材料学习工坊

把书籍、论文与办公文档转成可追溯、可测验、可离线阅读的学习网页。

Star 数
★ 1.5k
最近更新
1 个月前
License
MIT
主语言
Python

30 秒速览

运行形态
Agent 插件 / 技能命令行工具
可在哪里用
通用 · 跨平台Codex · Claude Code
费用
免费,无需付费服务
上手难度
低 · 几分钟可跑通
开始前需要
Python 3.10 或更高版本能够读取文件、运行本地命令并识别 SKILL.md 的智能体Shell / 命令行本地文件系统
典型场景
研究生系统阅读长篇论文或技术 PDF,并需要按页追溯论点、证据和方法。
不适合
  • 只有纯聊天界面、无法访问文件系统或运行 Python 的用户
  • 需要自动处理 MOBI/AZW、但未安装 Calibre 的用户
  • 要求系统自动安装解析或 OCR 依赖的团队
维护状态
近半年有提交最近提交 2026-10-19最新版本 v1.1.0(2026-10-19)近 7 天每天 +9.3 ★

这个 Agent 能做什么,适合哪些场景?

learn-from-materials 是一个基于 Agent Skills 规范的跨智能体学习技能,面向书籍、PDF、幻灯片、Word、网页及多材料集合。它由 SKILL.md 工作流、Python 提取与验证脚本、内容协议、HTML 模板和示例知识库组成,需要宿主智能体读取文件并运行本地命令。用户可选择“快速概览”或“系统学习”,前者扫描完整结构并审核展示的引用,后者还执行完整覆盖、摘要映射、行动规则及独立内容复核。交付物包括可追溯的 .learnkb/ 知识库、自包含交互式 HTML、同源 Markdown、页面数据、交付清单和 ZIP 包。页面提供框架关系图、引导内容、术语表、行动规则、动态自测与本地笔记,但“应用此方法论”只生成可复制的提示词,并不在网页内运行 AI。其脚本默认离线工作,不自动安装依赖,笔记、学习者资料和错题记录仅保存在浏览器本地存储中。

工作流先通过 scripts/extract.py 从 PDF、EPUB、DOCX、PPTX/PPTM、HTML、Markdown、TXT、RTF 等材料提取文本和来源映射;MOBI/AZW/AZW3 则需要 Calibre 的 ebook-convert。智能体阅读提取结果后编写 page.json、methods.json 和 methodology.json,脚本不会自动从原文生成这些学习内容。随后,scripts/methods.py bind 和 scripts/methodology.py bind 把方法卡片、整篇材料的方法论结构及页面内容绑定到同一数据模型。快速概览使用 scripts/prepare_quick.py 检查最终页面中的展示引用;系统学习还要求 summary-ledger.json、action-rule-ledger.json、content-review.json,PDF 另需经过复核的原始标题索引。最后,scripts/finalize.py 校验所选深度的来源和覆盖记录,生成 HTML、Markdown、绑定后的页面 JSON、知识库、交付清单和 ZIP。生成页面可展示细粒度页码、幻灯片或章节来源,并区分材料事实、材料未覆盖内容、模型补充内容和外部核验内容。

  1. 研究生系统阅读长篇论文或技术 PDF,并需要按页追溯论点、证据和方法。
  2. 教师把讲义、PPT 与补充材料整理成带术语表、自测和本地笔记的离线学习页。
  3. 分析师快速梳理行业报告的核心论证、适用条件和行动规则,同时保留引用范围。
  4. 读书者把 EPUB 或书籍提取成可浏览的知识库,并积累可复用的方法卡片。
  5. 使用 Codex、Claude Code、WorkBuddy 或 GitHub Copilot CLI 的团队,希望在现有智能体中加入结构化材料学习流程。

安装与配置要点

摘自下方的安装和使用说明,以项目 README 的最新说明为准。

配置文件
~/.agents/skills/learn-from-materials ~/.claude/skills/learn-from-materials ~/.copilot/skills/learn-from-materials page.json .learnkb/methods.json
运行环境
Python 3.10

如何安装或部署这个 Agent?

需要 Python 3.10 或更高版本,以及能够读取材料和技能目录、运行本地命令并识别 SKILL.md 的智能体。1.0 发布包的推荐安装方式是解压 learn-from-materials-1.0-release.zip,再把其中完整的 learn-from-materials/ 文件夹放入客户端的技能搜索目录;SKILL.md、scripts/、references/ 和 templates/ 必须直接位于该文件夹下。若同名目录已存在,应先自行备份,再重载或重启客户端。

也可安装仓库默认分支,但它可能与 1.0 ZIP 发布包不同。Codex 用户级安装命令为:

git clone https://github.com/dmoshehun-prog/learn-from-materials.git ~/.agents/skills/learn-from-materials

Claude Code 用户级安装命令为:

git clone https://github.com/dmoshehun-prog/learn-from-materials.git ~/.claude/skills/learn-from-materials

GitHub Copilot CLI 可安装到以下目录之一:

git clone https://github.com/dmoshehun-prog/learn-from-materials.git ~/.copilot/skills/learn-from-materials

项目不需要 API 密钥,也不会自动安装可选解析器、OCR 工具或浏览器依赖。

如何使用这个 Agent?

安装并让客户端重新发现技能后,在会话中附上或指定材料,并明确学习深度。系统学习的首个可用请求示例:

Please use learn-from-materials to systematically study this PDF and generate a traceable knowledge base and a learning page.

快速概览 PPT 的示例:

Give me a quick overview of this PPT, keep per-slide sources, and generate an offline learning HTML.

若未指定深度,技能会询问一次。可以先在技能根目录检查当前环境的解析能力:

python3 scripts/extract.py --check

手动执行提取时,将占位符替换为实际路径:

python3 scripts/extract.py <material-path> --mode text --ocr auto --output-dir <topic>.learnkb

智能体完成 page.json、methods.json 和 methodology.json 后,可绑定方法数据:

python3 scripts/methods.py bind --library <topic>.learnkb/methods.json --page page.json --knowledge-base <topic>.learnkb --output page-with-methods.json
python3 scripts/methodology.py bind --model <topic>.learnkb/methodology.json --page page-with-methods.json --knowledge-base <topic>.learnkb --output page-ready.json

快速概览在人工审核展示引用后执行:

python3 scripts/prepare_quick.py page-ready.json --knowledge-base <topic>.learnkb
python3 scripts/finalize.py page-ready.json --knowledge-base <topic>.learnkb --output-dir ./delivery --name learning-quick

系统学习需先备齐完整知识库及规定的复核记录,再执行:

python3 scripts/finalize.py page-ready.json --knowledge-base <topic>.learnkb --output-dir ./delivery --name learning-systematic

这个 Agent 有哪些优点和局限?

优点
  • 同一内容数据同时生成知识库、交互式 HTML 和 Markdown,降低不同交付格式之间出现内容漂移的风险。
  • 对 PDF 页码、PPT 幻灯片和 EPUB 章节提供细粒度来源映射,并明确区分原材料事实、模型补充和外部核验内容。
  • 系统学习包含覆盖记录、摘要台账、行动规则台账及独立内容复核;快速概览也会扫描完整结构并审核展示引用。
  • 方法卡片使用稳定 ID 和版本,综合方法建立新 ID 与父方法引用,不会静默覆盖原始方法。
  • 默认离线运行,脚本不上传材料;页面笔记、学习者资料和错题记录保存在浏览器本地。
局限
  • 核心学习内容仍需智能体阅读材料并编写页面及方法 JSON,脚本本身不会自动完成内容创作。
  • 必须具备 Python 3.10、文件系统访问和本地命令执行能力;纯聊天环境无法完成提取、覆盖验证或 HTML 渲染。
  • 扫描 PDF 和图片密集型幻灯片需要额外 OCR 或视觉能力,否则相关范围只能标记为未核验。
  • MOBI/AZW/AZW3 没有内置回退方案,必须依赖 Calibre 的 ebook-convert。
  • 初始交付仅为 static-only 且 visualReview: not-run;静态和内存 DOM 棬查不能替代真实浏览器的视觉验收。

这个 Agent 与同类方案有什么区别?

本项目明确建立在两个 MIT 项目之上:virgiliojr94/book-to-skill 提供材料提取、知识拆解和基础知识库结构,crayon-ai/book-to-webpage 提供交互式学习页、主题、来源展示和追问交互设计。learn-from-materials 在这些基础上整合了跨智能体 Agent Skills 工作流、快速概览与系统学习两种深度、方法库与整篇方法论、覆盖和内容复核记录,以及离线交付流程。若只需要上游项目各自的基础提取或网页转换能力,上游方案可能范围更聚焦;若需要同源知识库、来源审核、方法积累和完整交付包,本项目覆盖得更广。

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
材料学习工坊 当前 82 · 表现良好 Agent 插件 / 技能免费 ★ 1.5k 1 个月前 Python Codex · Claude Code
Pinvou Agent 桌面工作台 56 · 缺口较多 桌面应用免费 + 模型费 ★ 3k 今天 Rust Codex · Claude Code · OpenAI API · Claude API
LLM Wiki 53 · 缺口较多 命令行工具免费 + 模型费 ★ 1.8k 11 天前 Python Codex · Claude Code · Claude.ai
LazyMind 61 · 存在缺口 桌面应用免费 + 模型费 ★ 790 1 天前 Go Codex

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
表现良好
82/ 100 五分制 4.1 / 5
信任安全 24/29
可靠稳定 9/14
适用触发 15/18
规范维护 15/18
有效结果 12/13
证据核验 7/8
查看各维度的扣分理由
信任安全24 / 29 · 4.1/5

SECURITY.md 与 SKILL.md 明确限定处理用户指定材料和输出目录,不自动安装依赖、不读取无关凭证、不主动联网,并将输入材料视为不可信数据;这些直接支持最小权限、数据流透明和外部影响控制的高分。隐私说明列出路径和敏感内容风险,但主要依赖用户提交前人工检查,因此敏感数据处理扣分。README 说明未指定学习深度时询问一次,安装时要求先备份并避免覆盖、交付使用新名称且保留既有交付,支持确认和恢复;但并非所有动作都有明确确认门槛或通用回滚机制,故未满分。内容以原文定位、引文和来源记录为核心,来源归属处理充分。

可靠稳定9 / 14 · 3.2/5

README 与 SKILL.md 都要求覆盖检查、原文回读和分阶段复核,并明确机械验证不证明语义完整,整体流程较一致。多格式解析提供回退路径,但 MOBI/AZW 无内置回退,扫描件依赖 OCR 或视觉能力;依赖可用性因此只得中等分。安全说明提到超限输入停止并返回错误,测试也覆盖部分失败条件,但所给材料不足以证明用户可读错误信息在各环节都充分,failure_messages 扣分。

适用触发15 / 18 · 4.2/5

材料覆盖快速了解和系统学习、方法库、追问、自检、更新和多类输入,并区分中英文与用户场景,受众和场景说明充分。技能明确要求无文件系统或 Python 的环境只能使用部分提示流程,也说明扫描件、长材料及浏览器验证的边界,能力边界清楚。描述触发范围较宽,包含学习、总结、应用和方法检索等多种任务,触发精度扣分。列出 Python 版本、客户端和可选 Node/Playwright,但兼容性仍依赖各 Agent 的技能发现和本地能力,环境适配未满分。

规范维护15 / 18 · 4.2/5

仓库布局、参考文档路由、安装位置、命令、示例和明确的限制说明较完整,信息架构、安装说明、示例与限制项得高分。稳定 ID 和版本字段有说明,但材料没有充分确立跨版本命名变更政策,命名稳定性扣分。MIT 许可证文件完整。版本号、发布说明和迁移信息存在,但版本历史的维护细节和长期更新承诺有限。安全问题报告路径明确;不过发布者身份未由注册表验证,且材料没有明确具名维护责任人或持续维护安排,维护责任仅得低分。

有效结果12 / 13 · 4.6/5

产物包含可交付的离线 HTML、同源 Markdown、知识库、来源映射、测验和本地笔记;通过同一规范数据派生且有来源提示,日常使用价值和输出可用性证据较强。可复用方法库、关系图及覆盖审计提供超出普通摘要的功能,边际价值较高。流程对完整回读、账本和多阶段复核有明显人工与模型成本,长材料还需要较强上下文能力;虽然检查点和恢复机制有助于控制成本,成本收益仍不宜给满分。

证据核验7 / 8 · 4.4/5

规范要求保留来源 ID、引文、定位、指纹、覆盖记录和审核账本,并区分材料事实、未覆盖内容、模型补充及外部核验,支持较强的主张追溯和事实/推断区分。README、技能、安全说明、示例与测试在多项边界上相互印证,但所给源文件只是抽样,且截图明确不是独立验收证据,交叉印证不充分到满分。

风险与缓解建议
  • 本评估仅基于提示中提供的静态文件样本;未运行代码或独立验证生成结果,置信度为低。
  • 发布者身份未验证;材料说明模型平台对提交内容的存储和处理由平台条款及账户设置决定。
  • 扫描版或图像密集材料可能需要额外 OCR/视觉能力;MOBI/AZW 系列没有内置解析回退。
证据充分度:低 评估于 2026年11月8日 审查版本 f8849746d85c
查看完整评分方法 →
你是这个项目的维护者?把 FARS 徽章加到 README

徽章显示当前的评审分数和结论,点击回到本页。重新评审后约一小时内更新。

FARS

[![FARS 评测](https://followagents.com/badge/learn-from-materials.svg?lang=zh)](https://followagents.com/zh/agents/learn-from-materials)
<a href="https://followagents.com/zh/agents/learn-from-materials"><img src="https://followagents.com/badge/learn-from-materials.svg?lang=zh" alt="FARS 评测"></a>

最近版本

来自该项目 GitHub Releases 的最新发布记录,说明为上游原文摘录,未经本站改写或测试。

  1. v1.1.0 1.1.0 release
    发布说明摘录
    learn-from-materials 1.1.0 相对于 GitHub 正式版 1.0,本次完善来源优先的顺序学习流程、内容与关系复核、任务恢复及交付一致性。 - 来源优先的单元记录与确定性组装,同源派生页面、章节 Markdown 和出处映射。 - 框架/关系候选账本,逐单元原文回读,以及分开的正确性和原文遗漏/应用检查。 - 检查点恢复、依赖指纹、验收输入冻结和阶段耗时记录。 - 框架曲线连线、图外未连线清单、方向提示、出处浮片及窄屏/全屏改进。 - 交付包顶层的独立方法论 Markdown,以及统一的 1.1.0 元数据、中英文文档和当前顺序示例。 - 保留 GitHub main 中的安装/使用求助 issue 模板。 安装:解压 learn-from-materials-1.1.0.zip,保留完整 learn-from-materials 文件夹;文件夹顶层直接包含 SKILL.md、scripts、references、templates。更新已有安装时先备份旧目录,避免与旧并行文件混合。按客户端既有 skill 导入/搜索目录机制加载。 …
    在 GitHub 查看 ↗
  2. v1.0 1.0 release
    发布说明摘录
    从 v0.2.0 升级到 1.0 release,完善材料复核、交付流程和学习页交互。 - 系统学习增加来源优先的第二遍内容复核,检查总结、规则、封闭清单及记录是否过期。 - 改进框架图分组、搜索、长标签布局、悬浮说明滚动和全屏交互;更新三主题与中英文界面。 - 统一快速了解的规范方法绑定、出处复核和完整交付流程,保留快速模式的轻量范围。 - 修复 Windows 命令行编码问题;保留证据文件字节,避免 Git 换行转换使哈希失效。 - 移除真实论文全文及其生成知识库,替换为自编、MIT 许可的三页教学 PDF 与配套示例。 - 同步版本、两份 README、示例索引和相对于 v0.2.0 的累积更新日志。 English …
    在 GitHub 查看 ↗

常见问题

使用它需要 API 密钥或联网吗?
仓库脚本不要求 API 密钥,并且默认离线运行,不会把材料发送到网络。不过,宿主智能体如何存储和处理你提交的内容,取决于所用平台、账户设置和服务条款。
快速概览是否意味着只读材料开头?
不是。快速概览会扫描完整结构并审核最终页面展示的引用,但它不会宣称达到系统学习所要求的穷尽式覆盖。
扫描版 PDF 无法提取文字时会怎样?
需要现有 OCR 或模型视觉能力,并且必须能访问实际页面图像。若这些能力不可用,受影响范围会被标记为需要 OCR 或视觉复核,而不是当作已经验证。
生成的网页会直接调用 AI 吗?
不会。“应用此方法论”会根据问题、目标和约束生成可复制的提示词,用户需要把它粘贴回材料会话中。
它能证明生成内容完全正确且没有遗漏吗?
不能。内容检查器能绑定输入版本并发现缺失映射、陈旧记录和被缩短的枚举列表,但不证明语义真伪或零遗漏;真实浏览器视觉验收也需要另行执行。
材料学习工坊 免费吗?
免费。材料学习工坊 可以免费使用,不需要付费服务。
材料学习工坊 开源吗?
开源。源码在 GitHub(dmoshehun-prog/learn-from-materials),许可证是 MIT。
材料学习工坊 安全吗?
FollowAgents 的 FARS 评审(2026年11月8日)给 材料学习工坊 的“信任与安全”打了 24/29 分。评审检查的 8 项安全措施没有完全缺失的。
材料学习工坊 还在维护吗?
更新变慢了:GitHub 上最近一次提交是 2026-10-19,在最近半年内,但不在最近 30 天内。最新版本是 v1.1.0(2026-10-19)。
材料学习工坊 是谁开发的?
材料学习工坊 由 GitHub 账号 dmoshehun-prog 发布。FollowAgents 没有核实这个账号背后是哪个人或公司。
这页内容对你有帮助吗?
在 GitHub 查看 ↗ 安装 ↓

对比同类 Agent

用同一套 FARS 评审,横向比较这个 Agent 所属的短名单。

相关核心概念