book-to-skill: регламенты и книги станут навыками ИИ-агента

Что это за инструмент

Репозиторий virgiliojr94/book-to-skill на момент проверки 7 октября 2026 года набрал около 34 тысяч звёзд, в нём 210 коммитов. Файл лицензии LICENSE.md содержит текст MIT.

Как это устроено по README. Вы запускаете команду /book-to-skill и указываете файл, папку или маску. Python-скрипт вытаскивает из документа чистый текст, а ваш агент по инструкции из SKILL.md превращает его в структуру: главный файл SKILL.md с ключевыми идеями и оглавлением (автор оценивает его в 4000 токенов), по файлу на каждую главу (около 1000 токенов каждый), глоссарий, файл с шаблонами и шпаргалку с правилами принятия решений.

Форматы на входе: PDF, EPUB, DOCX, HTML, RTF, MOBI, а также TXT, Markdown, reStructuredText и AsciiDoc. Кроме книг, README называет внутреннюю документацию, руководства по бренду и стандарты.

Для каких агентов и что нужно для запуска

Формат универсальный, Claude Code лишь один из хостов. Навык кладётся в стандартный формат SKILL.md, который по README читают GitHub Copilot CLI, Amp, Claude Code, Hermes Agent, OpenCode и OpenClaw. Установка одной строкой: npx skills add virgiliojr94/book-to-skill, либо клонирование папки в каталог навыков агента.

Ключи. Сам конвертер их не просит: README пишет, что извлечение и анализ идут локально, файлы никуда не загружаются. Структуру по инструкции собирает ваш агент, поэтому нужен агент с рабочей подпиской или ключом модели. Это мой вывод из описания, прямого пункта про ключи я не нашёл. Автор оценивает генерацию примерно в один доллар на книгу при ценах Claude Sonnet 4.5, это его расчёт на английских книгах.

Сколько токенов экономится по заявлению автора

README и страница docs/performance.md заявляют: в 24-51 раз меньше токенов, чем при загрузке всей книги в контекст ради одного вопроса. Цифры получены на трёх английских книгах по 119, 175 и 256 тысяч токенов, расчёт идёт из 5000 токенов на ответ: ядро около 4000 плюс одна глава около 1000.

Это заявление автора, я его не перепроверял. Оговорка про наш масштаб: регламент на 20 страниц целиком занимает порядка 10 тысяч токенов (оценка по пропорции из таблицы автора для английского текста, для русского счёт придётся проверить отдельно). Выигрыш заметен на толстых документах и длинных диалогах, на одной тонкой инструкции он скромнее.

Как приложить это к документам компании

У компании есть регламент отпусков, инструкция по приёмке товара, скрипты продаж, договоры, прайс. Сейчас сотрудник читает всё подряд или спрашивает коллегу. Навык делит документ на главы и даёт агенту оглавление: вопрос про возврат товара открывает главу про возврат, и 60 страниц целиком в контекст не попадают. Ответ собирается по реальному тексту документа.

Один навык на один набор связанных документов. Склад, продажи и HR лучше держать отдельными навыками, тогда оглавление остаётся коротким.

Похожую логику я разбирал в статьях про Skills в Gemini и навык для презентаций: навык это папка с инструкциями, которую агент подгружает по необходимости.

Навык или RAG: когда что

RAG режет документы на фрагменты и ищет подходящие по смыслу, как описано в статье про RAG-системы для бизнеса. Автор book-to-skill в своём FAQ делит так: один документ или тесный набор связанных источников, глубокая работа, значит навык; большая библиотека и вопрос «найди, где упоминается X», значит поиск по фрагментам. По его словам, подходы дополняют друг друга.

Моя прикидка для бизнеса. Навыка достаточно, когда документов десяток-другой, они редко меняются и структурированы по главам: регламенты, инструкции, скрипты продаж, договорные шаблоны. RAG нужен, когда массив большой (архив переписок, тысячи карточек, база знаний с постоянными правками), когда документы обновляются каждую неделю или когда нужно искать по всем сразу. Прайс с ежедневными изменениями в навык класть неудобно: придётся пересобирать. Для таких данных лучше таблица или база, откуда агент берёт актуальное значение. Про выбор между подходами есть материал RAG или дообучение модели.

Что важно учесть

Сканы. Инструмент не распознаёт текст. Если PDF это фотографии страниц, README предлагает сначала прогнать файл через ocrmypdf. Текст внутри схем и диаграмм не извлекается ни из какого формата.

Таблицы. Для PDF с таблицами автор советует режим docling: он сохраняет таблицы и код, но работает около полутора секунд на страницу. Как ведут себя таблицы в DOCX, я не проверял.

Русский язык. У README есть русская версия, но она описывает сам инструмент. Как конвертер определяет главы в русских документах и насколько хорошо агент собирает структуру из русского регламента, я не подтвердил. Проверка на ваших файлах обязательна.

Конфиденциальность. Конвертер работает локально, но текст, который агент читает при сборке и при ответах, уходит модели. Для договоров с персональными данными сотрудников и клиентов, а также для документов с коммерческой тайной это вопрос 152-ФЗ и внутренней политики. Статья не заменяет консультацию юриста.

Что можно сделать уже сейчас

Шаг 1. Возьмите один регламент на 20 страниц без персональных данных и без тайны. Лучше текстовый DOCX или PDF с текстовым слоем.

Шаг 2. Установите инструмент командой npx skills add virgiliojr94/book-to-skill. Проверьте окружение командой python3 scripts/extract.py --check: она покажет, каких извлекателей не хватает.

Шаг 3. Запустите конвертацию и откройте результат глазами. Главы не должны склеиваться, цифры и сроки должны совпадать с оригиналом.

Шаг 4. Задайте агенту 10 вопросов, на которые вы сами знаете ответы по пунктам. Считайте верные ответы и смотрите, открыл ли агент нужную главу. Тест на большем числе вопросов описан в статье про тест на 30 вопросах.

Частые вопросы

Нужен ли для работы платный сервис?

Сам конвертер бесплатный, лицензия MIT. Расходы идут на модель вашего агента.

Можно ли дать такой навык сотрудникам?

Навык лежит папкой с файлами и подключается к агенту. Для команды удобнее бот в мессенджере, который читает те же главы. Это отдельная разработка: конвертер готовит только знания, интерфейса в нём нет.

Что делать, когда регламент обновился?

README описывает режим дополнения, а при полной замене документа проще пересобрать навык. Для правок раз в квартал это нормально, для еженедельных лучше другой подход.

Коротко о главном

book-to-skill превращает документы в навык с отдельным файлом на главу, и агент подгружает только нужное. По заявлению автора это в 24-51 раз меньше токенов, чем при загрузке всего текста, цифра проверена им на английских книгах. Для регламентов и инструкций компании подход подходит, пока документов немного и они редко меняются. Сканы, таблицы и русский язык нужно проверять на своих файлах.

Если хотите, чтобы я собрал из ваших регламентов ассистента, который отвечает по пунктам и открывает нужный раздел, посмотрите ИИ-агентов под ключ. Напишите мне в Telegram кодовое слово «НАВЫК», пришлю список вопросов для проверки и скажу, хватит ли вам навыка или нужен RAG.