我怎样把 dbs 技能拆进自己的内容工厂

TL;DR： 我最近系统拆了一组内容创作相关的 dbs 技能。真正值得学的地方，是它们都知道什么时候停。我把这套思路吸收到自己的内容工厂里，重点改了三个地方：先判断内容值不值得做，再写；先诊断文字问题，再改；先证明内容能复用，再沉淀成资产。

---

§我为什么要拆这组技能

最近我在升级自己的内容工厂。

原来的系统已经能做很多事：收集素材、写简报、生成草稿、做风格检查、进入发布审批、归档发布记录。

但跑久了以后，我发现一个问题：能生产，不等于能沉淀。

如果一个系统只会不断生成新稿，它最后会变成一个更快的草稿制造机。草稿越来越多，检查越来越多，待处理内容越来越多，但真正能被复用的判断没有变多。

我这次重点拆的是 dontbesilent2025/dbskill 里的三个内容相关技能：

• ·dbs-content-system
• ·dbs-content
• ·dbs-ai-check

我没有把它们整套搬进来。那样很容易把自己的系统搞复杂。

我做的是先从第一性原理拆它们：

1. ·这个技能到底解决什么问题？
2. ·它为什么在这里停下来？
3. ·哪些规则适合我的内容工厂，哪些规则现在还不能学？

拆完以后，我发现这组技能真正厉害的地方，是它们都在反对过度自动化。

§第一层：内容资产要从文件变成可复用单元

dbs-content-system 表面上看，是一个内容结构化系统。

它会处理文稿、推文、选题、案例、课程稿，把这些材料变成问题、概念、观点、案例、方案这几类内容单元。

但我认为它最值得学的地方，不是这五类单元本身。

真正关键的是它的进入门槛。

它不会一上来就帮你搭一个完整工程。它先问几个问题：

• ·你的内容量够不够？
• ·你的内容边界清不清楚？
• ·哪些素材纳入，哪些素材排除？
• ·先处理哪一类内容？

如果这些问题没回答清楚，它会停在审计阶段。

这很重要。

很多人做知识库或内容库时，第一反应是建目录、加标签、批量导入。看起来很努力，实际是在制造一个更大的垃圾桶。

我学到的第一条规则是：

内容资产化的起点，是先判断这个东西未来还能不能被重组。

所以我这次没有给自己的系统加一个重型内容资产工程。

我只做了一个轻量版本：

• ·已发布内容才有资格成为候选资产。
• ·有真实反馈，或者有长期复用价值，才继续看。
• ·候选内容必须经过去重、关系、装配三个检查。
• ·至少通过两项，才允许进入长期知识库。

这里的关系也很克制，只保留四种：

• ·回应
• ·解释
• ·证明
• ·冲突

如果一段内容说不清它回应了哪个问题，解释了哪个概念，证明了哪个观点，或者和哪个旧判断冲突，那它先不要进长期资产。

这条规则帮我砍掉了很多噪音。

以前我会想：这篇文章写得不错，要不要沉淀进知识库？

现在我会问：它以后能装配成什么新选题？

如果答不上来，它只是一条发布记录。

§第二层：好内容先诊断再写

dbs-content 对我最大的提醒是：不要急着代写。

它的定位很清楚：内容创作诊断。

用户给一个选题，它先判断形式、表达效率、认知落差、标题封面和产品关系。

这个顺序非常关键。

很多写作系统的问题，是一上来就进入起草。选题没想清楚，产品关系没想清楚，读者为什么要看没想清楚，结果生成了一篇结构完整但没有必要存在的文章。

我自己的内容工厂原来也有这个倾向。

流程很顺：

想法进来，做路由，写简报，生成草稿，做检查，进入发布。

但顺不等于对。

这次升级后，我把长内容的前置门槛抬高了。

一篇长文候选，至少要回答几个问题：

• ·我有没有真实做过、正在做，或者有明确观察对象？
• ·这个过程中有没有失败、偏差、纠偏或成本？
• ·有没有具体数字、时间、对象、反馈或结果？
• ·它和读者有什么关系？

缺太多，就不写长文。

可以降级成短内容，也可以先补素材。

这不是为了让流程变慢。

恰恰相反，它是在减少后面的浪费。

一篇不值得写的长文，后面无论怎么润色、配图、起标题、检查，都只是把错误包装得更精致。

我现在更愿意在开头停一下。

停一下，看起来慢，但能少生产很多无效稿。

§第三层：AI 检查的目的，是先看清楚

dbs-ai-check 是我这次最认同的一个点。

它反对机械“去 AI 味”。

它说 AI 味的一个典型信号，是文字太完美、太光滑、太均匀。没有犹豫，没有毛边，没有作者自己也没完全想通的地方。

这个判断很准。

很多人让 AI 改稿时，会说：帮我写得更像人。

但问题是，像哪个人？

如果没有作者自己的表达偏好，所谓“去 AI 味”经常只是从一种模板换成另一种模板。

所以我把自己的风格检查改成了诊断优先：

• ·先指出哪里太顺。
• ·先指出哪里像报告。
• ·先指出哪里替读者编了一个问题再自己回答。
• ·先指出哪里把所有反对意见都堵死了。
• ·先判断需不需要改。

如果没有明显问题，就不改。

如果问题存在，也不默认整篇重写。

改写必须先知道目的：是要清理 AI 痕迹，还是提高表达清楚度，还是减少重复，还是修复具体违规点。

这一步对我的内容工厂很关键。

以前很多系统会把“润色”当成默认步骤。

现在我把它降级成可选步骤。

风格检查通过，不代表必须润色。

检查报告指出具体问题，或者我明确要求改，才进入润色。

这能保护作者声音。

有时候一段文字不够圆，但它是真的。把它修得太完整，反而失去可信度。

§我最后改了什么

这次内容工厂升级，我没有追求大而全。

我只做了几件事。

第一，把发布检查和工厂体检拆开。

单篇内容能不能发布，只看当前稿件的事实、隐私、平台风险和审批状态。

旧草稿堆积、文档漂移、库存噪音，放到单独的工厂体检里处理。

这样做以后，发布不会被系统卫生问题卡住，系统卫生也不会被伪装成内容质量问题。

第二，把写作主流程统一成一条线。

想法进入后，先判断值不值得做，再形成简报，再写草稿，再做正式风格检查，再进发布检查。

入口可以不同，但不能绕过这些关键记录。

第三，把发布后的反馈接回下一轮选题。

发布完成以后，不只记录“发了什么”。

还要判断：

• ·这个方向继续写吗？
• ·只适合短内容吗？
• ·暂时废弃吗？
• ·证据不足，先暂停吗？

如果一次发布没有改变下一次选题规则，也要写清楚为什么没有改变。

第四，给内容资产设置门槛。

不是每篇已发布文章都进长期知识库。

只有能复用、能去重、能建立关系、能装配成未来选题的内容，才进入长期资产。

§大家可以学的是这套拆法

我不建议大家直接照搬我的内容工厂。

每个人的素材量、平台、产品、写作节奏都不同。

但这套拆法值得学。

你看到一个厉害的 skill，不要先问“它有哪些功能”。

先问：

1. ·它在什么情况下拒绝工作？
2. ·它把什么问题前置了？
3. ·它把什么动作延后了？
4. ·它如何避免把噪音沉淀成资产？
5. ·它如何保护人的判断，而不是替人一路自动化？

这几个问题比功能清单更重要。

因为真正有用的系统，价值往往来自关键地方少做。

dbs-content-system 教我：内容资产化之前，先审计边界。

dbs-content 教我：写之前，先诊断这个内容值不值得做。

dbs-ai-check 教我：改之前，先看清楚问题是不是真的存在。

这三句话，就是我这次升级内容工厂的核心。

§总结

这次升级后，我对内容工厂的理解变了。

以前我更关心它能不能更快生产内容。

现在我更关心它能不能少生产错误内容，能不能让发布反馈改变下一次判断，能不能把真正有复用价值的东西留下来。

AI 内容系统最容易犯的错，是把自动化当成目标。

但内容创作的核心从来不是自动化。

核心是判断。

哪些不值得写，哪些只适合短内容，哪些应该暂时放下，哪些值得进入长期资产。

这些判断越清楚，系统越轻。

系统越轻，人越自由。