Book-to-Skill Converter

將書面知識轉化為可操作的代理技能，萃取結構——而非產生摘要。

哲學

書籍蘊含著結晶化的專業知識：框架、原則與技巧，這些都是耗費多年發展出的成果。此技能擷取這些知識，轉化為 GitHub Copilot CLI、Amp、Claude Code、Hermes Agent 或其他相容代理可以重複使用的格式。

萃取結構，而非摘要。 技能不是書籍報告。它是一套工具箱，包含：

具名框架（具有明確應用場景的心智模型）
可操作的原則（引導決策的規則）
技巧（逐步方法）
反模式（應避免事項及原因）
語調校準（作者思考與溝通的方式）

保留作者的精確性。 框架通常有特定名稱，背後有其道理。「5 個為什麼」不能與「多問幾次為什麼」混用。捕捉精確的表述方式。

適當地分層深度。 簡單的書籍 → 簡單的技能。含有 10 個以上框架的複雜書籍 → 含有參考檔案與隨需章節的技能。

運作模式

四種路徑可供使用。根據使用者的提問來選擇路線：

1. 完整轉換（預設）

觸發條件： 使用者提供一個或多個文件/目錄/glob 路徑，無特殊指示 動作： 執行以下所有步驟（步驟 0–9） 輸出： 完整的技能，包含 SKILL.md、chapters/、詞彙表、模式、速查表

2. 僅分析

觸發條件： 使用者說「分析」、「僅萃取」或「我想檢閱後再產生」 動作： 執行步驟 0–3，然後產出結構化的萃取報告（找到的框架、原則、技巧）。停止——不產生技能檔案。 輸出： 供使用者檢閱的分析報告

3. 從先前的分析產生

觸發條件： 使用者已有現有的分析筆記，或先前執行過「僅分析」 動作： 跳過步驟 0–3，使用提供的分析作為輸入，執行步驟 4–9 輸出： 根據提供的分析產生的技能檔案

4. 更新 / 摺入（現有技能）

觸發條件： 使用者提供一個或多個新的來源路徑，並表示想要更新現有技能（透過指向現有的技能資料夾、提供一個已存在於 SKILLS_HOME 的技能 slug，或明確要求更新）。 動作： 執行步驟 0（超出範圍檢查）、步驟 1（驗證輸入）、步驟 1.5（識別書籍類型），以及步驟 2（萃取新檔案）。然後跳到步驟 5（識別/偵測現有技能路徑）並執行 更新 / 摺入工作流程，將新內容合併到現有的技能檔案中。 輸出： 更新後的現有技能，包含新的/修訂的章節摘要以及合併的索引/詞彙表。

技能位置

此轉換器可以從多個技能系統執行。在尋找此轉換器的輔助腳本或寫入產生的書籍技能時，請優先使用以下位置：

GitHub Copilot CLI 個人技能：~/.copilot/skills/
跨代理個人技能（Copilot、Amp、Codex）：~/.agents/skills/
Claude Code 個人技能：~/.claude/skills/
專案本地 Copilot 技能：.github/skills/
專案本地 Claude 技能：.claude/skills/
專案本地 Amp / Copilot 技能：.agents/skills/
Amp 全域技能：~/.config/agents/skills/
Amp 舊版全域技能：~/.config/amp/skills/
Hermes Agent 個人技能：$HERMES_HOME/skills/（預設為 ~/.hermes/skills/）
Hermes Agent 專案技能：.hermes/skills/ 或 .agents/skills/

對於產生的書籍技能，請優先使用使用者層級的跨代理根目錄 ~/.agents/skills/——一個實體副本即可服務所有支援的主機。Copilot CLI 和 Amp 原生即可發現它；Claude Code 需要從 ~/.claude/skills/<skill_name> 建立符號連結（在步驟 10 中建立，請參閱步驟 5 的規則）。僅在使用者要求時，才選擇主機私有或專案本地的根目錄。

步驟 0 — 超出範圍檢查

如果未提供任何參數，請停止並回應：

「book-to-skill 需要一個支援的文件路徑、資料夾或 glob 模式。用法：`book-to-skill ... [skill-name-slug]」

在整個工作流程中：

識別輸入路徑以及可選的技能 slug。
如果最後一個參數不是檔案、資料夾或存在/匹配任何檔案的 glob，且看起來像是技能 slug（例如小寫連字號、字母數字），則將其視為 SKILL_NAME。
將所有其他參數視為 INPUT_PATHS 列表。
如果任何輸入路徑是現有的技能目錄（包含 SKILL.md 和 chapters/ 子資料夾），或者 SKILL_NAME 匹配 SKILLS_HOME 中現有的技能 slug，則將此執行標記為 更新/摺入 操作（模式 4）。

步驟 1 — 驗證輸入

驗證 INPUT_PATHS 中至少包含一個支援的檔案、目錄或 glob 模式。對於目錄和 glob，展開它們以找到匹配的支援檔案（.pdf、.epub、.docx、.txt、.md、.markdown、.rst、.adoc、.html、.htm、.rtf、.mobi、.azw、.azw3）。

如果未找到任何支援的檔案，請以明確的錯誤訊息停止。

步驟 1.5 — 識別內容類型

在萃取之前，詢問使用者：

「這些來源有什麼類型的內容？這有助於我選擇最佳的萃取方法。

技術型 — 包含程式碼區塊、表格、公式、圖表（例如程式設計書籍、學術論文、架構指南）

文字為主 — 主要是散文，很少或沒有表格/程式碼（例如管理、生產力、敘事性非小說）

不確定 — 我將使用快速方法，並在品質看起來有限時警告你」

將答案儲存為 BOOK_TYPE：

選項 1 → BOOK_TYPE=technical
選項 2 → BOOK_TYPE=text
選項 3 → BOOK_TYPE=text

如果 BOOK_TYPE=technical，在繼續之前通知使用者：

「📐 技術模式已選取——使用 Docling 進行結構感知萃取（表格、程式碼區塊、公式保留為 markdown）。這大約需要每頁 1.5 秒，因此較長的來源可能需要幾分鐘。現在開始……」

如果 BOOK_TYPE=text，通知：

「📄 文字模式已選取——對每種檔案類型使用最快的合適萃取器。純文字/Markdown/HTML 通常幾秒鐘內準備就緒；PDF 在可用時使用 pdftotext。」

步驟 2 — 從來源文件中萃取文字

執行萃取腳本，傳遞輸入路徑：

SCRIPT_PATH=""
HERMES_HOME_RESOLVED="${HERMES_HOME:-$HOME/.hermes}"
PROJECT_ROOT="$(git rev-parse --show-toplevel 2>/dev/null || true)"
HERMES_PROJECT_TRUSTED=false
if [ -n "$PROJECT_ROOT" ] && [ "${HERMES_AGENT:-}" = true ] && \
  command -v hermes >/dev/null 2>&1 && \
  command -v python3 >/dev/null 2>&1 && \
  hermes config get skills.trusted_project_dirs --json 2>/dev/null | PROJECT_ROOT="$PROJECT_ROOT" python3 -c 'import json, os, pathlib, sys; root=pathlib.Path(os.environ["PROJECT_ROOT"]).resolve(); sys.exit(not any(pathlib.Path(p).expanduser().resolve() == root for p in json.load(sys.stdin)))' 2>/dev/null
then
  HERMES_PROJECT_TRUSTED=true
fi

CANDIDATES=(
  "$HOME/.copilot/skills/book-to-skill/scripts/extract.py"
  "$HOME/.agents/skills/book-to-skill/scripts/extract.py"
  "$HOME/.claude/skills/book-to-skill/scripts/extract.py"
  "$HERMES_HOME_RESOLVED/skills/book-to-skill/scripts/extract.py"
  "$HERMES_HOME_RESOLVED"/skills/*/book-to-skill/scripts/extract.py
)
if [ "${HERMES_AGENT:-}" != true ]; then
  CANDIDATES+=(
    ".github/skills/book-to-skill/scripts/extract.py"
    ".claude/skills/book-to-skill/scripts/extract.py"
    ".agents/skills/book-to-skill/scripts/extract.py"
  )
fi
CANDIDATES+=(
  "$HOME/.config/agents/skills/book-to-skill/scripts/extract.py"
  "$HOME/.config/amp/skills/book-to-skill/scripts/extract.py"
)
if [ "$HERMES_PROJECT_TRUSTED" = true ]; then
  CANDIDATES=(
    "$PROJECT_ROOT/.hermes/skills/book-to-skill/scripts/extract.py"
    "$PROJECT_ROOT/.hermes/skills"/*/book-to-skill/scripts/extract.py
    "$PROJECT_ROOT/.agents/skills/book-to-skill/scripts/extract.py"
    "$PROJECT_ROOT/.agents/skills"/*/book-to-skill/scripts/extract.py
    "${CANDIDATES[@]}"
  )
fi
for candidate in "${CANDIDATES[@]}"
do
  if [ -f "$candidate" ]; then
    SCRIPT_PATH="$candidate"
    break
  fi
done

if [ -z "$SCRIPT_PATH" ]; then
  echo "Could not find scripts/extract.py for book-to-skill" >&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

在萃取之前，腳本會檢查偵測到的格式所需的選用 Python 套件。如果缺少更好的萃取器，它會提示使用者可用的後備方案。非互動式會話預設使用後備方案，除非安裝模式明確設為 yes。

提示——預先檢查環境： 執行 "$PYTHON_BIN" "$SCRIPT_PATH" --check 以輸出每種格式的已安裝萃取器報告，以及安裝缺少項目的確切命令，而不處理任何檔案。當使用者報告設定或品質問題時很有用。

這會建立一個每次執行的工作目錄——預設為 <tempdir>/book_skill_work-<pid>/，或者正是你在 BOOK_SKILL_WORKDIR 中設定的路徑——包含：

full_text.txt——所有來源的合併萃取文字，帶有清晰的視覺邊界標記。
metadata.json——總覽合併大小、字數、頁數、token 計數、丟棄的 EPUB 圖片數量、解析出的 workdir，以及已處理的個別 sources 詳細列表。

執行完成時會列印所有三個路徑（Workdir ->、Text ->、Meta ->）。從該輸出（或從 metadata.json 自己的 workdir 欄位）取得路徑，而不是假定固定位置——目錄名稱每次執行都不同，因此同一台機器上的並行萃取不會互相覆蓋結果。

讀取該次執行的 metadata.json 以檢查結果。

在產生任何內容之前，務必確認萃取的文件是你要的：檢查 metadata.json 中的 filename / source_file，或 full_text.txt 第一行的 SOURCE: 標頭。如果你正在等待背景執行，請等待其特定的 workdir——輪詢共用路徑可能會找到不同執行的輸出。

步驟 2.5 — 事前成本估算

讀取此次執行的 metadata.json（從萃取輸出的 Meta -> 路徑），並在進行任何產生之前向使用者呈現估算：

📖 偵測到來源：<total_sources> 個來源
<從來源中繼資料列表列出每個來源檔名與格式>
<如果 images_dropped > 5：警告有 N 個來源圖片未被讀取>
📄 合併頁數/章節：~<N> | 字數：~<N> | 總 token 數：~<N>K

💰 估計 token 成本（完整轉換 / 更新）：
   輸入（讀取 + 提示）：~<N>K tokens
   輸出（產生的/更新的技能檔案）：~<N>K tokens
   總計：~<N>K tokens

   成本：將上述 token 計數乘以你目前模型的每 1M token
   輸入/輸出費率（價格和模型名稱經常變動——請勿
   硬編碼；引用今天的費率並標記為估計值）。

   ⏱ 估計時間：~<N> 分鐘

📁 將要產生/更新的檔案：
   SKILL.md + 章節檔案 + 詞彙表 + 模式 + 速查表

➡ 繼續進行完整轉換 / 更新？（或輸入「analyze only」以預覽）

如何估算：

輸入 token ≈ estimated_tokens（來自 metadata）× 1.3（每次章節通過的提示開銷）
輸出 token ≈ 章節數 × 每章節預算 + 4,000（SKILL.md）+ 4,500（詞彙表 + 模式 + 速查表）
- 根據 BOOK_TYPE 的每章節預算中點（DEPTH 在步驟 4 中決定，並可能提高它）：text ≈ 1,000，technical ≈ 1,800。如果使用者已經指出僅供參考或深度研究，請使用步驟 7 矩陣的對應列。
成本：回報 token 計數，並乘以使用者目前的每 1M token 輸入/輸出費率。請勿硬編碼美元數字——模型名稱和價格會變動；如果你顯示一個，請標記為估計值並標註日期。

等待使用者確認後再繼續。如果他們說「analyze only」，則切換到模式 2。

步驟 2.6 — 大型書籍（> 50k tokens）的 REPL 風格存取

靈感來自遞迴語言模型（RLM）範例：將 full_text.txt 視為可查詢的語料庫，而不是一次性讀取。將整個檔案載入上下文會消耗稍後用於產生的預算。

對於超過約 50k tokens 的書籍，建議使用程式化探測而非無界限的 Read(full_text.txt)：

# 在讀取之前進行大小檢查
wc -w "$FULL_TEXT_PATH"

# 在不載入整個檔案的情況下尋找章節偏移量
grep -n -E "^\s*(Chapter|CHAPTER)\s+[0-9]+" "$FULL_TEXT_PATH" | head -40

# 只提取你需要的章節（行數 start..end 包含）
sed -n '<start>,<end>p' "$FULL_TEXT_PATH"

# 在 SKILL.md 中聲明之前，確認某個框架確實被提及
grep -c -i "westrum\|dora" "$FULL_TEXT_PATH"

# 使用偏移量/限制的有針對性讀取可以避免傾印整個檔案
# Read(file_path=full_text.txt, offset=<line>, limit=<lines>)

對步驟 3（結構分析）、步驟 7（每個章節的摘要）和步驟 8（詞彙表/模式提取）使用此方法。對於低於 50k tokens 的書籍，一次性 Read 即可。

為什麼這很重要：一本 200 頁的書約為 75k tokens。為每個章節重新讀取一次（28 次通過）會消耗大量成本。使用 Shell + sed/grep 進行查詢可以將成本降低幾個數量級。

步驟 3 — 結構分析

讀取萃取文件的前 30%，以識別整體架構、作者的聲音以及主要的框架語言。

呼叫腳本：

"$PYTHON_BIN" "$SCRIPT_PATH" --analyze "$FULL_TEXT_PATH" --book-type <BOOK_TYPE>

如果 --analyze 尚未實作，請自行執行此分析：

識別 TOC / 章節結構——使用 grep -n 取得章節標題。wc -l 取得章節大小。建構大綱。
分類內容類型——技術（程式碼區塊、方程式、API 參考）vs 文字（散文、故事、練習）vs 圖表豐富。
識別重複的參考框架——作者是否反覆使用特定模型？（例如 DORA、Westrum、Cynefin、技術債務…）。這決定 SKILL_NAME 的範圍。
決定深度：
- 如果書是寬的（許多框架，淺層）→ 參考技能（索引）。DEPTH=reference
- 如果書是深的（~3–5 個框架，穿插）→ 深度技能，每個框架有一章。DEPTH=deep
- 如果兩者混雜 → DEPTH=mixed，預設為參考，但每個框架都有詳細的章節。
輸出結構分析：
- 列出找到的章節和子章節
- 建議 SKILL_NAME（如果之前未提供）
- 推斷的 DEPTH 和 BOOK_TYPE

將此結構儲存為 <workdir>/structure.json。

步驟 4 — 定義技能範圍

設定技能範圍變數：

SKILL_NAME="<slug>"         # 從結構分析或使用者輸入
DEPTH="<reference|deep|mixed>"
BOOK_TYPE="<technical|text>"

從步驟 1.5 和 3 提取的見解。

產生輸出： 要求模型列出此技能將產生的預期輸出檔案以及練習/環境（如果有的話）。

如果 DEPTH=reference，預期：

SKILL.md + 每章 200–500 字的摘要
詞彙表
沒有詳細的模式

如果 DEPTH=deep，預期：

SKILL.md + 每章 800–1500 字的深度摘要
已提取的模式和反模式
速查表
練習（如果適用，請參閱步驟 7.5）

如果 DEPTH=mixed，預期：

SKILL.md + 每章 500–1000 字
參考文件（除非使用者另有指定，否則回退到參考但提供詳細的章節）

步驟 5 — 決定目標路徑

根據上述技能位置中列出的優先順序決定輸出目標。

從 SKILLS_HOME 環境變數開始（如果已設定）。
否則，檢查常見根目錄的存在情況：如果有 ~/.agents/skills/ 則優先使用，然後是 ~/.copilot/skills/，然後是 ~/.claude/skills/ 等。
對於現有技能（模式 4）：如果使用者在要求更新時提供了特定路徑，精確地使用該路徑。如果使用 slug 且存在，則使用它在已發現目錄中的位置。
對於新技能：將 <SKILL_NAME> 寫入 ~/.agents/skills/ 下的新目錄，然後從 ~/.claude/skills/ 建立符號連結（請參閱步驟 10）。

設定 TARGET_DIR。

注意： 此步驟需要優先使用技能位置中定義的優先順序，同時保持對使用者自身代理設定的敏感度。

步驟 6 — 初始化目標目錄

如果目標目錄尚不存在，則建立它：

mkdir -p "$TARGET_DIR"
mkdir -p "$TARGET_DIR/chapters"
mkdir -p "$TARGET_DIR/patterns"
mkdir -p "$TARGET_DIR/exercises"   # 如果 DEPTH=deep 或 mixed

步驟 7 — 撰寫章節檔案

對於來源文件中找到的每個章節/主要部分，撰寫一個對應的摘要檔案到 chapters/。

7a — 計算每個章節的預算

讀取 structure.json 以取得章節列表。對於每個章節，根據 BOOK_TYPE 和 DEPTH 分配 token 預算：

DEPTH \ BOOK_TYPE	technical	text
reference	600	400
deep	1800	1000
mixed	1000	700

7b — 提取章節內容

對於小書（< 50k tokens）：使用 Read 取得整個 full_text.txt。

對於大書（> 50k tokens）：使用 shell 來針對性提取：

# 從結構分析取得章節的開始行
CHAPTER_START=$(grep -n -F "$CHAPTER_TITLE" "$FULL_TEXT_PATH" | head -1 | cut -d: -f1)
# 將下一個章節邊界或檔案結尾作為結束
CHAPTER_END=$(tail -n +$((CHAPTER_START + 1)) "$FULL_TEXT_PATH" | grep -n -E "^\s*(Chapter|CHAPTER)\s+[0-9]+\s*$" | head -1 | cut -d: -f1)
if [ -z "$CHAPTER_END" ]; then
  CHAPTER_END=$(wc -l < "$FULL_TEXT_PATH")
else
  CHAPTER_END=$((CHAPTER_START + CHAPTER_END - 1))
fi
# 提取章節文字
sed -n "${CHAPTER_START},${CHAPTER_END}p" "$FULL_TEXT_PATH" > /tmp/chapter_content.txt

然後處理 /tmp/chapter_content.txt 以產生摘要。

7c — 架構化摘要

對於每個章節，產生包含以下內容的 markdown 檔案：

# Chapter <N>: <Title>

## Summary
[2–3 sentences capturing the core argument or framework]

## Key Takeaways
- <3–5 point-form insights from this chapter>

## Frameworks Introduced
- **<Name>**: <1-sentence description of the framework, how to use it, when to apply it>

## Anti-Patterns / Misconceptions Addressed
- **<Name>**: <What to avoid doing and why the author warns against it>

## Principles & Techniques
- **<Name>**: <Step-by-step if technique, heuristic if principle>

## Cross-References
- Links related chapters, glossary entries, patterns

對來源文件中的每個主要章節重複此過程。

步驟 7.5 — 設計練習（僅限 `DEPTH=deep` 或 `mixed`）

對於 deep 或 mixed 深度的書籍，建立練習，將書本概念實際應用於軟體工程場景：

# Exercise: <Name>

## Context
<1–2 sentences describing when a developer would encounter this situation>

## Problem
<Concrete scenario the user needs to analyze or solve>

## Hints
- <optional hint to nudge without giving away the answer>

## Model Answer
<Expected reasoning path using the author's framework(s)>

將每個練習寫入 <TARGET_DIR>/exercises/<kebab-case-name>.md。

步驟 8 — 萃取詞彙表、模式與反模式

8a — 詞彙表

掃描章節摘要和書本草稿以找到重複出現的專有名詞。對於每個術語：

定義
出處章節
作者使用的原始語言（引述）

## Glossary

### <Term>
**Source:** Chapter <N>
**Definition:** <extracted definition from text>
**Author's phrasing:** > "..."
**Usage:** <how a developer might apply this concept in conversation or code review>

寫入 <TARGET_DIR>/patterns/glossary.md。

8b — 模式與反模式

對於每個識別出的模式或反模式：

## Pattern: <Name>

**Category:** Framework | Principle | Technique | Anti-pattern
**Source:** Chapter <N>
**Why it matters:** <impact on engineering outcomes>
**How to apply it:** <actionable steps>
**When to use it / avoid it:** <context>
**Related concepts:** <cross-refs to glossary, other patterns>

寫入 <TARGET_DIR>/patterns/patterns.md。合併到統一的索引中。

步驟 9 — 產生 SKILL.md

在 $TARGET_DIR 中寫入 SKILL.md，結構如下：

# <SKILL_NAME>

## Overview

<1 paragraph: what this skill provides—frameworks, mental models, vocabulary, and curated practices from <Book Title> and related documents>

## Key Frameworks & Mental Models

- **<Name>** — <1-line definition>
- **<Name>** — <1-line definition>

_(see chapters/ for detailed walkthroughs and examples)_

## Principles & Heuristics

- **<Principle>** — <1-line when/how to apply>

## Core Techniques

- **<Technique>** — <when to use it, what it achieves>

## Anti-Patterns & Pitfalls

- **<Anti-pattern>** — <why it fails>

## Vocabulary & Glossary

See [patterns/glossary.md](patterns/glossary.md) for all defined terms. Key terms:

- **<Term>** — <brief definition>

## Usage Guide

When working on code or design decisions:

1. **Identify the problem type** — is this a <framework domain> problem?
2. **Apply the relevant framework** — use <Framework> to structure your thinking…
3. **Check against anti-patterns** — am I falling into <Anti-pattern>?
4. **Use the vocabulary** — frame discussions using the author's terms for precision

## Related Chapters

- [Chapter 1 — <Title>](chapters/chapter-01.md)
- [Chapter 2 — <Title>](chapters/chapter-02.md)
…

## Exercises

_(if DEPTH=deep or mixed)_
- [Exercise: <Name>](exercises/<name>.md)

## Source References

- Original document(s): <paths>
- Extracted: <timestamp>

步驟 9.5 — 品質審查（可選但建議）

在聲明完成之前，審查產生的技能：

所有章節摘要是否存在且大小匹配 DEPTH 預算？
詞彙表是否包含在「原始語言」中引用的引述？
是否有錯誤引用或幻覺的風險？（框架：它是否實際存在？）
反模式是否明確說明為什麼它不好？
SKILL.md 中的使用指南是否是可操作的——而不是泛泛而談？
交叉引用是否解析（不存在中斷的連結）？
如果模式 4（更新），新內容是否已整合而非重疊？

向使用者報告審查結果。

步驟 10 — 符號連結（僅限 Claude Code）

如果目標是 ~/.agents/skills 且 Claude Code 已安裝：

mkdir -p ~/.claude/skills
ln -sf "$TARGET_DIR" ~/.claude/skills/"$SKILL_NAME"

確認 Claude Code 可以發現此技能：

ls -la ~/.claude/skills/ | grep "$SKILL_NAME"

如果 Claude Code 未安裝，或目標是專案本地目錄，請跳過此步驟。

腳本位置參考

extract.py 腳本應位於上述任何技能根目錄下的 scripts/extract.py。

使用 --help 取得腳本選項：

"$PYTHON_BIN" "$SCRIPT_PATH" --help

疑難排解

問題	檢查
找不到腳本	腳本是否安裝了？在技能根目錄中執行 `find . -name extract.py`。
錯誤語言	文件是否包含非目標語言？腳本不翻譯——它萃取結構。
幻覺框架	章節摘要是否包含 Sketch 框架？一個章節可能沒有——檢查原始文字。
缺少格式支援	執行 `extract.py --check` 查看缺少什麼。先安裝最佳萃取器。
慢速萃取	技術模式使用 pydocling。一張投影片可能需要 1–3 秒。較小的文件使用文字模式。

無代理模式

如果你希望在不使用 AI 代理的情況下執行萃取，可以在終端機中手動執行：

# 檢查已安裝的萃取器
python3 /path/to/extract.py --check

# 以文字模式萃取 PDF
python3 /path/to/extract.py document.pdf --mode text

# 以技術模式萃取 EPUB
python3 /path/to/extract.py book.epub --mode technical

這對於在讓代理處理之前預先處理文件很有用，或者如果你想要比代理可以提供的手動控制更多。萃取輸出（full_text.txt、metadata.json）可以稍後使用 BOOK_SKILL_WORKDIR=<path> 環境變數由代理讀取。

在你喜歡的 AI 中提問

說明文件