К основному содержанию
скилл CX Codex

very-long-text-summarization — скилл для Claude Code

Скилл very-long-text-summarization для обработки книг, справочников и больших кодбаз через многоуровневое извлечение знаний. Выдаёт карту знаний, а не просто сжатый пересказ.

MIT 210 установок ★ 274 обновлён 2026-10-30

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add curiositech/some_claude_skills --skill very-long-text-summarization -a claude-code
Открыть на GitHub

Что делает very-long-text-summarization

Скилл обрабатывает тексты, которые не влезают в одно контекстное окно: профессиональные справочники на 100–1000+ страниц, биографии, коллекции научных статей, крупные кодбазы. Вместо простого сжатия прозы он строит структурированную карту знаний с концепциями, процессами, паттернами экспертизы и метафорами.

Архитектура трёхпроходная. Первый проход дробит документ на пересекающиеся куски примерно по 4K токенов и гоняет их параллельно через дешёвую модель Haiku — она вытаскивает факты, решения, ошибки, цитаты и ссылки. Второй проход синтезирует это в структуру через Sonnet. Третий, опциональный, через Opus собирает из карты знаний черновик скилла.

Автор оценивает первый проход примерно в $0.001 за кусок: книга на 300 страниц обойдётся в районе $0.04. Скилл не предназначен для коротких документов до 10 страниц, живого чата и генерации документации по коду — для последней в описании предлагается скилл technical-writer.

Есть три режима вывода: summary для быстрого понимания документа, knowledge-map для машинно-читаемого YAML/JSON и skill-draft для создания SKILL.md по шаблону skill-architect. Для больших текстов без чёткой структуры предусмотрен фолбэк на разбиение фиксированного размера.

Какие задачи решает

  • переварить книгу или справочник на сотни страниц без потери структуры
  • собрать карту знаний из биографии или мемуаров
  • извлечь экспертные паттерны из профессиональной литературы
  • синтезировать выводы из коллекции научных статей
  • получить черновик скилла из хендбука

Примеры запросов агенту

  • Обработай handbook.pdf и собери карту знаний
  • Суммаризируй biography.txt в режиме knowledge-map
  • Сделай skill-draft из manual.md

Как установить very-long-text-summarization

1Через Skills CLI (Vercel)

npx skills add curiositech/some_claude_skills --skill very-long-text-summarization -a claude-code

2Вручную: положить файлы

~/.claude/skills/very-long-text-summarization/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/very-long-text-summarization/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о very-long-text-summarization

Как установить very-long-text-summarization в Claude Code?

Выполните npx skills add curiositech/some_claude_skills --skill very-long-text-summarization -a claude-code, затем проверьте ~/.claude/skills/very-long-text-summarization/SKILL.md.

Что делает very-long-text-summarization?

Обрабатывает тексты, которые не помещаются в одно контекстное окно, через иерархическое извлечение в несколько проходов. На выходе — карта знаний, индексированное резюме или черновик скилла.

Какие модели используются в проходах?

Первый проход — армия вызовов Haiku параллельно по кускам, второй — синтез через Sonnet, третий опционально — Opus для черновиков скиллов.

Исходный текст

SKILL.md · MIT
---
name: very-long-text-summarization
description: Summarizes very long texts (books, handbooks, biographies, codebases) using hierarchical multi-pass extraction with cheap model armies. Produces structured knowledge maps, not just summaries.
  Use when processing 50+ page documents, professional handbooks, career biographies, or any text too large for a single context window. Activate on "summarize book", "summarize handbook", "long document",
  "extract knowledge", "distill text", "professional biography". NOT for short text summarization (<10 pages), real-time chat summarization, or code documentation (use technical-writer).
allowed-tools: Read,Write,Edit,Bash,Grep,Glob
argument-hint: '[file-path-or-url] [output: summary|knowledge-map|skill-draft]'
metadata:
  category: Content & Writing
  tags:
  - very
  - long
  - text
  - summarize-book
  - summarize-handbook
  pairs-with:
  - skill: research-craft
    reason: Long-text summarization supports research synthesis of academic papers and books
  - skill: llm-router
    reason: Multi-pass summarization uses model routing to assign cheap models for extraction passes
  - skill: cost-optimizer
    reason: Hierarchical summarization of large texts requires cost-aware model selection
---

# Very Long Text Summarization

Processes texts too large for a single context window using hierarchical multi-pass extraction with armies of cheap models. Produces structured knowledge maps, indexed summaries, and skill drafts — not just prose compression.

---

## When to Use

✅ **Use for**:
- Professional handbooks and textbooks (100-1000+ pages)
- Career biographies and memoirs (extracting expertise patterns)
- Large codebases (architecture-level understanding)
- Research paper collections (synthesizing findings across papers)
- Any text exceeding a single context window (~100K tokens)

❌ **NOT for**:
- Short documents (<10 pages) — just read them directly
- Real-time conversation summarization (use auto-compact patterns)
- Code documentation generation (use `technical-writer`)
- Simple TL;DR requests (not worth the multi-pass overhead)

---

## Architecture: Three-Pass Hierarchical Extraction

```mermaid
flowchart TD
  D[Document] --> C[Chunk into segments]
  C --> P1["Pass 1: Haiku army\n(parallel extraction)"]
  P1 --> I[Intermediate summaries]
  I --> P2["Pass 2: Sonnet synthesis\n(merge + structure)"]
  P2 --> S[Structured knowledge map]
  S --> P3["Pass 3: Opus refinement\n(optional, for skill drafts)"]
  P3 --> O[Final output]
```

### Pass 1: Chunked Extraction (Haiku Army)

Split the document into overlapping chunks (~4K tokens each, 500 token overlap). Deploy one Haiku call per chunk in parallel. Each extracts:

```yaml
extraction_template:
  summary: "2-3 sentence summary of this section"
  key_claims: ["list of factual claims or assertions"]
  processes: ["any step-by-step procedures described"]
  decisions: ["any decision points or heuristics mentioned"]
  failures: ["any failures, mistakes, or anti-patterns described"]
  aha_moments: ["any insights, realizations, or conceptual breakthroughs"]
  metaphors: ["any metaphors or mental models used"]
  temporal: ["any 'things changed when...' or 'before X, after Y' patterns"]
  quotes: ["notable direct quotes worth preserving"]
  references: ["any citations, links, or cross-references"]
```

**Cost**: ~$0.001 per chunk. A 300-page book (~150K tokens) = ~38 chunks = ~$0.04 total for Pass 1.

**Parallelism**: All chunks run simultaneously. A 300-page book completes Pass 1 in ~3 seconds (wall clock), not 3 minutes.

### Pass 2: Synthesis (Sonnet)

Feed all Pass 1 extractions into one or more Sonnet calls. Sonnet merges, deduplicates, and structures the knowledge.

```yaml
synthesis_template:
  document_summary: "1-2 paragraph executive summary"
  
  knowledge_map:
    core_concepts:
      - concept: "name"
        definition: "what it means in this domain"
        relationships: ["connects to concept X because..."]
    
    processes:
      - name: "process name"
        steps: ["ordered steps"]
        decision_points: ["where choices are made"]
        common_mistakes: ["what goes wrong"]
    
    expertise_patterns:
      - pattern: "what experts do differently"
        novice_mistake: "what novices do instead"
        aha_moment: "the insight that bridges the gap"
    
    temporal_evolution:
      - period: "date range"
        paradigm: "what was believed/practiced"
        change_trigger: "what caused the shift"
    
    key_metaphors:
      - metaphor: "how practitioners think about X"
        maps_to: "the underlying structure it represents"
  
  index:
    - topic: "topic name"
      chunk_ids: [3, 7, 12]  # Which original chunks cover this
      summary: "1 sentence"
```

**Cost**: ~$0.02-0.05 depending on extraction volume. The index preserves traceability back to specific book sections.

### Pass 3: Refinement (Opus, Optional)

For skill-draft output mode: Opus takes the knowledge map and produces a SKILL.md following the skill-architect template. This is the "crystallize skill from handbook" pipeline.

**Cost**: ~$0.10. Only run when the output is a skill draft.

---

## Chunking Strategy

### Semantic Chunking (Preferred)

Split on document structure — chapter boundaries, section headings, paragraph breaks. Preserves semantic coherence within each chunk.

```python
def semantic_chunk(text: str, max_tokens: int = 4000, overlap: int = 500) -> list[str]:
    """Split text on structural boundaries with overlap."""
    # Split on headings, then merge short sections
    sections = split_on_headings(text)  # ##, ###, etc.
    
    chunks = []
    current = ""
    
    for section in sections:
        if count_tokens(current + section) > max_tokens:
            chunks.append(current)
            # Overlap: keep the last ~500 tokens
            current = get_last_n_tokens(current, overlap) + section
        else:
            current += section
    
    if current:
        chunks.append(current)
    
    return chunks
```

### Fixed-Size Chunking (Fallback)

For unstructured text without headings. Split on paragraph boundaries, targeting ~4K tokens with 500-token overlap.

### Why Overlap?

Concepts that span chunk boundaries need to appear in both chunks to be extracted. Without overlap, you lose cross-boundary knowledge.

---

## Output Modes

### Mode 1: Summary

Produces a structured summary with executive overview, key concepts, and index.

**Use for**: Quick understanding of a long document. Reading a handbook before a meeting.

### Mode 2: Knowledge Map

Produces the full knowledge map: concepts, processes, expertise patterns, temporal evolution, metaphors. Machine-readable (YAML/JSON) for downstream processing.

**Use for**: Feeding into skill creation, domain meta-skill development, or cross-document analysis.

### Mode 3: Skill Draft

Produces a SKILL.md following the skill-architect template, with the handbook's expertise encoded as decision trees, anti-patterns, and shibboleths.

**Use for**: Converting professional handbooks into Claude skills. The KE pipeline.

---

## Cost Model

| Document Size | Pages | Chunks | Pass 1 (Haiku) | Pass 2 (Sonnet) | Pass 3 (Opus) | Total |
|--------------|-------|--------|----------------|-----------------|---------------|-------|
| Article | 10 | 4 | $0.004 | $0.01 | — | $0.014 |
| Chapter | 30 | 10 | $0.01 | $0.02 | — | $0.03 |
| Handbook | 300 | 38 | $0.04 | $0.05 | $0.10 | $0.19 |
| Textbook | 800 | 100 | $0.10 | $0.10 | $0.10 | $0.30 |
| Encyclopedia | 2000+ | 250+ | $0.25 | $0.20 | $0.10 | $0.55 |

Processing time is dominated by the longest single Haiku call (~2-3s). With full parallelism, even a 2000-page text completes Pass 1 in under 5 seconds.

---

## Anti-Patterns

### Single-Pass Summarization
**Wrong**: Feed the entire document into one Opus call.
**Why**: Exceeds context window, or attention dilution produces weak extraction on such long input.
**Right**: Hierarchical multi-pass. Cheap parallel extraction → expensive synthesis.

### Summarization Without Structure
**Wrong**: Produce a 2-paragraph prose summary of a 300-page handbook.
**Why**: The structure IS the knowledge. A flat summary loses the decision trees, failure patterns, and temporal evolution that make skills valuable.
**Right**: Structured knowledge map with indexed access back to source sections.

### Skipping Overlap
**Wrong**: Chunk on hard boundaries with no overlap.
**Why**: Cross-boundary concepts get split and lost.
**Right**: 500-token overlap between chunks. Each chunk includes the tail of the previous chunk.

### Ignoring Source Traceability
**Wrong**: Produce extractions without tracking which chunk they came from.
**Why**: When a claim seems wrong, you need to verify it against the source. Without traceability, you can't.
**Right**: Every extraction carries a `chunk_id` linking back to the original text segment.

© curiositech · MIT · curiositech/some_claude_skills

Похожие скиллы

Все скиллы по теме «Настройка агента: память, контекст, субагенты» →
summarization jwynia Скилл summarization подбирает формат сжатия текста под задачу, аудиторию и нужный объём. Помогает получить выжимку для решений, TLDR или академический реферат. CX Codex +1 726установок text-post-and-microblog social-media-skills Скилл text-post-and-microblog для Claude Code и других агентов: пишет одиночные посты для LinkedIn, X, Threads, Bluesky, Facebook. Правит структуру, когда пост провалился или читается как стена текста. CX Codex +1 1 200установок skill-extractor Trail of Bits Плагин skill-extractor извлекает решённую задачу из сессии и сохраняет её как переиспользуемый скилл. Вызывается вручную, не вешается на хуки. ★ 540звёзд репо Chat with PDF claude-office-skills Скилл Chat with PDF для разговора с PDF: задаёте вопрос по документу, получаете ответ со ссылкой на страницу. Пригодится на договорах, отчётах и статьях. CX Codex +1 5 000установок video-lens kar2phi Скилл video-lens для Claude Code получает расшифровку YouTube-ролика и превращает её в отчёт с тезисами и таймкодами. Сводит длинное видео к тезисам. CX Codex +1 1 500установок data-context-extractor официальный anthropics Скилл data-context-extractor для извлечения знаний аналитиков о корпоративном хранилище данных и автоматического создания справочников. Работает в двух режимах: начальное заполнение схемы и добавление новых доменов. CX Codex +1 3 300установок

Из того же набора180

Весь набор →
data-pipeline-engineer Скилл data-pipeline-engineer проектирует пайплайны данных, слои Medallion, DAG для Airflow и модели dbt. Пригодится при настройке пакетной или потоковой обработки данных. CX Codex +1 215установок hipaa-compliance Скилл hipaa-compliance помогает проверять работу с PHI: аудит доступа, санитаризацию логов и требования к сессиям. Нужен при разработке функций с медицинскими данными. CX Codex +1 215установок web-wave-designer Скилл web-wave-designer для Claude Code генерирует водные эффекты для веба: океанские волны, рябь и подводное искажение. Создаёт живые фоны и интерфейсы с эффектом жидкости. CX Codex +1 214установок test-automation-expert Скилл test-automation-expert для Claude Code помогает выстроить стратегию тестирования, определить покрытие, выбрать фреймворк и отладить флаки-тесты. CX Codex +1 212установок rest-api-design Скилл rest-api-design помогает проектировать REST-маршруты с проверкой данных через Zod и документацией OpenAPI. Пригодится при создании API для Next.js App Router. CX Codex +1 209установок modern-auth-2026 Скилл modern-auth-2026 добавляет в агент сценарии беспарольного входа: passkeys через WebAuthn, OAuth от Apple и Google, а также magic links и синхронизацию учётных записей. CX Codex +1 208установок automatic-stateful-prompt-improver Скилл automatic-stateful-prompt-improver перехватывает сложные запросы и улучшает их с помощью алгоритмов DSPy, APE и OPRO. Сохраняет историю удачных формулировок через MCP-сервер. CX Codex +1 207установок skill-coach Скилл skill-coach помогает создавать и проверять Agent Skills: находит анти-паттерны, уточняет активацию и раскладывает знания по уровням. CX Codex +1 207установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой