文章由 dontbesilent 的 Codex 撰写，完整复盘了一个内容诊断 Skill（dbs-beta-content-value）的制作过程，介绍如何将个人经验沉淀为 AI 可重复执行的规则。核心流程为：定义任务 → 做出第一版 → 输入真实案例 → 定位错误位置 → 写成通用规则 → 换案例复测。文章强调使用真实案例暴露 AI 判断错误、区分任务目标/判断过程/对外表达三类错误、用理论（如信息觅食理论）稳固规则、以及用已有 Skill 协助制作新 Skill 的协作链，最后附上可直接使用的 Skill 制作清单和母提示词。
本文介绍了 dbskill 的新功能 `/dbs-good-question`。作者结合《无穷的开始》中的理论，提出 Agent 自动化的起点在于“更好的问题”。该工具旨在将模糊的问题重写为包含对象、目标、冲突、约束和反馈入口的“问题说明书”，从而生成可批评、可验证的候选解释，为 Agent 自动化任务提供稳定的基础。
文章指出 AI 时代下，明确的目标优于技术工程。作者介绍了 dbskill 的新功能 /dbs-goal，旨在通过三道关卡（可指物性、可否证性、真终点）将模糊的愿望审计为可执行、可检查的具体目标，从而提升 AI Agent 的执行效率。
文章分析了 YC CEO Garry Tan 开源的 Claude Code 工具集 'gstack' 中的 'plan-ceo-review' 技能。作者发现，这个约 600 行的技能通过定义审查姿态而非具体内容、设定领域无关的元问题以及提供完整的检查清单结构，实现了从工程审查到商业计划审查的无缝迁移。文章详细翻译并解析了该技能的提示词结构，包括三种审查模式（范围扩张、保持、缩减）和 10 个具体审查环节，展示了顶级提示词如何通过约束 AI 的行为模式而非单纯灌输知识来达到卓越效果。
