让AI替你读完所有PDF,知识点自动归档

一个 Python 脚本让 AI 像人类一样逐页精读 PDF，自动生成渐进式知识图谱

#AI工具#PDF处理#知识管理#Python自动化

痛点：大文件 AI 处理的三个致命伤

把一本 500 页的技术书籍直接丢给 ChatGPT 或 Claude，你大概率会遇到这三种崩溃：

第一，Token 天花板。 现在的上下文窗口虽然动辄几十万 token，但真扔进去一本厚重的 PDF，要么直接报错，要么 AI 开始"选择性失忆"——读到第 300 页的细节，却忘了第 10 页的核心定义。

第二，Chunk 切片的逻辑断裂。 市面上多数 RAG 方案把文档切成固定大小的块，结果第一章的"概念定义"和第三章的"实战应用"被活生生割裂。AI 读完一堆碎片，根本串不起知识脉络。

第三，垃圾信息的干扰。 手动复制粘贴时，目录页、版权页、索引页、空白页一股脑混进上下文，AI 在这些无意义的内容上浪费大量算力，输出的总结往往牛头不对马嘴。

更可怕的是进程中断焦虑——花两小时跑了 200 页，电脑突然死机或 API 限流，前面算的全白干。

echohive42/AI-reads-books-page-by-page 这个开源项目，就是专门来解决这些硬伤的。它不是简单的"PDF 转文字"，而是模拟人类精读一本书的完整 workflow：逐页消化、定期复盘、持久存储、最终形成体系化总结。

核心亮点

技术实现与灵活配置

项目采用双模型策略：MODEL 负责单页处理（可用轻量级模型降低成本），ANALYSIS_MODEL 负责生成阶段性总结（可用更强的模型保证质量）。通过 ANALYSIS_INTERVAL 参数，你可以设定每读完 N 页就生成一次中期小结（Interval Summary），防止"读完后半句忘前半句"。

输出端完全面向现代知识管理工具：知识点存为结构化 JSON，总结输出为 Markdown 格式，配合彩色终端日志（color-coded output），在命令行里就能清晰看到处理进度和当前页的内容密度。

目录结构也帮你整理好了：book_analysis/knowledge_bases/ 存原始知识点，book_analysis/summaries/ 存各级总结，book_analysis/pdfs/ 保留源文件备份。

适合谁，不适合谁

适合：

• 技术书速读者
  ：需要快速掌握《设计模式》或《深入理解计算机系统》这类大部头的核心框架，建立初步知识地图。
• 文献综述研究者
  ：处理多本 PDF 教材，提取关键论点进行横向对比（以 README 为准，需自行测试学术 PDF 的兼容性）。
• 个人知识库建设者
  ：想把实体书或扫描件转化为可检索的结构化笔记，导入 Obsidian 或 Notion。

不适合：

• 跨页关联密集型阅读
  ：如果书籍内容严重依赖"翻页对比"（如左右对照的代码示例、跨页表格），单页处理机制会割裂关联性。
• 扫描版/图片型 PDF
  ：以 README 为准，该项目基于文本层提取，对纯图像扫描件需要额外 OCR 预处理。
• 实时交互问答需求
  ：这是批处理（Batch Processing）工具，不是聊天机器人。想要"边读边问"的交互体验，需要配合其他 RAG 系统使用。

真正的理解不是信息的堆积，而是知识在时间轴上的渐进式沉淀。

使用小贴士

建议首次使用时，先将 ANALYSIS_INTERVAL 设为 10 页左右，观察中期总结的质量。如果发现 AI 对代码示例理解不到位，可以调大间隔让模型看到更多上下文；如果书籍章节较短（如每章 5-8 页），则将间隔设为章节页数，让总结与书籍结构对齐。另外，跑完一本 300 页以上的书会消耗不少 API token，建议先用 TEST_PAGES = 3 验证配置，确认输出格式符合预期后再全量运行。