从书架到大脑: 为什么我把电子书做成Skill

把 1000 页教材变成一个可对话、可查询、可调用的知识引擎

2026.07.10 · 基于 pdf2skill 工具实践

我有一个习惯——看到好书就存到硬盘里。技术教材、学术论文、行业报告，PDF 文件夹越攒越大。但说实话，这些文件大多数时候只是躺在那里，像一座从未开采的矿山。我知道里面有我需要的知识，但每次要找一个概念、查一个公式，翻 PDF 的体验比谷歌还差。

直到有一天，我把一本 MIT 教材转成了一个 Skill——一个可以被 AI 直接调用的知识包。从那以后，这本书从"书架上的文件"变成了"我随时可以对话的专家"。

本文目录

1. 问题的本质：PDF 是给人读的，不是给机器用的
2. 什么是 Skill？为什么它和读书笔记不一样
3. 真实案例：MIT 6.042J 教材的蜕变
4. 转成 Skill 之后，知识获取方式变了什么
5. 哪些书值得转，哪些不值得
6. 写在最后

一、问题的本质：PDF 是给人读的，不是给机器用的

仔细想想，电子书（PDF/EPUB）有几个先天缺陷，让它们在"知识可用性"上非常低：

• 线性结构，无法跳转。
  知识在书里是按作者思路排列的，但你的问题不会按书的顺序出现。想查 RSA 加密，你得先翻到目录，找到第 9.11 节，翻到第 378 页——这还是在你记得它在哪一章的情况下。
• 全文搜索几乎没有语义能力。
  PDF 阅读器的搜索是纯文本匹配。搜"鸽巢原理"找不到"Pigeonhole Principle"，搜"主定理"找不到"Master Theorem"。
• 知识是死的，不会主动帮你。
  书躺在硬盘里，不会在你遇到问题时自动跳出来。你在写代码遇到递推关系时，那本讲生成函数的教材不会提醒你"嘿，第 16 章有你要的东西"。
• AI 读不了 PDF 的结构。
  你把一本 1000 页的 PDF 丢给 AI，它能读，但每次对话都要重新加载全部上下文——既慢又贵，还不精确。

本质上，PDF 是"给人读"的格式——人逐页翻阅、线性消费。但我们对知识的使用方式是"非线性检索"——遇到问题，精准定位。

这个错位，就是电子书效率低下的根源。

二、什么是 Skill？为什么它和读书笔记不一样

Skill 是一种可被 AI 助手直接调用的知识包。它不是简单地把书的内容复制进去，而是把一本书拆解成：结构化的知识索引 + 可查询的参考文档 + 可执行的辅助工具。

很多人会说：这不就是读书笔记吗？不，差别很大。

读书笔记

• 你手写的摘录，覆盖你当时理解的部分
• 存在笔记本里，需要你主动去翻
• 静态文本，不会和你互动
• 只有你自己的视角，可能遗漏重点
• 写在纸上就是终点

Skill 知识包

• AI 提取全书结构，覆盖每一章每一节
• 注册在系统中，对话时自动激活
• 可查询、可对话、可生成回答
• 基于教材原文，忠实于作者表述
• 是知识的起点，持续被调用

核心区别在于：读书笔记是"人检索知识"，Skill 是"知识主动找到人"。当你在对话中提到"RSA 加密"，系统会自动加载相关的知识包，AI 就像一个读过这本书的专家一样，用书里的概念、定理、例子来回答你——不需要你翻书，不需要你搜索，甚至不需要你知道这个知识点在哪本书里。

三、真实案例：MIT 6.042J 教材的蜕变

我拿 Mathematics for Computer Science（MIT 6.042J 课程教材，Eric Lehman 等著，2018 修订版）做了一次实验。这是一本 1000 多页的离散数学教材，涵盖证明技术、数论、图论、概率论、递归——内容极其密集。

CASE STUDY

转换过程

13MB

原始 PDF 大小

240万

提取字符数

22章

识别章节

9个

生成文件

转换后生成的 Skill 包含以下内容：

• SKILL.md
   — 主入口文件：五大部分概览、5 条学习路径、核心概念速查表、关键定理索引
• references/chapter_summaries.md
   — 全部 22 章详细摘要
• references/key_theorems.md
   — 核心定理与定义（良序原理、归纳法、RSA、欧拉公式、鸽巢原理、切比雪夫不等式、主定理等）
• references/proof_techniques.md
   — 12 种证明技术模板
• references/probability_guide.md
   — 概率论专题指南
• references/graph_theory.md
   — 图论专题指南
• scripts/concept_lookup.py
   — 概念查询工具，支持中英文关键词和别名搜索
• templates/proof_template.md
   — 证明写作模板
• templates/problem_solving.md
   — 问题求解策略

注意看这个结构：它不是把 240 万字的原文塞进去，而是提取了知识的骨架。原文 240 万字符，Skill 包总共不到 5 万字——但覆盖了全部 22 章的核心内容。这就是"压缩"的力量：去掉冗余的论证过程和重复的例子，保留概念、定理、方法和索引。

更妙的是那个 concept_lookup.py 脚本。它内置了 30 个核心概念的中英文映射，比如你搜"数学归纳法"它能找到"Induction"，搜"主定理"能找到"Master Theorem"。这解决了跨语言知识检索的老问题。

四、转成 Skill 之后，知识获取方式变了什么

1. 从"翻书"到"对话"

以前查 RSA 加密：打开 PDF → 翻目录 → 找到第 9.11 节 → 翻到第 378 页 → 阅读 3 页内容。现在：直接问"RSA 加密的原理是什么"，AI 会用教材中的定义、定理、例子，结合流程图来回答你。知识获取的时间从分钟级降到了秒级。

2. 从"单点查询"到"关联理解"

翻 PDF 时，你查到 RSA 就结束了。但 Skill 里的知识是结构化的——AI 知道 RSA 依赖欧拉定理，欧拉定理依赖模运算，模运算依赖整除性。所以当你问 RSA 时，它会自然地带出欧拉定理的证明思路，告诉你费马小定理是欧拉定理的特例。这种知识图谱式的关联，是线性阅读无法提供的。

3. 从"被动查阅"到"主动激活"

这是最大的变化。PDF 躺在硬盘里不会主动帮你，但 Skill 注册在系统中后，当你在对话中提到"鸽巢原理""概率空间""递推关系"等关键词时，它会自动激活。你不需要想起"我有本书讲过这个"——系统替你想起来了。

这就像你身边多了一个读过这本书的同事。你随口提到一个概念，他能立刻接上话，用书里的框架帮你分析问题。区别是——这个同事 7×24 小时在线，永远不会忘。

4. 从"读一遍就忘"到"持续可调用"

人读一本书，读完两周后能记住的可能不到 20%。但 Skill 不会遗忘——一个月后你问它"切比雪夫不等式怎么用"，它的回答和第一天一样准确。知识的"半衰期"从人类的几天延长到了无限。

五、哪些书值得转，哪些不值得

不是所有电子书都需要转成 Skill。经过实践，我发现有几类书特别适合：

适合转成 Skill 的书：

• 教材类
  （如离散数学、算法导论、计算机网络）——概念密集、结构清晰、需要反复查阅
• 技术手册类
  （如设计模式、架构指南、API 文档）——工具性强、按需检索
• 领域参考书
  （如密码学原理、机器学习数学基础）——专业壁垒高、跨语言检索需求大
• 方法论书籍
  （如证明技术、问题求解策略）——可提取为可复用的模板和流程

反过来，这几类不太适合：

• 小说/叙事类
  ——知识不是结构化的，转了也没法"查询"
• 时效性强的资讯
  ——半年后内容就过时了
• 只有几十页的短文档
  ——直接读比转 Skill 更快
• 图片为主的画册/摄影集
  ——文本提取效果差

判断标准很简单：如果你会在未来反复查阅这本书的某些概念，它就值得转。

六、写在最后

我们这一代人，获取知识的瓶颈早已不是"找不到资料"，而是"资料太多，无法高效使用"。硬盘里躺着几十 GB 的电子书，但真正能用上的不到 5%。

把电子书转成 Skill，本质上是在做一件事：让知识从"存储态"进入"运行态"。

书在硬盘里，是存储态——它存在，但不运转。转成 Skill 后，它进入了运行态——它在对话中被调用、在问题中被激活、在思考中被关联。同一本书，同一些知识，但使用效率差了一个数量级。

以前，我有一座图书馆，但找不到钥匙。

现在，每位"住客"都有了门牌号，还会在需要时主动敲门。

这不是读书方式的改变，是知识管理范式的跃迁。

如果你也有一堆"存了就忘"的电子书，试试给它们做个 Skill。你会发现，那些你以为自己读不完的书，突然变成了你随叫随到的智囊团。

本文基于 pdf2skill 工具实践 · MIT 6.042J 教材转换案例

2026.07.10