1. 为什么我要把技术书编译成 Claude Code Skill你书架上那本《Designing Data-Intensive Applications》花了三百多块啃了两个星期。三个月后架构评审会上老板问“咱们到底用主从复制还是多主复制”你脑子里只剩一句——书里好像讲过第七章还是第八章来着于是你打开 PDF 搜 replication出来 47 个匹配翻到第二十三个的时候你已经忘了自己本来要找什么。这不是你一个人的问题。买书如山倒读书如抽丝用书如登天这是所有技术人都要交的“知识折旧税”你为每个知识点付出无数次检索和确认的精力而这些时间本可以拿来写代码。把整本书丢给 AI 看似是个解法但一本 400 页的书约 20 万 Token每次对话都要重复消耗而且上下文接近满载时模型对特定事实的召回精度会断崖式下降。你花了 20 万 Token 的钱换来一个“大概记得书里说过什么”的 AI。book-to-skill 这个 14k 星的开源工具给出的答案很硬核把书编译成 Claude Code Skill让 AI 按需加载对应章节基于真实内容回答。实测下来一本 501 页的 Pro Git 全量加载要 229K Token编译成 Skill 后单次查询只要约 5K节省 51 倍。这篇就带你从零走完整个流程包括 Skill 目录骨架、config.toml 配置、Token 消耗对比验证以及怎么用 TaoToken 统一 Key 接入让编译和调用都走同一个入口。2. 前置准备TaoToken 统一 Key 与运行环境book-to-skill 在编译阶段要调用 Claude 做结构分析和章节摘要在运行阶段 Claude Code 又要调用模型做推理。如果两处分别配置不同的 Key管理起来很乱额度也分散。我的做法是用 TaoToken 统一接入一个 Key 同时给编译脚本和 Claude Code 用。TaoToken 是一个模型 API 聚合入口兼容 Anthropic 和 OpenAI 两种协议格式Claude Code、Coding Plan、Agent 类工具都能直接对接。你不需要改代码里的调用逻辑只要把 base_url 和 api_key 换掉就行。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 端点是 https://taotoken.net/api 注意 API 地址不带 UTM 参数。环境方面需要准备三样东西。第一是 Python 3.10 以上book-to-skill 依赖 Docling 做技术书的版面解析Docling 对 Python 版本有要求。第二是 Claude Code CLI用来加载和调用生成好的 Skill。第三是 TaoToken 的 API Key在控制台创建即可。# 检查 Python 版本 python3 --version # 预期输出 Python 3.10.x 或更高 # 安装 book-to-skill pip install book-to-skill # 安装 Claude Code CLI如果还没装 npm install -g anthropic-ai/claude-code安装完成后先别急着编译书把 Key 配好。TaoToken 的 Key 在控制台创建创建入口在 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentconsole Key 列表页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentapi-keys 。创建后复制出来后面 config.toml 和 Claude Code 都要用。注意Key 只显示一次创建后立刻保存到本地环境变量或配置文件不要提交到 Git 仓库。3. 可复制配置Skill 目录骨架与 config.tomlbook-to-skill 生成的不是一个单文件摘要而是一套结构化目录。理解这个骨架你才知道 Token 是怎么省下来的。核心设计是“按需加载”SKILL.md 只放核心思维模型和章节索引每章单独一个文件Claude 回答问题时只加载索引加对应章节其余章节安静躺在磁盘上不花 Token。先看目录骨架这是编译完成后你应该看到的结构~/.claude/skills/ └── designing-data-intensive-applications/ ├── SKILL.md # 核心思维模型 章节目录索引约 4000 tokens ├── chapters/ │ ├── ch01.md # 第 1 章约 1000 tokens │ ├── ch02.md │ ├── ch03.md │ └── ... ├── glossary.md # 关键术语表按字母排标出处章节 ├── patterns.md # 设计模式、算法技巧合集 └── cheatsheet.md # 决策表和快速参考规则SKILL.md 是入口Claude 加载 Skill 时先读它拿到章节索引后决定去读哪个 chapters 文件。这个“先索引后内容”的两段式加载是 Token 效率的根本保障。接下来是 config.tomlbook-to-skill 用它来指定模型端点、提取引擎和输出路径。把 api_key 换成你在 TaoToken 控制台创建的那个# ~/.config/book-to-skill/config.toml [llm] # 走 TaoToken 统一入口兼容 Anthropic 协议 base_url https://taotoken.net/api api_key sk-你的TaoToken密钥 model claude-sonnet-4-20250514 max_tokens 8192 [extract] # 技术书走 Docling保留代码块和表格 technical_engine docling # 纯文字书走 pdftotext速度快 text_engine pdftotext # 超过 5 万 Token 的书启用章节切片 slice_threshold 50000 [output] # Claude Code 技能目录 claude_skills_dir ~/.claude/skills # GitHub Copilot CLI 技能目录可选 copilot_skills_dir ~/.agents/skills [summary] # 每章摘要字数范围 chapter_summary_min 800 chapter_summary_max 1200配置里有两个点值得展开。第一是slice_threshold一本 200 页 28 章的书如果不切片输入 Token 会烧到 200 万切片后成本和输出成正比而不是和源文件大小成正比。第二是technical_engine技术书里有代码块、表格、公式用普通 pdftotext 提取一本 103 页的技术书 48 个表格会全部丢失36 段代码变成乱码所以技术书必须走 Docling。Claude Code 那边也要指向 TaoToken在环境变量里设置export ANTHROPIC_BASE_URLhttps://taotoken.net/api export ANTHROPIC_API_KEYsk-你的TaoToken密钥这样编译脚本和 Claude Code 用的是同一个 Key、同一个端点额度统一管理不用在两处分别充值。4. 编译流程与验证请求从 PDF 到可调用 Skill配置就绪后编译一本书只需要一条命令。以《Designing Data-Intensive Applications》为例book-to-skill compile \ --input ~/Downloads/designing-data-intensive-applications.pdf \ --name ddia \ --config ~/.config/book-to-skill/config.toml执行后工具会先问一个问题这本书是技术类还是文字类这不是随便问问它决定了走哪个提取引擎。技术书选 Docling纯文字书选 pdftotext。选完之后进入四步流水线。第一步提取全文。Docling 大约 1.5 秒一页一本 500 页的书需要十几分钟期间会输出进度。第二步 Claude 分析结构对超过 5 万 Token 的书用 grep 加 sed 按章节切片读取只加载正在分析的那一章。第三步生成结构化 Skill产出前面说的五份文件。第四步写入~/.claude/skills/目录。编译完成后先验证目录结构是否正确ls -la ~/.claude/skills/ddia/ # 应该看到 SKILL.md、chapters/、glossary.md、patterns.md、cheatsheet.md wc -c ~/.claude/skills/ddia/SKILL.md # 看 SKILL.md 大小正常在 15KB 到 20KB 之间然后验证 Token 消耗。这是整个流程最关键的对比环节。先测全量加载的 Token 数用 tiktoken 估算整本书的文本量import tiktoken enc tiktoken.get_encoding(cl100k_base) # 全量加载整本书的文本 with open(ddia_fulltext.txt, r) as f: full_text f.read() full_tokens len(enc.encode(full_text)) print(f全量加载: {full_tokens} tokens) # Skill 单次查询SKILL.md 单章 with open(~/.claude/skills/ddia/SKILL.md) as f: skill_md f.read() with open(~/.claude/skills/ddia/chapters/ch05.md) as f: chapter f.read() skill_tokens len(enc.encode(skill_md)) len(enc.encode(chapter)) print(fSkill 单次查询: {skill_tokens} tokens) print(f节省倍数: {full_tokens / skill_tokens:.1f}x)实测一本 501 页的 Pro Git全量加载 229K TokenSkill 单次查询约 5K节省 51 倍。你的书页数不同倍数会有差异但量级一致。最后在 Claude Code 里实际调用一次确认 Skill 能被正确加载claude # 进入交互后输入 /ddia 复制策略的对比如果配置正确Claude 会加载 SKILL.md 看索引再加载对应章节文件看内容然后基于书里的真实框架回答而不是凭记忆瞎编。回答里应该能看到书中的具体术语和取舍逻辑比如主从复制、多主复制、无主复制各自的适用场景和反模式。5. 本篇常见错排查编译和调用过程中有几个坑很常见我按出现频率排一下。报错Docling engine not found。这是没装 Docling 依赖。book-to-skill 默认只装轻量依赖Docling 要单独装pip install docling。装完再跑一次编译技术书的表格和代码块就能正常保留了。报错401 Unauthorized或invalid api key。检查 config.toml 里的api_key是不是复制完整了TaoToken 的 Key 有前缀别漏掉。另外确认base_url是https://taotoken.net/api不要带 UTM 参数UTM 只用于官网跳转API 端点保持干净。编译到一半卡住不动。大概率是书太大触发了切片逻辑但切片阈值设得太低。把 config.toml 里的slice_threshold从 50000 调到 80000 试试。如果还是卡看下是不是网络问题编译阶段要持续调用模型网络不稳会重试。Skill 加载后 Claude 说“找不到这本书的内容”。检查~/.claude/skills/下的目录名和你在 Claude Code 里输入的/命令是否一致。目录名是ddia命令就是/ddia大小写敏感。另外确认 SKILL.md 存在且非空如果编译中断SKILL.md 可能是空的。Token 没省下来反而更贵了。这种情况通常是 SKILL.md 写得太长把整本书的摘要都塞进去了。SKILL.md 应该只放核心思维模型和章节索引控制在 4000 Token 左右。如果超了检查 config.toml 里的chapter_summary_max是不是设太大或者编译时选错了引擎把技术书当文字书处理导致摘要冗余。Claude Code 调用时报context length exceeded。这是单章文件太大超过了模型上下文。检查 chapters 目录下有没有异常大的文件正常每章 1000 Token 左右。如果某章特别大可能是原书那一章内容就多可以在 config.toml 里调低chapter_summary_max重新编译。排障相关的接入文档和 Key 管理可以看 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentdoc 里面有协议兼容说明和常见错误码对照。6. 把编译和调用都收口到 TaoToken走完整个流程你会发现book-to-skill 的价值不在于技术有多新Docling 是开源的pdftotext 是现成的Skill 标准是开放的。它的工程品位在于把“知识编译”这件事做对了编译时预处理查询时零延迟按需加载绝不把整本书塞进上下文。对你来说落地时最省心的做法是把编译脚本和 Claude Code 都指向 TaoToken 同一个 Key。编译阶段用 Claude 做结构分析运行阶段用 Claude Code 做推理两处共用一个端点、一份额度不用来回切换配置。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentchat 想先试试模型响应质量再去编译书的话可以在这里快速验证。如果你打算长期跑编码和 Agent 任务Coding Plan 在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentcoding-plan 额度更划算。Claude Code 的 Anthropic 协议接入说明在 https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentclaudecode-anthropic 照着配环境变量就行。一键之后你的书不再是 PDF 文件而是 AI Agent 的肌肉记忆。下次架构评审会上老板再问复制策略你敲一个/ddia 复制策略的对比答案就出来了。
14k星开源工具实测：把技术书编译成Claude Code Skill，Token省51倍
1. 为什么我要把技术书编译成 Claude Code Skill你书架上那本《Designing Data-Intensive Applications》花了三百多块啃了两个星期。三个月后架构评审会上老板问“咱们到底用主从复制还是多主复制”你脑子里只剩一句——书里好像讲过第七章还是第八章来着于是你打开 PDF 搜 replication出来 47 个匹配翻到第二十三个的时候你已经忘了自己本来要找什么。这不是你一个人的问题。买书如山倒读书如抽丝用书如登天这是所有技术人都要交的“知识折旧税”你为每个知识点付出无数次检索和确认的精力而这些时间本可以拿来写代码。把整本书丢给 AI 看似是个解法但一本 400 页的书约 20 万 Token每次对话都要重复消耗而且上下文接近满载时模型对特定事实的召回精度会断崖式下降。你花了 20 万 Token 的钱换来一个“大概记得书里说过什么”的 AI。book-to-skill 这个 14k 星的开源工具给出的答案很硬核把书编译成 Claude Code Skill让 AI 按需加载对应章节基于真实内容回答。实测下来一本 501 页的 Pro Git 全量加载要 229K Token编译成 Skill 后单次查询只要约 5K节省 51 倍。这篇就带你从零走完整个流程包括 Skill 目录骨架、config.toml 配置、Token 消耗对比验证以及怎么用 TaoToken 统一 Key 接入让编译和调用都走同一个入口。2. 前置准备TaoToken 统一 Key 与运行环境book-to-skill 在编译阶段要调用 Claude 做结构分析和章节摘要在运行阶段 Claude Code 又要调用模型做推理。如果两处分别配置不同的 Key管理起来很乱额度也分散。我的做法是用 TaoToken 统一接入一个 Key 同时给编译脚本和 Claude Code 用。TaoToken 是一个模型 API 聚合入口兼容 Anthropic 和 OpenAI 两种协议格式Claude Code、Coding Plan、Agent 类工具都能直接对接。你不需要改代码里的调用逻辑只要把 base_url 和 api_key 换掉就行。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 端点是 https://taotoken.net/api 注意 API 地址不带 UTM 参数。环境方面需要准备三样东西。第一是 Python 3.10 以上book-to-skill 依赖 Docling 做技术书的版面解析Docling 对 Python 版本有要求。第二是 Claude Code CLI用来加载和调用生成好的 Skill。第三是 TaoToken 的 API Key在控制台创建即可。# 检查 Python 版本 python3 --version # 预期输出 Python 3.10.x 或更高 # 安装 book-to-skill pip install book-to-skill # 安装 Claude Code CLI如果还没装 npm install -g anthropic-ai/claude-code安装完成后先别急着编译书把 Key 配好。TaoToken 的 Key 在控制台创建创建入口在 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentconsole Key 列表页在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentapi-keys 。创建后复制出来后面 config.toml 和 Claude Code 都要用。注意Key 只显示一次创建后立刻保存到本地环境变量或配置文件不要提交到 Git 仓库。3. 可复制配置Skill 目录骨架与 config.tomlbook-to-skill 生成的不是一个单文件摘要而是一套结构化目录。理解这个骨架你才知道 Token 是怎么省下来的。核心设计是“按需加载”SKILL.md 只放核心思维模型和章节索引每章单独一个文件Claude 回答问题时只加载索引加对应章节其余章节安静躺在磁盘上不花 Token。先看目录骨架这是编译完成后你应该看到的结构~/.claude/skills/ └── designing-data-intensive-applications/ ├── SKILL.md # 核心思维模型 章节目录索引约 4000 tokens ├── chapters/ │ ├── ch01.md # 第 1 章约 1000 tokens │ ├── ch02.md │ ├── ch03.md │ └── ... ├── glossary.md # 关键术语表按字母排标出处章节 ├── patterns.md # 设计模式、算法技巧合集 └── cheatsheet.md # 决策表和快速参考规则SKILL.md 是入口Claude 加载 Skill 时先读它拿到章节索引后决定去读哪个 chapters 文件。这个“先索引后内容”的两段式加载是 Token 效率的根本保障。接下来是 config.tomlbook-to-skill 用它来指定模型端点、提取引擎和输出路径。把 api_key 换成你在 TaoToken 控制台创建的那个# ~/.config/book-to-skill/config.toml [llm] # 走 TaoToken 统一入口兼容 Anthropic 协议 base_url https://taotoken.net/api api_key sk-你的TaoToken密钥 model claude-sonnet-4-20250514 max_tokens 8192 [extract] # 技术书走 Docling保留代码块和表格 technical_engine docling # 纯文字书走 pdftotext速度快 text_engine pdftotext # 超过 5 万 Token 的书启用章节切片 slice_threshold 50000 [output] # Claude Code 技能目录 claude_skills_dir ~/.claude/skills # GitHub Copilot CLI 技能目录可选 copilot_skills_dir ~/.agents/skills [summary] # 每章摘要字数范围 chapter_summary_min 800 chapter_summary_max 1200配置里有两个点值得展开。第一是slice_threshold一本 200 页 28 章的书如果不切片输入 Token 会烧到 200 万切片后成本和输出成正比而不是和源文件大小成正比。第二是technical_engine技术书里有代码块、表格、公式用普通 pdftotext 提取一本 103 页的技术书 48 个表格会全部丢失36 段代码变成乱码所以技术书必须走 Docling。Claude Code 那边也要指向 TaoToken在环境变量里设置export ANTHROPIC_BASE_URLhttps://taotoken.net/api export ANTHROPIC_API_KEYsk-你的TaoToken密钥这样编译脚本和 Claude Code 用的是同一个 Key、同一个端点额度统一管理不用在两处分别充值。4. 编译流程与验证请求从 PDF 到可调用 Skill配置就绪后编译一本书只需要一条命令。以《Designing Data-Intensive Applications》为例book-to-skill compile \ --input ~/Downloads/designing-data-intensive-applications.pdf \ --name ddia \ --config ~/.config/book-to-skill/config.toml执行后工具会先问一个问题这本书是技术类还是文字类这不是随便问问它决定了走哪个提取引擎。技术书选 Docling纯文字书选 pdftotext。选完之后进入四步流水线。第一步提取全文。Docling 大约 1.5 秒一页一本 500 页的书需要十几分钟期间会输出进度。第二步 Claude 分析结构对超过 5 万 Token 的书用 grep 加 sed 按章节切片读取只加载正在分析的那一章。第三步生成结构化 Skill产出前面说的五份文件。第四步写入~/.claude/skills/目录。编译完成后先验证目录结构是否正确ls -la ~/.claude/skills/ddia/ # 应该看到 SKILL.md、chapters/、glossary.md、patterns.md、cheatsheet.md wc -c ~/.claude/skills/ddia/SKILL.md # 看 SKILL.md 大小正常在 15KB 到 20KB 之间然后验证 Token 消耗。这是整个流程最关键的对比环节。先测全量加载的 Token 数用 tiktoken 估算整本书的文本量import tiktoken enc tiktoken.get_encoding(cl100k_base) # 全量加载整本书的文本 with open(ddia_fulltext.txt, r) as f: full_text f.read() full_tokens len(enc.encode(full_text)) print(f全量加载: {full_tokens} tokens) # Skill 单次查询SKILL.md 单章 with open(~/.claude/skills/ddia/SKILL.md) as f: skill_md f.read() with open(~/.claude/skills/ddia/chapters/ch05.md) as f: chapter f.read() skill_tokens len(enc.encode(skill_md)) len(enc.encode(chapter)) print(fSkill 单次查询: {skill_tokens} tokens) print(f节省倍数: {full_tokens / skill_tokens:.1f}x)实测一本 501 页的 Pro Git全量加载 229K TokenSkill 单次查询约 5K节省 51 倍。你的书页数不同倍数会有差异但量级一致。最后在 Claude Code 里实际调用一次确认 Skill 能被正确加载claude # 进入交互后输入 /ddia 复制策略的对比如果配置正确Claude 会加载 SKILL.md 看索引再加载对应章节文件看内容然后基于书里的真实框架回答而不是凭记忆瞎编。回答里应该能看到书中的具体术语和取舍逻辑比如主从复制、多主复制、无主复制各自的适用场景和反模式。5. 本篇常见错排查编译和调用过程中有几个坑很常见我按出现频率排一下。报错Docling engine not found。这是没装 Docling 依赖。book-to-skill 默认只装轻量依赖Docling 要单独装pip install docling。装完再跑一次编译技术书的表格和代码块就能正常保留了。报错401 Unauthorized或invalid api key。检查 config.toml 里的api_key是不是复制完整了TaoToken 的 Key 有前缀别漏掉。另外确认base_url是https://taotoken.net/api不要带 UTM 参数UTM 只用于官网跳转API 端点保持干净。编译到一半卡住不动。大概率是书太大触发了切片逻辑但切片阈值设得太低。把 config.toml 里的slice_threshold从 50000 调到 80000 试试。如果还是卡看下是不是网络问题编译阶段要持续调用模型网络不稳会重试。Skill 加载后 Claude 说“找不到这本书的内容”。检查~/.claude/skills/下的目录名和你在 Claude Code 里输入的/命令是否一致。目录名是ddia命令就是/ddia大小写敏感。另外确认 SKILL.md 存在且非空如果编译中断SKILL.md 可能是空的。Token 没省下来反而更贵了。这种情况通常是 SKILL.md 写得太长把整本书的摘要都塞进去了。SKILL.md 应该只放核心思维模型和章节索引控制在 4000 Token 左右。如果超了检查 config.toml 里的chapter_summary_max是不是设太大或者编译时选错了引擎把技术书当文字书处理导致摘要冗余。Claude Code 调用时报context length exceeded。这是单章文件太大超过了模型上下文。检查 chapters 目录下有没有异常大的文件正常每章 1000 Token 左右。如果某章特别大可能是原书那一章内容就多可以在 config.toml 里调低chapter_summary_max重新编译。排障相关的接入文档和 Key 管理可以看 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentdoc 里面有协议兼容说明和常见错误码对照。6. 把编译和调用都收口到 TaoToken走完整个流程你会发现book-to-skill 的价值不在于技术有多新Docling 是开源的pdftotext 是现成的Skill 标准是开放的。它的工程品位在于把“知识编译”这件事做对了编译时预处理查询时零延迟按需加载绝不把整本书塞进上下文。对你来说落地时最省心的做法是把编译脚本和 Claude Code 都指向 TaoToken 同一个 Key。编译阶段用 Claude 做结构分析运行阶段用 Claude Code 做推理两处共用一个端点、一份额度不用来回切换配置。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentchat 想先试试模型响应质量再去编译书的话可以在这里快速验证。如果你打算长期跑编码和 Agent 任务Coding Plan 在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentcoding-plan 额度更划算。Claude Code 的 Anthropic 协议接入说明在 https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_campaignrewriteutm_contentclaudecode-anthropic 照着配环境变量就行。一键之后你的书不再是 PDF 文件而是 AI Agent 的肌肉记忆。下次架构评审会上老板再问复制策略你敲一个/ddia 复制策略的对比答案就出来了。
)
