book-to-skill im Test: Bücher als Agent Skills für Claude Code und Codex?

Was ist book-to-skill?

book-to-skill ist kein neues Sprachmodell und keine RAG-Datenbank. Das MIT-lizenzierte Python-Projekt wandelt Quellen in Markdown-Dateien nach dem offenen Agent-Skills-Format um. Ein kompatibler Coding-Agent kann diese Dateien später als wiederverwendbare Anweisungs- und Wissensschicht laden.

Die Idee ist praktisch: Ein Buch soll nicht bei jeder Frage erneut durchsucht oder vollständig in das Kontextfenster kopiert werden. Stattdessen bezahlt der Nutzer die Analyse einmal bei der Erstellung. Danach liegen Kernmodelle, Kapitelwissen, Begriffe und Entscheidungshilfen in einer für Agenten lesbaren Struktur vor.

Das unterscheidet book-to-skill von prozeduralen Sammlungen wie Matt Pococks Agent Skills. Dort beschreiben Skills vor allem Arbeitsabläufe wie Test-Driven Development oder Code Review. book-to-skill versucht dagegen, umfangreiches Fachwissen in dieselbe technische Form zu bringen.

Wie funktioniert die Umwandlung vom Buch zum Agent Skill?

Die Pipeline trennt Extraktion, Destillation und spätere Nutzung. Das ist der wichtigste technische Unterschied zu einer normalen PDF-Unterhaltung.

1. Das Dokument lokal extrahieren

Das Skript `scripts/extract.py` liest die Quelle ein und prüft zuerst die verfügbaren Parser. Für textlastige PDFs bevorzugt das Projekt schnelle Werkzeuge wie `pdftotext` oder `pypdf`. Bei technischen Büchern kann Docling Tabellen und Codeblöcke als Markdown erhalten.

Der Unterschied ist erheblich. Im projektinternen Benchmark mit einem 103-seitigen technischen PDF brauchte `pdftotext` 0,1 Sekunden, erkannte aber weder Tabellen noch Codeblöcke. Docling benötigte 164 Sekunden und extrahierte dafür 48 Tabellen sowie 36 Codeblöcke. Das ist eine Eigenmessung des Projekts, kein unabhängiger Benchmark.

2. Das Wissen durch ein LLM destillieren

Nach der Extraktion analysiert das Modell Titel, Kapitel und Inhaltsverzeichnis. Es soll nicht nur eine Zusammenfassung schreiben, sondern mentale Modelle, benannte Frameworks, Anti-Patterns, Begriffe und Entscheidungsregeln herausarbeiten. Genau hier entsteht allerdings auch das größte Qualitätsrisiko: Fehler oder Auslassungen dieser einmaligen Verdichtung landen dauerhaft im Skill.

Die Extraktion läuft lokal. Für die eigentliche Destillation verarbeitet jedoch das Modell des Agent-Hosts den extrahierten Text. „Lokal extrahiert“ bedeutet deshalb nicht automatisch, dass der Buchinhalt nie an einen Modellanbieter übertragen wird.

3. Den Skill per Progressive Disclosure laden

Die erzeugte `SKILL.md` enthält Frontmatter, Kernmodelle und einen Kapitelindex. Detaillierte Inhalte liegen in separaten Dateien und sollen erst dann in den Kontext kommen, wenn die Aufgabe sie benötigt. Der Agent-Skills-Standard bezeichnet dieses Prinzip als Progressive Disclosure.

Eine typische Ausgabe sieht so aus:

book-skill/
├── SKILL.md
├── glossary.md
├── patterns.md
├── cheatsheet.md
└── chapters/
    ├── ch01-intro.md
    ├── ch02-core-concept.md
    └── ch03-application.md

Laut Projekt-Dokumentation zielt die zentrale `SKILL.md` auf rund 4.000 Tokens. Eine geladene Kapiteldatei soll ungefähr 1.000 Tokens beisteuern. Die Werte sind Zielgrößen des Generators, keine garantierten Grenzen.

Wie lief der Praxis-Test auf dem VPS?

Ich habe zuerst den dokumentierten Preflight ausgeführt:

python3 scripts/extract.py --check

Die Prüfung erkannte fehlende Abhängigkeiten und nannte konkrete Installationswege. Das ist unspektakulär, aber wichtig: Die Pipeline scheitert nicht kommentarlos, wenn Docling, Poppler oder ein Python-Fallback fehlen.

Als Testquelle diente das 15-seitige Paper „Attention Is All You Need“. Weil `pdftotext` nicht vorhanden war, wechselte der Extraktor automatisch auf `pypdf`. Das Ergebnis umfasste in meiner Messung 6.129 Wörter aus dem verlinkten Original und wurde auf rund 8.000 Tokens mit der Extraktionspipeline geschätzt. Metadaten und Volltext wurden korrekt erzeugt.

Der kritische Befund: Die Erkennung meldete null Kapitel. Das Paper verwendet Abschnitte statt Überschriften im Muster „Chapter N“. Die spätere Destillation müsste deshalb auf einen Heading-Scan ausweichen. Das kann funktionieren, kann Abschnitte aber auch verpassen oder doppelt zuordnen. Ein erfolgreicher Extraktionslauf beweist folglich noch keinen vollständigen Skill.

Eine vollständige End-to-End-Destillation wurde im VPS-Test nicht ausgeführt. Dafür braucht die Pipeline einen kompatiblen Agent-Host samt Modellzugriff. Getestet ist damit die Extraktion, nicht die Qualität der fertigen Antworten.

Wie installierst du book-to-skill für Claude Code?

Die manuelle Installation aus dem offiziellen Repository lautet:

git clone https://github.com/virgiliojr94/book-to-skill.git ~/.claude/skills/book-to-skill
python3 ~/.claude/skills/book-to-skill/scripts/extract.py --check

Alternativ gibt es seit v1.2.0 ein installierbares Python-Paket für die Extraktions-Engine:

python3 -m pip install "book-to-skill[pdf,epub,docx]"
book-to-skill --check

Wichtig: Das Python-Paket allein registriert nicht automatisch den Agent Skill in Claude Code. Für die integrierte Nutzung muss die Skill-Struktur im passenden Host-Verzeichnis liegen.

Für ein eigenes Buch startest du den Skill anschließend innerhalb des unterstützten Agent-Hosts mit dem in der README dokumentierten Aufruf:

/book-to-skill /pfad/zum/buch.pdf mein-fachbuch

Prüfe nach der Generierung mindestens Kapitelzahl, Dateigrößen, Glossar und einige zufällig ausgewählte Aussagen gegen das Original. Bei technischen Büchern solltest du zusätzlich Tabellen, Codeblöcke und Formeln stichprobenartig vergleichen.

Funktioniert book-to-skill mit OpenAI Codex?

Nicht als belastbar dokumentiertes First-Class-Target. Die aktuelle Projektdokumentation nennt Claude Code, GitHub Copilot CLI und Amp. Auch das mit v1.1.0 eingeführte Validierungswerkzeug kennt laut Release-Notizen nur die Linsen `claude`, `copilot` und `amp`.

Der offene `SKILL.md`-Ansatz macht eine Anpassung für andere Agenten grundsätzlich plausibel. Das ist aber nicht dasselbe wie getesteter Support. Die im Research gefundenen GitHub-Issues #78 und #79 deuten auf gewünschte Erweiterungen hin. Bis ein Faktencheck den aktuellen Status und einen reproduzierbaren Installationsweg bestätigt, sollte der Artikel nicht behaupten, dass book-to-skill Codex nativ unterstützt.

Praktisch heißt das: Claude Code ist der klare Testpfad. Bei Codex musst du mit manueller Pfadanpassung, fehlender Host-Validierung und möglichem Nacharbeiten an Triggern rechnen.

Spart book-to-skill wirklich 24- bis 51-mal Tokens?

Der Claim ist nachvollziehbar dokumentiert, aber enger als die plakative Zahl vermuten lässt. Die Performance-Dokumentation vergleicht einen Laufzeitkontext von ungefähr 5.000 Tokens mit zwei Alternativen: dem vollständigen Buch im Kontext und einem Discovery Loop, bei dem der Agent relevante Dateien erst suchen und lesen muss.

Gegen einen vollständigen Context Dump ist der Vorteil groß. Gegen eine vernünftige Suche in vorbereiteten Dateien fällt er je nach Kapitelstruktur deutlich kleiner aus. Außerdem misst die Tabelle den Token-Aufwand, nicht die Antwortqualität. Ein billigerer Abruf ist kein Gewinn, wenn die Destillation genau den benötigten Sonderfall entfernt hat.

Auch der Kostenwert von „rund einem US-Dollar pro Buch“ stammt vom Projekt selbst. In der dokumentierten Kalkulation mit Claude Sonnet 4.5 lagen vier Beispielbücher zwischen 0,88 und 1,42 US-Dollar, gerechnet mit 3 US-Dollar pro Million Input-Tokens und 15 US-Dollar pro Million Output-Tokens. Modellpreise, Buchlänge und Ausgabemenge verändern diese Rechnung.

Wie unterscheidet sich book-to-skill von NotebookLM, RAG und einem PDF im Kontext?

book-to-skill ersetzt diese Ansätze nicht pauschal. Es optimiert einen speziellen Fall: ein enges Wissensgebiet soll direkt im Arbeitsablauf eines Coding-Agenten verfügbar sein.

NotebookLM und book-to-skill können sich ergänzen. NotebookLM eignet sich für Recherche und Quervergleiche; ein geprüfter Skill bringt die verdichteten Regeln anschließend in den Terminal-Workflow. Wie eine solche Verbindung als externes Langzeitgedächtnis funktioniert, zeigt mein Artikel zu Claude Code und NotebookLM.

Wo liegen die wichtigsten Einschränkungen?

Kapitel-Erkennung bleibt fragil

Die Extraktion hängt an Strukturmustern. Das Repository dokumentiert Verbesserungen für mehrere Sprachen und römische Ziffern, löst damit aber keine unnummerierten Abschnitte, ungewöhnlichen Inhaltsverzeichnisse oder schlecht gesetzten PDFs. Mein Paper-Test mit null erkannten Kapiteln zeigt genau diese Grenze.

Verdichtung bedeutet Informationsverlust

Ein Kapitel mit vielen Beispielen, Beweisen oder API-Details passt nicht verlustfrei in ungefähr 1.000 Tokens. book-to-skill tauscht Vollständigkeit gegen schnellen Zugriff. Für Checklisten und Kernmodelle kann das sinnvoll sein. Für juristische Nuancen, mathematische Herleitungen oder sicherheitskritische Implementierungsdetails solltest du das Original weiterhin griffbereit halten.

Progressive Disclosure ist kein Qualitätsgarant

Die Studie „Skill Retrieval Augmentation for Agentic AI“ untersucht Skill-Retrieval mit einem Pool von 26.262 Skills, 5.400 Testinstanzen und 636 manuell erstellten Gold-Skills. Ihr Ergebnis ist für book-to-skill relevant, aber kein direkter Produkttest: Agenten haben weiterhin Schwierigkeiten zu entscheiden, wann ein Skill gebraucht wird und welcher Skill geladen werden soll. Selection-basierte Konfigurationen schnitten häufig stärker ab als rein autonome Progressive-Disclosure-Varianten.

Eine zu breite Skill-Beschreibung kann zusätzlich Over-Triggering auslösen. Dann lädt der Agent den Wissens-Skill bei vielen nur entfernt verwandten Aufgaben und der Tokenvorteil schrumpft. Eine zu enge Beschreibung hat das gegenteilige Problem: Der passende Skill bleibt ungenutzt.

Skills vergrößern die Angriffsfläche

Dieses Risiko ist nicht spezifisch für book-to-skill. Agent Skills können jedoch Anweisungen, Skripte und Abhängigkeiten in einen Agenten bringen, der Zugriff auf Shell, Dateien und Zugangsdaten besitzt. Die Snyk-Analyse zu Agent-Skills dokumentiert mit ClawHavoc eine reale Kampagne: 341 bösartige Skills entsprachen dort ungefähr 12 Prozent der untersuchten ClawHub-Registry. Das war ein anderes Ökosystem und kein Angriff über book-to-skill, zeigt aber die Folgen fehlender Signaturen und ungeprüfter Installation.

v1.3.0 ergänzt unter anderem Prüfungen gegen Prompt Injection, unsichtbare Unicode-Steuerzeichen und problematische DOCX-Inhalte. Das reduziert Risiken, ersetzt aber weder Code Review noch Sandbox. Für einen zusätzlichen Check kannst du generierte Skills mit NVIDIA SkillSpector prüfen.

Copyright setzt dem Teilen Grenzen

Der Autor beschreibt die Ausgabe als strukturiertes Derivat ähnlich privaten Notizen und empfiehlt, Skills aus fremden Büchern privat zu halten. Das ist eine vorsichtige Produktposition, keine allgemeingültige Rechtsprüfung. Ob du einen erzeugten Skill weitergeben darfst, hängt von Buchlizenz, Umfang übernommener Formulierungen, Nutzungsart und Rechtsraum ab. DRM solltest du nicht umgehen.

Für öffentliche Repositories sind gemeinfreie Werke, eigene Texte, offen lizenzierte Dokumentationen oder Material mit ausdrücklicher Freigabe der sichere Ausgangspunkt. Bei kommerziellen Fachbüchern solltest du den Skill nicht veröffentlichen.

Unabhängige Qualitätsbenchmarks fehlen

Die Token- und Kostenmessungen sind transparent und reproduzierbar angelegt, stammen aber vom Projekt selbst. Es fehlt ein unabhängiger Vergleich, der Antwortqualität, Quellenabdeckung, Halluzinationen und Wartungsaufwand gegen NotebookLM oder ein sauberes RAG-Setup misst. GitHub-Stars belegen Interesse, nicht Zuverlässigkeit.

Für wen lohnt sich book-to-skill?

Meine Faustregel: Nutze book-to-skill für ein häufig verwendetes, klar strukturiertes Werk. Nutze NotebookLM oder RAG für wachsende Quellensammlungen. Lade das Original direkt, wenn Vollständigkeit wichtiger ist als Token-Effizienz.

Wie testest du einen erzeugten Skill zuverlässig?

1. Führe vorab `extract.py –check` aus und dokumentiere den tatsächlich verwendeten Parser.
2. Vergleiche erkannte Kapitelzahl und Inhaltsverzeichnis mit dem Original.
3. Prüfe Stichproben aus Anfang, Mitte und Ende des Buchs.
4. Kontrolliere Tabellen, Code, Formeln, Fußnoten und Abbildungsverweise separat.
5. Stelle Fragen, deren Antwort nur in Randfällen oder Gegenbeispielen vorkommt.
6. Teste, wann der Host den Skill aktiviert und wann nicht.
7. Lies `SKILL.md`, eingebundene Skripte und Abhängigkeiten vor der Installation.
8. Teile einen aus fremden Büchern erzeugten Skill nicht öffentlich.

Die zentrale Qualitätsmetrik ist nicht die Anzahl erzeugter Dateien. Entscheidend ist, ob Antworten auf konkrete Arbeitsfragen korrekt, vollständig genug und bis zum Original nachvollziehbar bleiben.

FAQ: Häufig gestellte Fragen zu book-to-skill

Was macht book-to-skill?

book-to-skill extrahiert Bücher oder Dokumentensammlungen und lässt ein LLM daraus einen Agent Skill mit `SKILL.md`, Kapiteldateien, Glossar, Patterns und Cheatsheet erzeugen. Der Skill soll relevantes Wissen später gezielt in den Kontext eines Coding-Agenten laden.

Unterstützt book-to-skill Claude Code?

Ja. Claude Code gehört neben GitHub Copilot CLI und Amp zu den in der Projekt-README dokumentierten Hosts. Der manuelle Installationspfad liegt unter `~/.claude/skills/book-to-skill`.

Unterstützt book-to-skill OpenAI Codex?

Ein belastbar dokumentierter First-Class-Support ist im aktuellen Research-Stand nicht belegt. Der offene Skill-Aufbau lässt sich möglicherweise anpassen, aber Host-Pfad, Validierung und Triggerverhalten müssen separat getestet werden.

Ist book-to-skill eine Alternative zu NotebookLM?

Nur teilweise. book-to-skill bringt verdichtetes Wissen direkt in einen Agent-Workflow. NotebookLM ist stärker bei Multi-Source-Recherche, Quervergleichen und quellengebundenen Antworten. Für viele Projekte ist die Kombination sinnvoller als ein Entweder-oder.

Spart das Tool wirklich bis zu 51-mal Tokens?

Der 51-fache Wert gilt im Projektbenchmark gegenüber dem vollständigen Kontext-Dump des Buchs „AI Engineering“. Gegen einen Discovery Loop lag der Vorteil im selben Beispiel bei 15,6-mal. Die Messung sagt nichts darüber aus, ob beide Ansätze dieselbe Antwortqualität liefern.

Kann ich jeden erzeugten Buch-Skill veröffentlichen?

Nein. Bei urheberrechtlich geschützten Büchern kann bereits die strukturierte Übernahme relevanter Inhalte rechtlich problematisch sein. Halte solche Skills privat und beachte Lizenz, Nutzungsbedingungen und geltendes Recht.

Halluziniert ein Agent mit book-to-skill weniger?

Das kann passieren, weil der Agent strukturierte, thematisch passende Referenzen erhält. Eine Garantie gibt es nicht: Parserfehler, Kompressionsverlust und falsches Skill-Retrieval können neue Fehler erzeugen. Kritische Aussagen musst du gegen das Original prüfen.

Fazit

book-to-skill ist ein sinnvoller Prototyp für Wissen, das direkt im Coding-Workflow gebraucht wird. Der echte Vorteil liegt nicht in „Bücher auswendig lernen“, sondern in der wiederverwendbaren Struktur aus Kernmodellen, Kapiteln und Entscheidungsregeln. Für Claude Code ist das bereits praktisch testbar; Codex bleibt ohne bestätigten First-Class-Support ein manueller Integrationsfall. Nutze das Tool selektiv, prüfe jeden erzeugten Skill gegen das Original und behandle Token-Ersparnis nie als Ersatz für Quellenqualität.

Verwandte Themen: Matt Pococks Agent Skills zeigen prozedurale Skills für Softwareentwicklung. Der Vergleich zu Claude Code und NotebookLM vertieft die externe Wissensschicht. Wie du fremde Skills vor der Installation prüfst, erklärt der Beitrag zu NVIDIA SkillSpector.

## Quellen

• book-to-skill: Repository und README
• book-to-skill: Performance-Dokumentation
• book-to-skill: Releases
• Agent Skills: offener Standard
• Skill Retrieval Augmentation for Agentic AI
• Snyk: From SKILL.md to Shell Access in Three Lines of Markdown
• Attention Is All You Need
• Öffentliches NotebookLM mit den Research-Quellen

*Quellenstand: Repository-Audit, dokumentierter VPS-Test und NotebookLM-Synthese vom 2. bis 4. August 2026. Performance-, Kosten- und Qualitätsangaben des Projekts sind als Eigenmessungen gekennzeichnet.*