先说一个你肯定干过的事。
你下载了一本技术书，PDF，300多页。你想让AI帮你读，于是把整本书拖进对话框，说：“帮我总结一下核心观点。”
AI要么直接报错“超出上下文”，要么硬着头皮读了，然后你问第三个问题的时候，它已经忘了第一个问题问的是什么。
你以为是你充的钱不够。不是。是你喂的方式不对。
GitHub上有一个7000+ Star的开源项目，叫 book-to-skill。它干的事很简单：不让你把书塞给AI，而是让AI在需要的时候，自己去翻对应的那一页。
实测数据：一本256K token的技术书，直接塞进上下文，对比用book-to-skill按需加载，Token消耗差了51倍。
你的Token，烧在了“翻书”上
这是book-to-skill的作者提出的一个概念，叫 “探索循环税” 。
一个AI读PDF，不只是“读”。它还要“找”。
你问一个问题，它先翻目录，找到一个相关章节，读了几页，发现一个不懂的术语，又回头翻定义，再跳回来……每一次跳转，都进了对话历史，在后续每一轮对话里被重新处理一遍。
更要命的是，为了不爆上下文，AI会自己把读到的内容“压缩”一下再继续。压缩完的东西，你根本没法核对它到底漏了什么。
你付的Token，一大半不是用来“理解”的，是用来“找”的。
book-to-skill怎么干的
它不让你把书丢进对话。它让你先跑一个命令：
/book-to-skill ./我的技术书.pdf
然后它干三件事：
第一，把书拆成章节文件。 每一章一个文件，大概1000 token。
第二，生成一个核心索引。 大概4000 token，里面是整本书的框架、关键概念、章节索引。
第三，你问问题的时候，只加载“索引 + 相关的那一章”。
常驻的只有4000 token的索引。你问到第5章，它才加载第5章那1000 token。你问第10章，它才加载第10章。
一本256K的书，你用的时候，上下文里只有 5000 token左右。
剩下的251K，安安静静躺在硬盘里。你不需要的时候，它们不占地方。
为什么是51倍，不是5倍
因为“直接塞”的代价，是每一轮对话都在重新付。
你把整本书塞进上下文，第一轮对话，256K。第二轮，256K加上第一轮的回答，更多。第三轮，更多。每一轮都在为那本书重新付费。
book-to-skill呢？第一轮，5000 token。第二轮，5000 token加回答。每一轮都只付“索引+那一章”的钱。
那本256K的书，你问10个问题，直接塞的方式，总消耗是256K乘以轮数。book-to-skill的总消耗，是5000乘以轮数，加上第一次生成Skill的那点一次性成本。
51倍，是这么算出来的。
说句实在的
这个工具最值钱的地方，不是“省Token”。
是它把“读书”这件事，从“一次性塞进去”，变成了“建一个可查的索引”。
你不需要AI“记住”整本书。你只需要它在你说“翻到第7章”的时候，知道第7章在哪，然后翻过去。
你买的不是“AI的记性”，是“AI的检索能力”。
book-to-skill不是唯一干这件事的工具。RatMD把PDF转成干净的Markdown，省30%到60%。pdf-mcp-server在本地提取文本再给Claude，省70%多。它们解决的是“PDF太脏”。
book-to-skill解决的是“你根本不需要把整本书放进来”。
先搞清楚你的Token烧在哪，再决定用哪个工具。 如果烧在“翻”上，book-to-skill是对的。如果烧在“PDF本身太脏”上，先转Markdown。
热门跟贴