book-to-skill デプロイコスト：PDF を Claude Skill に変換する環境と費用試算

技術仕様書や社内ナレッジベースのPDFをClaude Codeから直接呼び出せるSkillに変換することが2026年には一般的になりました。しかし「動かせる」ことと「コストと速度を把握している」ことは別の話です。

これはbook-to-skillの完全デプロイガイドです。PDF解析からSkillパッケージングまでの各フェーズで、環境要件・処理時間・コスト構造を解説し、Cloud Mac M4の実測データも紹介します。マーケティング資料ではなく、調達や設計レビューに持ち込めるチェックリストです。

1. book-to-skillとは

book-to-skillは、書籍・技術仕様書・社内PDF文書をClaude Skills（Claude Codeが呼び出せる知識スキルパッケージ）に変換するワークフローです。主なユースケース：

• 技術ドキュメント：APIリファレンス、SDKマニュアル、プロトコル仕様——コーディング中にClaude Codeが直接参照でき、毎回RAG検索不要
• 仕様書：規格、業界規制、コンプライアンス文書——Agentが随時呼び出せる「ルールエンジン」としてパッケージ化
• プライベート知識ベース：社内調査レポート、製品マニュアル、研修資料——外部サービスにアップロード不要の専有知識レイヤー

2. パイプライン全体像

PDFファイル
  ↓
[フェーズ1] PDF解析（Docling / MinerU）
  → 構造化Markdown / JSON（見出し階層、表、数式を含む）
  ↓
[フェーズ2] テキスト分割（Chunking）
  → セマンティック段落チャンク（300〜600トークン/チャンク）
  ↓
[フェーズ3] Embedding
  → 密ベクトル（768 / 1024 / 1536次元）
  ↓
[フェーズ4] ベクトルストア（Qdrant / Chroma / PGVector）
  → 検索可能なベクトルインデックス＋原文メタデータ
  ↓
[フェーズ5] Skillパッケージング
  → CLAUDE.mdツール説明＋MCPツール登録＋検索ロジック
  ↓
Claude Code呼び出し

3. フェーズ1：PDF解析

ツール選定：Docling vs MinerU

解析コスト試算

4. フェーズ2：テキスト分割

分割戦略は検索品質とEmbeddingコストに直接影響します：

• 固定サイズ分割：最もシンプル（300〜500トークン＋50トークンオーバーラップ）。純テキスト文書に適用可能。
• セマンティック分割：見出し階層と段落境界で分割。Docling/MinerUの構造化出力がネイティブサポートするため、まずこれを試す。
• 再帰文字分割（LangChain RecursiveCharacterTextSplitter）：セマンティック境界が不明確な場合のフォールバック。

推奨パラメータ：

# 推奨設定（英語技術文書）
chunk_size = 400        # トークン数
chunk_overlap = 60      # セマンティック切断を防ぐオーバーラップ
min_chunk_size = 80     # 極端に短いチャンク（見出し行のみ等）は破棄
max_chunk_size = 600    # 過度に長い段落を防ぐ

分割処理自体はほぼコンピューティングリソースを消費せず（CPU、ミリ秒単位）、コストは実質$0です。

5. フェーズ3：Embedding

クラウドAPIアプローチ

ローカルモデルアプローチ

ローカルEmbeddingコスト ≈ $0（電気代のみ）。オンプレミスのプライベート知識ベースやデータコンプライアンス要件が高い場合はローカルモデルが第一選択です。

6. フェーズ4：ベクトルストア

ストレージ試算：1024次元ベクトル1つあたり約4 KB（float32）。300ページ書籍で約800〜1,200チャンク、ベクトルストレージ約3〜5 MB、メタデータ込みで約10〜20 MBです。中小規模知識ベース（50冊）はQdrant Cloudの無料枠内に収まります。

7. フェーズ5：SkillパッケージングとClaude Code統合

典型的なSkill構造：

my-knowledge-skill/
├── CLAUDE.md          # Skill説明、ユースケース、呼び出し例
├── mcp_server.py      # MCPツールサーバー（検索インターフェース）
├── config.json        # ベクトルストア接続設定
└── requirements.txt   # 依存関係宣言

Skillパッケージング自体のコストは$0です。主な投資は開発時間（初回構築2〜4時間、テンプレート化後30分以内で再利用可能）です。

8. コスト試算まとめ

300ページの技術PDF 1冊（約150Kトークン）を基準とした全工程コスト：

9. Cloud Mac M4ベンチマーク

Vuncloud Cloud Mac M4 Pro（12コアCPU / 18 GBユニファイドメモリ）での実測データ：

M4 Proの18 GBユニファイドメモリにより、解析モデルとEmbeddingモデルを同時に保持でき、スワップなしで全工程を実行可能です。1日5〜20文書を処理するワークフローなら、単体のCloud Mac M4 Proで十分対応できます。

10. 最適化のヒント

増分更新戦略

毎回フルインデックスを再構築しないでください。各文書のコンテンツハッシュを管理し、新規・変更されたページのみ再解析・再Embeddingを行います：

import hashlib

def get_doc_hash(pdf_path: str) -> str:
    with open(pdf_path, "rb") as f:
        return hashlib.sha256(f.read()).hexdigest()[:16]

# このドキュメントバージョンがインデックスに存在するか確認
existing = qdrant.scroll(
    collection_name="knowledge",
    scroll_filter={"must": [{"key": "doc_hash", "match": {"value": doc_hash}}]},
    limit=1
)
if existing[0]:  # 既存——再構築をスキップ
    print(f"文書 {pdf_path} は変更なし、再構築をスキップ")

キャッシュ戦略

• クエリキャッシュ：同一クエリのEmbeddingベクトルを1時間キャッシュ（RedisまたはインメモリDict）
• 結果キャッシュ：高頻度クエリのtop-k結果を15分キャッシュ
• Skill応答キャッシュ：構造化クエリ（「第3章を取得」等）は永続キャッシュ、文書更新時に無効化

FAQ

book-to-skillと通常のRAGの違いは？

通常のRAGは毎回全検索チェーンを実行します。book-to-skillは知識をClaude Skillとしてパッケージ化し、特定の章や項目をオンデマンドで呼び出せます。構造が明確で頻繁に参照される知識ベースに最適です。

300ページのPDFの処理コストは？

解析のみ：CPUモード約$0.05〜0.15、GPU加速約$0.02〜0.05。Embedding（約150Kトークン）：クラウドAPI約$0.003〜0.02、ローカルモデル約$0。全工程1冊：クラウド方式で約$0.05〜0.20、完全ローカルはほぼ$0。

DoclingとMinerUどちらを選ぶべきか？

Doclingは学術論文やテーブル密度の高い文書に優れています。MinerUは日本語・中国語や混在レイアウトの文書でより安定しています。両者ともGPU加速で約3〜5倍高速化します。

Cloud Mac M4でのbook-to-skill実行は価値があるか？

M4のユニファイドメモリはローカルEmbeddingモデルに最適です。16〜24 GBで解析とEmbeddingを同時実行でき、GPUサーバー不要です。500冊未満の中小規模知識ベースのオフラインビルドに適しています。

Claude Skillの呼び出しコストを削減するには？

1. 精確なスニペット（2Kトークン未満）のみ返す；2. 増分更新を使用；3. 頻繁なクエリの結果をキャッシュ；4. Haikuで検索ルーティングを処理し、Sonnet/Opusは複雑な推論のみに使用する。

11. まとめ

book-to-skillのデプロイコストは多くの人が想定するよりはるかに低いです。300ページの技術PDFなら、完全ローカルは電気代のみでほぼ$0、クラウドAPIでも$0.05〜0.20です。実際の投資は開発工数（初回パイプライン構築1〜2日）とベクトルストアの継続コスト（大規模知識ベースは月$25以上）です。

3つの重要な意思決定ポイント：

1. データコンプライアンス優先：プライベートデータはローカル解析＋ローカルEmbeddingを選択——安価でデータがオンプレミスに留まる
2. 規模がソリューションを決定する：50冊未満→Chroma＋ローカル；50〜500冊→Qdrant Cloud無料枠；500冊以上→Qdrantセルフホスト
3. 品質はテストで担保する：パイプライン構築後、必ず実際のQAペアで検索品質をベンチマークすること

関連記事

• PDFパーサー2026比較：Docling、MinerU、LlamaParse & Marker
• 2026年 最良AI Agentメモリフレームワーク
• DeepSeekパフォーマンス最適化完全ガイド（2026）
• LLM API価格・仕様・パフォーマンス選定ガイド

コストデータは2026年8月の公開価格に基づくものであり、参考値です。最新情報は各サービスプロバイダーの公式サイトでご確認ください。最終更新：2026年8月10日。