Stats
Actions
Tags
From legal-skills
Scans existing content assets (articles, lectures, transcripts, notes) and recommends the best publishable format: book, booklet, course, series, manual, or knowledge base. Best for reorganizing mixed content into structured knowledge products.
How this skill is triggered — by the user, by Claude, or both
Slash command
/legal-skills:article2bookThe summary Claude sees in its skill listing — used to decide when to auto-load this skill
**最后更新**：2026-05-17
最后更新：2026-05-17
article2book 用于把一个目录下已经存在的内容资产，整理成可出版、可交付或可持续维护的结构化成果。
本技能仍以“成书策划”为默认主路径，但不把所有素材强行导向一本书。它会先判断这批素材最适合成为：
这里的“现有内容资产”包括但不限于：
它的出发点不是“从空白开始写一本书”，而是：
本技能的默认方法论是：
示例：
请读取 <素材目录>，判断这些文章能不能整理成一本书，并给出书稿结构方案。我有一批直播逐字稿和配套文章，帮我判断适合做书、课程还是小册子。这个混合目录能不能整理成一个知识产品？如果不适合成书，也请给出替代方案。你先只输出一份策划意见，我确认后你再直接生成对应初稿。默认在源目录下创建 书稿策划输出/ 目录。即使最终建议不是成书，也继续使用该目录，避免为不同形态制造多套路径规则。
根据用户请求和素材复杂度选择工作模式：
| 模式 | 适用场景 | 默认产物 |
|---|---|---|
| 快速盘点 | 用户只想先知道方向，或素材规模很大需要先判断值不值得深入 | 对话内给出简短判断，必要时生成 书稿策划意见.md 的简版 |
| 标准策划 | 默认模式；用户要求判断能否成书、适合什么形态、怎么重组 | 书稿策划意见.md |
| 深度重构 | 用户确认策划意见后，或明确要求直接生成完整初稿 | 全书初稿.md 或对应形态初稿 |
默认使用标准策划。只有在用户确认方向、明确要求生成初稿，或素材复杂到必须拆批处理时，才进入深度重构。
先判断最佳内容形态，再判断是否进入成书路径：
各形态的判断标准见 references/content-productization-models.md。
本技能默认采用两阶段交付，并尽量减少用户需要阅读的文件数量。
默认只输出：
| 文件 | 用途 |
|---|---|
书稿策划意见.md | 唯一默认交付件。集中给出最佳内容形态、是否适合成书、主命题、目标读者、结构草案、删改动作、转化路径和下一步产物 |
只有在以下情况，才额外输出支撑文件：
可选支撑文件包括：
| 文件 | 用途 |
|---|---|
processed/agent_reading_notes.md | Agent 分批通读后的内部阅读笔记 |
processed/article_inventory.csv | 脚本建立的基础清单索引 |
processed/article_inventory.jsonl | 结构化索引 |
附录-排除与降权清单.md | 仅在需要解释筛选依据时输出 |
如果用户确认第一阶段意见无误，则直接进入内容重构，不再先产出大批中间文件。
默认输出取决于第一阶段判断：
| 推荐形态 | 默认初稿 |
|---|---|
| 成书 | 全书初稿.md |
| 小册子 | 小册子初稿.md |
| 课程 | 课程大纲与讲稿初稿.md |
| 系列文章 | 系列文章规划与首批初稿.md |
| 实务手册 | 实务手册初稿.md |
| 知识库 | 知识库结构与核心条目.md |
仅当内容过长、需要分章并行起草或用户明确要求拆分时，才输出：
| 文件 | 用途 |
|---|---|
chapters/01-*.md ... | 分章或分单元初稿 |
全书结构说明.md / 内容结构说明.md | 记录章节边界、统一术语和合并规则 |
完整模板见 references/output-template.md。
.md、.markdown、.mdx、.txt、.srt、.vtt.docx、.pdf，先作为“需预处理素材”纳入清单；能直接提取文本时再进入通读书稿策划输出/不同来源的处理方式见 references/source-type-handling.md。
这是本技能的主流程，不可跳过。
通读记录建议沉淀到：
processed/agent_reading_notes.md但该文件默认视为内部工作底稿，不应自动作为用户第一阅读入口。
更细的通读方式见 references/agent-reading-protocol.md。
在开始主题聚类之前，先把低价值内容筛掉，不要把所有素材都硬塞进最终产物。
优先排除或降权以下内容：
筛选时要注意：
筛选标准见 references/content-screening-rubric.md。
如需补路径、查漏或生成基础索引，可运行：
python3 scripts/build_article_inventory.py "<源目录>" --output-dir "<输出目录>/processed"
但要注意：
.docx、.pdf 在脚本中只标记为需预处理，不直接解析正文读取清单后，至少要覆盖：
不要只根据标题聚类。正文中反复出现的“问题意识、判断口径、方法论词汇、操作步骤、案例结构、叙事张力”，通常比标题更能决定最终形态。
先把素材按主题簇归类，再判断它们能否收束成稳定内容产品。
重点识别：
如果目录里同时存在两条以上都足够强的主线，不要硬拼成一本书。应明确提出：
按 references/book-viability-rubric.md 逐项判断：
输出时必须同时明确：
书稿策划意见.md默认不要把分析过程拆成很多用户可见文件。
应把以下内容集中写进一份 书稿策划意见.md：
只有当用户明确要求，或素材规模特别大、争议特别多时，才把筛选清单、总表和阅读笔记额外显性输出。
如果用户对 书稿策划意见.md 表示认可，则直接推进，不必再停留在更多策划文件上。
默认做法：
当素材很多时，可以：
以下情况才建议回退到多文件包：
无论输出是一份还是多份，内部都仍应完成以下判断：
直接保留局部吸收合并重写拆分改写仅作案例/附录/练习/条目移出本产物未提及 / 待补充 / 需作者确认| 工具 | 用途 |
|---|---|
| Agent / 文件读取能力 | 主流程：分批通读全部可读素材，并形成阅读笔记 |
| Subagent / 并行 Agent | 素材量大时并行通读、分章/分单元起草，但最终判断与总稿统一必须回到主 Agent |
python3 | 可选辅助：运行 scripts/build_article_inventory.py 建立索引、补路径、查漏、标记需预处理素材 |
| Markdown 输出能力 | 第一阶段生成单文件 书稿策划意见.md，第二阶段生成对应形态初稿 |
| 文件 | 说明 |
|---|---|
references/agent-reading-protocol.md | Agent 通读素材、分批记笔记和形成初步判断的建议流程 |
references/content-screening-rubric.md | 通读后判断“保留 / 降权 / 排除”的筛选标准 |
references/content-productization-models.md | 书、小册子、课程、专栏、手册、知识库等内容形态的判断标准 |
references/source-type-handling.md | 不同来源素材的处理方式和预处理规则 |
references/output-template.md | 默认输出模板 |
references/book-viability-rubric.md | 成书可行性评估维度与替代形态建议 |
scripts/build_article_inventory.py | 素材目录扫描与索引脚本（可选辅助） |
| 依赖 | 安装方式 |
|---|---|
python3 | macOS: 系统自带或 brew install pythonLinux: sudo apt-get install python3 |
| 包名 | 用途 | 安装命令 |
|---|---|---|
| 无额外第三方依赖 | 脚本仅使用 Python 标准库；脚本为可选辅助 | 无需安装 |
书稿策划意见.md 讲清楚的，就不要拆成 6-8 份结果。npx claudepluginhub cat-xierluo/legal-skills --plugin transcription-correctorTurns a local content archive into a reusable structured knowledge system with content units, topic maps, and assembly drafts. Audits content volume then builds a project skeleton.
Takes a pile of notes, fragments, or a rough draft and conversationally shapes them into a publishable article, iterating on openings, structure, and format (lists, tables, callouts) paragraph by paragraph.
Scans a Substack corpus of 30+ posts to identify clusters that could become a course, book, cohort, or consulting offer, producing up to 2 candidates with evidence and audience signal.