Идея звучала как обещание из рекламы: любая книга превращается в навык агента, и он отвечает по ней, не поднимая книгу целиком в контекст. Мы взяли инструмент на неделю и проверили на своём — на брендбуке, двух книгах по копирайтингу и трёх рабочих мануалах. Ниже семь дней, включая то, что не сработало.
День 1. Установка
Проект — book-to-skill: Python, MIT, 31 тысяча звёзд. Ставится одной командой, но у нас нюанс: скиллы мы держим в Hermes, а он не читает общий кросс-агентный каталог ~/.agents/skills/. В README это честно оговорено — для Hermes путь другой, $HERMES_HOME/skills/<категория>/. Клонировала руками, проверила, что скилл виден агенту.
День 2. Провал со сканом
Первой я взяла самую нужную книгу — и это оказался скан: страницы картинками, текстового слоя нет. Инструмент не стал жевать триста страниц вслепую: проверил первые страницы и остановился с объяснением. Пришлось сначала прогнать OCR, и только потом конвертировать. Минус полдня, зато на выходе не пустой скилл.
День 3. Два режима извлечения и разница в 1600 раз
Для прозы есть pdftotext: сто страниц за 0,1 секунды. Для технических книг — Docling в режиме technical: те же 103 страницы за 164 секунды, зато 48 таблиц и 36 блоков кода сохранены как markdown. На первой книге я по привычке выбрала быстрый режим и получила плоские абзацы — таблицы исчезли. Правило простое: проза — быстро, код и таблицы — медленно.
День 4. Главы не разделились
Вторая книга разошлась на главы сама, третья — нет. В документации у разработчика это описано: если главы названы не «Chapter N», а по-своему, автосегментация не срабатывает. Пришлось дать оглавление вручную, после чего файлы легли ровно, по одному на главу.
День 5. Что получилось на выходе
Пять файлов: SKILL.md примерно на 4 тысячи токенов — ядро и индекс глав; chapters/ по тысяче токенов на главу, грузятся по требованию; glossary; patterns с приёмами; cheatsheet. Последняя версия переписала cheatsheet из словаря терминов в таблицу решений — 32 правила вместо девяти строк определений.
День 7. Счёт
Главная цифра в README — от 24 до 51 раза меньше токенов, чем при заливке книги в контекст целиком, и это не маркетинг: замеры лежат в docs/performance.md, считали tiktoken. Логика такая: ответ на один вопрос стоит около 5 тысяч токенов — ядро плюс одна глава — против 119 тысяч у небольшой книги и 256 тысяч у большой. Против навигационного цикла, когда агент каждый раз перечитывает оглавление, выигрыш скромнее: от 2,4 до 15,6 раза, и это разовая экономия. Генерация скилла стоит примерно доллар на книгу — один раз и навсегда.
Из семи документов скиллами стали три. Критерий из документации честнее любого маркетинга: если вы открываете документ достаточно часто, чтобы пожалеть, что не помните его наизусть, — он подходит. Остальные четыре я оставила обычными файлами, и от этого ничего не сломалось.