作者分享了耗时近一个月开发的 Skill「/dbs-title-cover-intro」，属于 dbskill 工具包（v2.21.0）。用户把稿子发给它后，它会先询问内容用途（文字、待拍视频或已完成视频），然后协助确定选题：最多给出 4 个按受众从小到大排列的选题，并附标题示例，还会引导用户补充能建立信任的经历或数字。选定选题后，它一次性生成小红书、B 站标题各 3 个，抖音/视频号文案、图文封面文字、主页封面文字、视频前 10 秒开头方案，以及最多 3 条稿件修改建议。文中还介绍了安装与更新方式。
作者开源了一个 AI 工具 dbs-video-navigation，以 Skill 形式提供，可自动为视频生成章节导航条，包括章节标题、当前问题和进度条，生成后可直接拖入剪映使用。文章展示了实际效果：导航条随播放推进显示当前章节和问题，帮助观众了解视频位置和内容。该工具属于作者整套 dbskill 工具箱的一部分，该工具箱还包含提取短视频文稿、写标题封面、检查文稿、找对标账号、分析生意问题、整理资料等功能。文中详细介绍了安装和使用的三步流程：安装 dbskill 工具箱、把视频交给 AI 生成导航条、拖入剪映，并说明可通过自然语言让 AI 修改文字和颜色样式。
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。
文章指出当前大部分人对 Skill 的使用仅停留在下载现成工具层面，而更先进的项目已开始将方法论、思维方式及商业经验转化为可运行、可复用的 Skill。文中列举了女娲、dbskill、ljg-skills 等典型案例，并分析了中英文社区在 Skill 生态上的不同侧重，强调“造 Skill 的 Skill”才是生产力杠杆。
文章介绍了使用NewMax的抖音连接器和dontbesilent对标法对爆款内容进行拆解分析的方法。作者通过将各类社交媒体数据源封装成工具供NewMax调用，实现了自然语言获取数据并进行分析或改写。作者还计划通过缝合dbskill工作流来进一步强化Agent的能力。
文章探讨了在 Agent 时代如何设计新工具 dbskill 的入门体验。作者反对传统的 PDF 教程模式，认为这要求用户先分类问题再调用工具，不符合直觉。 dbskill 通过 /dbs 命令让 Agent 自动读取上下文、判断步骤并调用 Skill，实现‘没有教程也能学会’的即用即学体验。
文章作者 dontbesilent 分享了 dbskill 工具集的更新，重点解决了内容“有深度但没流量”的问题。作者指出，知识密度过高往往会牺牲传播性。为此，他新增了 /dbs-spread 和 /dbs-resonate 两个独立工具：前者用于利用传播学理论（如沉默的螺旋）分析爆火内容的心理机制，指导聊天室讨论方向；后者用于诊断文稿共鸣，删减冗余信息。这两个工具可配合聊天室或单独使用，帮助创作者在保持知识深度的同时提升传播效率。
文章介绍了 Codex 为 dontbesilent 构建的一套内容结构化工程系统。该系统利用 Agent 处理了本地 143 个目录、2330 个文件（约 2 亿 Token），将散落的文稿拆解为问题、概念、观点、案例、方案五类核心单元，并构建了包含主题地图和选题装配稿的关系网络。目前该系统已封装为 Skill 开源，用户可以通过调用 `/dbs-content-system` 将自己的本地内容转化为可被 Agent 持续调用的结构化资产，实现从“存文件”到“建系统”的转变，极大提升内容复用效率。
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。
dbskill v2.9.0 发布了新的 skill /dbs-learning，旨在解决 Benjamin Bloom 提出的 2 Sigma Problem。该功能通过将 AI 学习过程转化为可持久化的文件，利用持续的用户反馈来动态调整后续内容，从而在低成本下模拟一对一辅导的学习效果。
文章深入拆解了 dontbesilent（dbskill）背后的工作方法论。其核心在于将解决问题的过程沉淀为可复用的 Skill 系统，通过“生产-质检-迭代”的闭环实现知识复利。作者详细阐述了 Skill 的生成场景、迭代机制、多 Agent 协作原则（如生产与评判分离），以及如何通过跨学科思维（管理学、哲学）构建底层能力。文章指出，真正的价值不在于工具本身，而在于将隐性思维显性化、系统化的能力。
作者发布了 dbskill v2.4 版本，新增了 /dbs-ai-check 功能用于识别文本的 AI 写作特征。然而，作者明确反对简单的“一键去 AI 味”做法。他认为有 AI 味的文字本质上是“烂文字”，该工具旨在指出文本逻辑问题（如替读者说话、高密度翻转、无效结尾祝福），并通过对话引导用户思考如何修改，从而培养用户自己的写作审美，而非机械地消除 AI 痕迹。
