书本知识吸收

它解决什么问题

投喂一本教材后，模型常见的失败是「读过了但答不对」：要么按自己的常识回答，要么引用了教材里不存在的符号体系。这本书往往有一套自洽的记号和推导路径，考试与作业也按这套框架评分。

这个技能把「投喂教材 → 后续能按教材口径作答」变成一条固定流水线：先把全书真正读进去，再抽出结构化知识并生成一份紧凑索引，最后在答题时按索引定位、按教材逻辑推理。

它如何工作

1. 深度读取。 调用 pdf-deep-reading 做逐章逐节的完整抽取，不做略读。对于章节极多、单章极短的 EPUB（视频教程改编书，典型特征是 200+ 个 document item 且内容大量重复），先做全量导出：用 ebooklib + BeautifulSoup 把正文落到 /tmp/ctf_full/chapters.json，按 part 分组后只精读含实质技术内容的章节。<h1>/<h2> 缺失时，从正文首行取形如 1.1 Burp Suite 的编号标题。

2. 结构化知识抽取。 按五类输出到对话中，双方后续都能引用：

• A. 核心概念：术语与定义，附页码
• B. 公式与定理：变量含义、成立条件，编号为 F1、T1 便于引用
• C. 算法与流程：伪代码或编号步骤，编号 A1、A2
• D. 解题模式：题型、模板、易错点、判据
• E. 知识框架：依赖、层级、章节逻辑流

3. 知识索引。 抽取完成后产出一份紧凑索引常驻对话，后续提问时先扫索引再作答，并按标签引用（如「根据第三章 F3.2」），推理路径严格遵循教材框架。

4. 题库生成。 需要题库时按既有 JSON schema 输出：字段含 id、content、options、answer、explanation、type、difficulty、source、nodes、formulas；true_false 的 options 为 ["对","错"]，multi_choice 答案字母按字典序；ID 用科目缩写 + 章节节点 + 三位补零序号；难度按概念记忆 2、理解应用 3、综合分析 4 校准。结构化数据一律存为 .json。

适用边界与注意点

• 扫描版 PDF 必须先探测文本层。 page.get_text() 返回空串或 len(page.get_text('blocks')) == 0 即为扫描件。此时不要直接跑 pdftotext、marker-pdf 或 pdf-deep-reading——它们会静默失败。正确路径是：PyMuPDF 的 doc.get_toc() 取书签目录 → page.get_pixmap(dpi=300) 导出章节起始页 → vision_analyze OCR → 汇总结构化笔记。
• 扫描版 PPTX 同理。 先用 python-pptx 遍历 shape.text，全部为空时转 PDF 再走上述视觉流程；大文件把图片落到 pages/ 子目录避免内存问题。
• 不要假设通用约定。 教材把 MixColumns 写成 MixColum，就沿用教材写法，评分标准跟教材一致。中文教材的数学符号习惯同样要尊重。
• 不要跳过「显而易见」的章节。 绪论里的定义同样会考，全部抽取。
• 多 part 大书分块并行。 6 part × 每 part 50 章时，用 delegate_task 按 part 并行生成题目再合并，避免上下文窗口溢出。
• 习题集走不同分支。 对 CISA、CISSP 这类刷题册，知识本身就是 Q&A 对而非概念章节，只做领域概览后直接链到 question-bank-formatter 输出结构化 JSON。

跨会话使用时，紧凑的知识索引可直接交给 session_search 检索；稳定可复用的核心框架（例如「AES 完整加密流程」）可以沉淀为独立技能。