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
- ★ 775
- 最近更新
- 2 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 92/100 · 表现优秀
30 秒速览
- 运行形态
- 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
- 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
- 源码审查
- 92/100 · 表现优秀
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。
- 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。
- 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。
- 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。
- 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。
- 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。
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-materialsClaude Code 用户级安装命令为：
git clone https://github.com/dmoshehun-prog/learn-from-materials.git ~/.claude/skills/learn-from-materialsGitHub 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.jsonpython3 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>.learnkbpython3 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？
- 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。
- 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 | 92 · 表现优秀 | Agent 插件 / 技能免费 | ★ 775 | 2 天前 | Python | Codex · Claude Code |
| LLM Wiki | 69 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 1.7k | 1 个月前 | Python | Codex · Claude Code · Claude.ai |
| LLM Wiki Agent | 52 · 缺口较多 | Agent 插件 / 技能免费 + 模型费 | ★ 3.6k | 5 天前 | Python | Codex · Claude Code |
| LLM Wiki | 85 · 表现良好 | Agent 插件 / 技能免费 + 模型费 | ★ 1.4k | 18 天前 | Python | Codex · Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示其仅处理用户指定的材料和输出目录，默认离线、不自动安装依赖、不读取无关凭证、不执行材料中的指令，并对 ZIP 容器、浏览器请求及路径泄露设置了明确防护；来源定位、原文引用和相对路径策略也较完整。扣分在于深度选择之外的写入确认机制未被完整展示，更新回滚主要依赖用户预先备份，且依赖安全只有“隔离并固定版本”的建议，未提供锁文件、漏洞扫描或供应链审计证据。
README、工作流说明和测试在绑定、过期输入、缺失引用、标题索引、关系映射及双语渲染等方面相互一致；可选解析器有清晰降级路径，测试还验证了具体异常消息和停止发布行为。未因缺少实际执行结果扣分；本评估只确认源文件中存在这些处理与测试设计。
材料格式、快速概览与系统学习、双语输出、不同代理环境和缺少 OCR、浏览器或解析器时的行为均有具体说明；纯聊天环境、扫描件、MOBI 回退和视觉验证边界也被明确限定。触发规则会响应显式深度要求，并在未指定时询问一次，因此该维度证据充分。
仓库结构、安装路径、命令、输出命名、版本元数据、示例和限制说明组织清楚，MIT 正文完整。扣分是未见独立 FAQ 内容，提供的 CHANGELOG 仅在目录与文件清单中被提及而未给出正文证据；维护渠道虽指向 GitHub Security Advisory，但未明确稳定的负责人、支持承诺或发布治理，且发布者身份按题设仍属未知。
输出同时包含可交互 HTML、Markdown、规范化页面数据、知识库、审计记录和压缩包，且笔记、测验、方法库与可追溯引用带来明显的材料学习增量。扣分在于系统学习依赖代理人工阅读与编写规范文件，长材料还需要长上下文、高推理模型以及可能的 OCR/浏览器工具，时间和算力成本并不低。
设计将页面声明绑定到来源块、原文引文、页码或章节、哈希、覆盖审计、规则台账和内容复核，并明确区分材料事实、未覆盖内容、模型补充与外部核验；测试还检查缺失映射、伪造引文和过期输入。扣分在于提供的佐证主要来自同一仓库的自述、合成样例和内部测试，没有独立来源对真实材料上的语义完整性或准确性进行交叉验证。
- 这是静态低置信度评估；没有执行脚本、测试或浏览器验证，仓库中的通过性声明不等于独立复现。
- 处理私密、受版权保护或受监管材料前，应核对底层 AI 平台的数据政策，并人工检查输出中的个人信息、凭证、绝对路径和大段原文。
- 安装可选解析器时应使用隔离环境和已审查的固定版本；现有材料未展示锁文件或自动漏洞审计。
- 更新前需自行备份同名技能和已有输出；文档未展示自动回滚机制。
- 静态检查、哈希和结构台账不能证明摘要、关系或方法在语义上正确且无遗漏，仍需人工来源复核。