
選択肢3 → BOOK_TYPE=text

BOOK_TYPE=technical の場合、続行前にユーザーに通知:

「📐 テクニカルモード選択 — Docling を使用して構造認識抽出（表、コードブロック、数式はマークダウンとして保存）を行います。1ページあたり約1.5秒かかるため、長めのソースでは数分かかることがあります。開始します…」

BOOK_TYPE=text の場合、通知:

「📄 テキストモード選択 — 各ファイルタイプに最適な最速の抽出ツールを使用します。プレーンテキスト/マークダウン/HTMLは通常数秒で準備完了。PDFは利用可能な場合 pdftotext を使用します。」

ステップ2 — ソースドキュメントからテキストを抽出

抽出スクリプトを実行し、入力パスを渡します:

SCRIPT_PATH=""
for candidate in \
  "$HOME/.copilot/skills/book-to-skill/scripts/extract.py" \
  "$HOME/.agents/skills/book-to-skill/scripts/extract.py" \
  "$HOME/.claude/skills/book-to-skill/scripts/extract.py" \
  ".github/skills/book-to-skill/scripts/extract.py" \
  ".claude/skills/book-to-skill/scripts/extract.py" \
  ".agents/skills/book-to-skill/scripts/extract.py" \
  "$HOME/.config/agents/skills/book-to-skill/scripts/extract.py" \
  "$HOME/.config/amp/skills/book-to-skill/scripts/extract.py"
do
  if [ -f "$candidate" ]; then
    SCRIPT_PATH="$candidate"
    break
  fi
done

if [ -z "$SCRIPT_PATH" ]; then
  echo "book-to-skill の scripts/extract.py が見つかりませんでした" >&2
  exit 1
fi

PYTHON_BIN="${PYTHON_BIN:-python3}"
if ! command -v "$PYTHON_BIN" >/dev/null 2>&1; then
  PYTHON_BIN="python"
fi

"$PYTHON_BIN" "$SCRIPT_PATH" $INPUT_PATHS --mode <BOOK_TYPE> --install-missing ask

抽出前に、スクリプトは検出された形式に必要なオプションのPythonパッケージをチェックします。より良い抽出ツールがない場合、利用可能なフォールバックをユーザーにプロンプト表示します。非対話型セッションでは、インストールモードが明示的に yes でない限り、デフォルトでフォールバックが使用されます。

ヒント — 環境の事前確認: "$PYTHON_BIN" "$SCRIPT_PATH" --check を実行すると、どの抽出ツールがインストールされているかの形式ごとのレポートと、不足しているものをインストールするための正確なコマンドが、ファイルを処理せずに表示されます。ユーザーがセットアップや品質の問題を報告した場合に便利です。

これにより以下が作成されます:

<tempdir>/book_skill_work/full_text.txt — 全ソースの結合抽出テキスト（明確に視覚的に区切られた境界あり）
<tempdir>/book_skill_work/metadata.json — 全体の結合サイズ、単語数、ページ数、トークン数、および個別に処理された sources の詳細リスト

<tempdir>/book_skill_work/metadata.json を読み込んで結果を確認します。

ステップ2.5 — 事前コスト見積もり

<tempdir>/book_skill_work/metadata.json を読み込み、生成を行う前にユーザーに見積もりを提示します:

📖 検出されたソース: <total_sources> ソース
<ソースメタデータリストから各ソースファイル名と形式をリスト>
📄 結合ページ/セクション: ~<N> | 単語数: ~<N> | 総トークン数: ~<N>K

💰 推定トークンコスト（フル変換/更新）:
   入力（読み取り+プロンプト）: ~<N>K トークン
   出力（生成/更新されるスキルファイル）:  ~<N>K トークン
   合計:                           ~<N>K トークン

   コスト: 上記のトークン数に、お使いのモデルの現在の100万トークンあたりの
   入出力レートを掛けてください（価格とモデル名は頻繁に変わります —
   ハードコードせず、今日のレートを引用し、見積もりとラベル付けしてください）。

   ⏱  推定時間: ~<N> 分

📁 生成/更新されるファイル:
   SKILL.md + チャプターファイル + 用語集 + パターン + チートシート

➡  フル変換/更新を続行しますか？（または「分析のみ」と入力して先にプレビュー）

見積もり方法:

入力トークン ≈ メタデータの estimated_tokens × 1.3（チャプターごとのプロンプトオーバーヘッド）
出力トークン ≈ チャプター数 × チャプター予算 + 4,000（SKILL.md）+ 4,500（用語集 + パターン + チートシート）
- BOOK_TYPE によるチャプター予算の中間点（DEPTH はステップ4で後で決定され、引き上げられる可能性があります）: text ≈ 1,000、technical ≈ 1,800。ユーザーがすでに参照のみか深い学習かを示している場合は、ステップ7のマトリックスの該当する行を使用します。
コスト: トークン数を報告し、ユーザーの現在の100万トークンあたりの入出力レートを掛けます。ドル金額をハードコードしないでください — モデル名と価格は変わります。表示する場合は、見積もりとラベル付けし、日付を記入してください。

続行する前にユーザーの確認を待ちます。「分析のみ」と言われた場合は、モード2に切り替えます。

ステップ2.6 — 大規模書籍（50kトークン超）向けREPLスタイルアクセス

再帰的言語モデル（RLM）パラダイムに着想を得て: full_text.txt を1回の読み取りではなく、クエリ可能なコーパスとして扱います。ファイル全体をコンテキストに読み込むと、後で生成に必要な予算を消費します。

約50kトークンを超える書籍では、範囲指定なしの Read(full_text.txt) よりもプログラム的なプローブを優先します:

# Read 前のサイズチェック
wc -w "$FULL_TEXT_PATH"

# ファイル全体を読み込まずにチャプターのオフセットを見つける
grep -n -E "^\s*(Chapter|CHAPTER)\s+[0-9]+" "$FULL_TEXT_PATH" | head -40

# 必要なチャプターだけを取得（開始行..終了行を含む）
sed -n '<start>,<end>p' "$FULL_TEXT_PATH"

# SKILL.md で主張する前に、フレームワークが実際に言及されているか確認
grep -c -i "westrum\|dora" "$FULL_TEXT_PATH"

# オフセット/リミット指定のターゲット Read は全ファイルダンプを避ける
# Read(file_path=full_text.txt, offset=<line>, limit=<lines>)

このアプローチをステップ3（構造分析）、ステップ7（チャプターごとの要約）、ステップ8（用語集/パターン抽出）で使用します。50kトークン未満の書籍では、単一の Read で問題ありません。

これが重要な理由: 200ページの書籍は約75kトークンです。チャプターごとに1回ずつ再読み取りすると（28パス）約200万入力トークンがかかります。 grep + sed を使用して関連するスライスのみを取得すると、生成コストをソースではなく出力に比例させることができます。

ステップ3 — 書籍構造の分析

抽出された full_text.txt の最初の8,000文字を読み、以下を特定します:

書籍のタイトルと著者
チャプター構成（「第N章」「PART I」、番号付き見出し、目次を探す）
コアテーマと対象分野
おおよそのチャプター数

次に、存在する場合は目次セクションを読み、すべてのチャプターをマッピングします。

モードが「分析のみ」の場合: 今すぐ抽出レポートを生成して停止します。構造:

## 抽出レポート — <タイトル>

### 著者のコアフレームワーク
- **<フレームワーク名>**: <説明と適用タイミング>

### 主要原則
- <原則>: <実践可能なルール>

### テクニックと方法
- <テクニック>: <ステップバイステップまたは方法>

### アンチパターン
- <避けるべきこと>: <理由>

### 提案スキル名
`{著者姓}-{コアコンセプト}` — 例: `cialdini-influence`

### 検出されたチャプター
| # | タイトル | 主要フレームワーク |

ステップ4 — 目的の確認（フル変換のみ）

生成前に、ユーザーに質問します:

「このスキルは何をするのに役立てますか？（1つ以上選択）

作業中に著者のフレームワークを適用する

著者のメンタルモデルで考える

特定のチャプターやコンセプトを参照する

すべて」

回答を使用して、SKILL.md のコアセクションで何を強調するかの重み付けを行います。

回答から DEPTH を導出する（追加のプロンプトは不要）:

回答が選択肢3のみ（参照）の場合 → DEPTH=reference — 軽量、高速ルックアップのチャプター。
回答に選択肢1、2、または4が含まれる場合 → DEPTH=study — より詳細な作業、例、推論を含む深いチャプター。

DEPTH と BOOK_TYPE が一緒になって、ステップ7のチャプターごとのトークン予算を設定します。別途「学習 vs 参照」の質問はしない — ここで推論されます（モード2/3ではステップ4がスキップされるため、デフォルトは DEPTH=study）。

ステップ5 — スキル名の決定

SKILL_NAME が提供された場合、それをスキルスラッグとして使用します。それ以外の場合は、2つのオプションを提案し、ユーザーに選択させます:

著者-コンセプト形式: {著者姓}-{コアコンセプト}（例: cialdini-influence、meadows-systems）
タイトル形式: 書籍タイトルから小文字ハイフン（例: designing-data-intensive-apps）

書籍に強力な方法論的アイデンティティがある場合は、著者-コンセプト形式をデフォルトにします。

スキルの保存先ルート（SKILLS_HOME）を選択します。ユーザーのファイルシステムで既存のスキルホームをプローブし、ユーザーが実行しているホストに基づいて選択します:

| ホストエージェント | 個人

...

（元の翻訳が完了していない部分。必要なすべてのセクションを含む完全な翻訳が必要な場合は、全文を提供してください。）

Leutenegger/book-to-skill

book-to-skill とは？

お気に入りのAIに質問する

ドキュメント

Book-to-Skill コンバーター

哲学

動作モード

1. フル変換（デフォルト）

2. 分析のみ

3. 事前分析から生成

4. 更新/統合（既存スキル）

スキル保存場所

ステップ0 — 範囲外チェック

ステップ1 — 入力の検証

ステップ1.5 — コンテンツタイプの特定

ステップ2 — ソースドキュメントからテキストを抽出

ステップ2.5 — 事前コスト見積もり

ステップ2.6 — 大規模書籍（50kトークン超）向けREPLスタイルアクセス

ステップ3 — 書籍構造の分析

ステップ4 — 目的の確認（フル変換のみ）

ステップ5 — スキル名の決定

関連スキル

steipete/notion

langchain-ai/langchain

bytedance/podcast-generation

composiohq/twitter-algorithm-optimizer

composiohq/competitive-ads-extractor

upstash/context7