hijiangtao AI 逐页读书技能
它做什么
这个技能把一本书（支持 PDF、EPUB、MOBI、TXT 格式）拆成"逐页分析 → 知识累积 → 分段总结 → 最终报告"四个阶段，模拟一个认真的读者从头到尾研读一本书的过程。最终产出一份结构化、高质量的读书笔记，以本地 Markdown 文件形式交付。
- PyMuPDF/ebooklib/mobi 做多格式解析
- 输出为本地 Markdown 文件
- 原生支持中英文书籍
支持格式
| 格式 | 扩展名 | 解析方式 | 分页单位 |
|---|---|---|---|
| PyMuPDF (fitz) 逐页提取；缺失时回退到 pypdf | 页 | ||
| EPUB | .epub | 优先 ebooklib；缺失时回退到 zip 读取 html/xhtml（不保证章节顺序完美） | 章节 |
| MOBI | .mobi | mobi lib 转换后解析（缺失时建议先转 EPUB） | 章节 |
| 纯文本 | .txt / .text / .md | 按章节标记或固定行数切分 | 章节/段落 |
依赖安装
不同运行环境可能没有预装解析依赖。优先使用同一套 Python 来安装依赖，避免 pip 指向错误解释器。
python3 -m pip install -r requirements.txt
如果你不想装全量依赖，也可以按格式按需安装：
python3 -m pip install pymupdf
python3 -m pip install pypdf
python3 -m pip install ebooklib beautifulsoup4
python3 -m pip install mobi
如果运行环境无法安装依赖（例如受限容器/无网络），先在可联网环境完成“文本提取”（得到 book_extracted.json），再把 JSON 复制到目标环境继续后续流程。
完整工作流
Phase 0 — 获取书籍文件
根据用户输入方式获取文件到 workspace/：
| 用户提供方式 | 处理方法 |
|---|---|
| 上传文件 | 将文件保存到 workspace/，并拿到可访问的本地路径 |
| URL（http/https） | 使用 curl 或 wget 下载到 workspace/ |
| 在线文档/网盘中的附件 | 先获取“可公开访问的下载直链（http/https）”，再用 curl/wget 下载到 workspace/ |
下载后确认文件存在且可读：
file workspace/book.pdf # 确认文件类型
Phase 1 — 文本提取
使用打包的多格式提取脚本，自动检测格式并逐页/逐章解析，跳过目录、索引、版权页等非内容部分：
# 安装依赖（如需要）
python3 -m pip install -r requirements.txt
# 提取文本
python3 scripts/extract_book.py <book_path> -o workspace/book_extracted.json
脚本输出的 JSON 结构：
{
"metadata": {
"filename": "book.epub",
"format": "epub",
"total_pages": 42,
"processed_pages": 42,
"content_pages": 38,
"skipped_pages": 4
},
"pages": [
{"page_number": 1, "title": "Chapter 1: Introduction", "text": "..."},
{"page_number": 2, "title": "Chapter 2: Main Theory", "text": "..."}
]
}
每个 page 对象包含：
page_number：在原书中的页码或章节序号title：章节标题（EPUB/MOBI 会提取 HTML 标题；PDF 显示页码；TXT 按章节标记或段落标题）text：纯文本内容
验证提取结果：如果 content_pages 为 0 或极少，可能是扫描版 PDF（需 OCR）或文件损坏，应告知用户。
Phase 2 — 逐批知识提取
这是核心步骤。读取提取的 JSON，按内容分批次进行知识点提取。
分批策略：将所有 content pages 分成若干批次（每批约 5-8 页/章节），逐批让 AI 分析并提取知识点。这样做而非逐页调用是为了在保持上下文连贯性的同时控制调用次数。
对每批内容，你需要：
- 判断内容类型：实质性内容（理论、论证、案例）还是辅助内容（前言致谢、过渡段落）
- 提取知识点：每个知识点应该是一个完整的、可独立理解的陈述
- 保留重要引用：原文中特别精彩或关键的句子
- 标注术语：首次出现的专业术语及其定义
- 记录示例：书中给出的关键示例及其说明
知识点提取时的思考方式（根据书籍语言使用对应语言输出）：
你是一位认真的读书者，正在逐页研读一本书。对于每批页面内容：
- 提取核心知识点：每个用一句完整的话概括，确保脱离上下文也能理解
- 提取关键引用：值得记录的原文精彩句子（如有）
- 提取术语定义：新出现的专业术语及其解释（如有）
- 提取重要示例：书中给出的案例或示例（如有）
- 如果这几页主要是过渡性内容、重复内容或无实质信息，简要说明并跳过
每批提取完成后，将知识点累积到一个列表中，供后续批次参考（只需传最近的 10-15 个知识点作为上下文即可，避免内容过长）。
Phase 3 — 阶段性摘要（可选但推荐）
如果书籍超过 50 页/章内容，建议每处理完 30-50 页生成一次阶段性摘要：
- 到目前为止的主要主题和论点
- 关键概念之间的关系
- 作者的核心观点走向
Phase 4 — 生成最终读书笔记
所有内容处理完成后，汇总所有知识点和阶段性摘要，生成最终报告。
最终报告模板：
# 📚 《{书名}》读书笔记
## 书籍概览
- **书名**：{从元数据或首页提取}
- **格式**：{PDF/EPUB/MOBI/TXT}
- **规模**：{total_pages} 页/章（分析了 {content_pages} 个内容单元）
- **分析日期**：{当前日期}
## 核心主题
{书籍的 3-5 个核心主题，每个用一段话描述}
## 章节要点
{按章节/部分组织的知识点摘要}
### {章节标题}
- 主要论点：...
- 关键知识点：...
- 重要引用：...
## 关键概念与术语
| 术语 | 定义 | 出处 |
|------|------|------|
| ... | ... | ... |
## 精华摘录
{最值得记忆的原文段落或句子，用引用格式}
## 全书总结
{完整连贯的全书总结，涵盖主要论点、逻辑链条和结论}
## 延伸思考
{基于书籍内容提出的 2-3 个思考问题}
Phase 5 — 输出为本地 Markdown 文件
将最终报告保存为本地 Markdown 文件，并向用户返回文件路径：
- 默认输出路径：
workspace/book_notes.md - 如果可以从元数据提取出书名，则使用更清晰的文件名：
workspace/{书名}_读书笔记.md（对文件名进行必要的清理，避免非法字符）
向用户返回 Markdown 文件路径（以及必要时的下载方式）。
关键注意事项
书籍长度处理策略
| 书籍规模 | 内容单元数 | 策略 |
|---|---|---|
| 短篇 | < 30 | 逐页分析，不需要阶段性摘要 |
| 中篇 | 30-100 | 每 5-8 页一批，每 40 页阶段性摘要 |
| 长篇 | 100-300 | 每 8-10 页一批，每 50 页阶段性摘要 |
| 超长篇 | > 300 | 每 10-15 页一批，每 60 页阶段性摘要 |
语言检测
从前几页内容自动检测书籍语言。所有知识提取和摘要生成应使用与书籍相同的语言，除非用户明确要求特定语言输出。
错误处理
- 文件无法打开：告知用户文件可能损坏或格式不受支持
- 内容页为 0：可能是扫描版 PDF（需 OCR）或空文件
- MOBI 转换失败：建议用户先转为 EPUB 格式
- 依赖缺失：运行
pip install pymupdf ebooklib mobi beautifulsoup4 - 文件写入失败：改用更短的文件名并保存到
workspace/，然后提供文件路径
与用户的交互
在处理过程中主动向用户报告进度：
- "正在解析 {格式} 文件... 共 {N} 页/章"
- "已提取 {M}/{N} 内容单元的知识点"
- "正在生成最终读书笔记..."
- "读书笔记已生成，已保存为 {markdown_path}"
目录结构
book-reader/
├── SKILL.md # 本文件
└── scripts/
└── extract_book.py # 多格式文本提取脚本（PDF/EPUB/MOBI/TXT）