ingest

/eatbook:ingest — 书籍入库

本 skill 是编排者：转换委托 /pdf-ocr，翻译委托 /md-translate，自己只负责质检、章节索引和归位。

步骤 1：定位

• 解析参数：PDF 路径（必需）、领域 slug（缺省时列出 domains/ 下已有领域让用户选）
• 定书 slug（书名英文小写连字符，如 principles-of-neural-science）
• 建目录：domains/<领域>/books/<书slug>/{source,notes}

步骤 2：PDF → Markdown

调用 Skill pdf-ocr，参数为 PDF 路径；输出归位到 books/<书slug>/source/full.md + source/images/。

• 英文教材记得传语言 en；扫描件走 ocr 模式
• 大部头教材（>500页）建议先转前 30 页检查质量，确认后再全量

步骤 3：质检（GASBOOK 实战经验固化）

运行预检脚本：

python3 ${CLAUDE_SKILL_DIR}/scripts/preflight.py <full.md路径>          # 只报告
python3 ${CLAUDE_SKILL_DIR}/scripts/preflight.py <full.md路径> --fix    # 自动修复（先备份 .bak）

脚本处理三类已知问题：

1. 乱码段检测（MinerU 对扫描件多栏小字的字符级乱码）——报告行号范围，人工判断：目录/索引区乱码可整段删除并插入 〔OCR 乱码，略〕；正文乱码需考虑该页重新 OCR
2. 公式分隔符：$ x $ → $x$（内侧空格导致 pandoc 拒识数学模式）；$...$ 紧贴数字时插空格
3. Unicode 上下标归一化：¹⁹ → 19（CJK 字体不含这些字符，渲染会变空框）

脚本报告后，把"需人工判断"的项逐条处理掉。

步骤 4：章节索引

python3 ${CLAUDE_SKILL_DIR}/scripts/build_toc.py <full.md路径> > <书目录>/notes/_toc.json

脚本按标题模式（Chapter N / 第N章 / ## N. 等）切分出章节→行号范围。 必须人工校对：对照书的真实目录（Read full.md 开头部分或问用户），检查：

• 章节数量对不对、有没有把 Preface/Appendix 误判为章
• OCR 噪声标题（如把页眉识别成 #）造成的假章节
• 校对后直接 Edit _toc.json 修正

_toc.json 是 /eatbook:read 分章精读的依据，错了会导致漏读，务必核对。

步骤 5：翻译

调用 Skill md-translate，输入 source/full.md，输出归位为 books/<书slug>/translation.md。

• 教材通常术语密集：把本领域 00-domain.md 提到的领域名告诉翻译 skill，便于其构建领域术语表
• 大部头会跑较久（管线支持断点续传），可以建议用户后台跑

步骤 6：归位与登记

1. 确认最终结构：source/full.md、source/images/、translation.md、notes/_toc.json
2. 更新 domains/<领域>/00-domain.md 进度表：该书"入库 ☑ / 翻译 ☑"
3. 汇报：转换质量摘要（乱码段数量、公式修复数、章节数）+ 下一步提示 /eatbook:read <书slug>

注意

• 锚点基准：后续所有笔记锚点都指向 source/full.md 的行号。质检修复必须在 _toc.json 生成和深读开始之前完成；入库之后不再改动 full.md（改动会使所有锚点漂移）
• 论文入库走同样流程，书 slug 用 paper-<第一作者>-<年份>，可跳过翻译（问用户）