12307条推文炼成诊断工具箱：dbskill 把商业咨询变成了 Claude Code Skill

项目卡片 - 项目名：dbskill - GitHub：https://github.com/dontbesilent2025/dbskill - 数据规模：12,307 条推文 → 4,176 个知识原子 → 6 条公理 → 8 个 Skill - 许可证：CC BY-NC 4.0（个人使用免费，商用需授权） - 一句话判断：这不是又一个"AI 商业顾问 prompt"，而是一个把真人付费咨询经验系统化、结构化、自动化后的诊断工具箱。

如果你见过商业博主的内容变现模式，通常有两种：一种是把经验打包成课程卖，另一种是做一对一咨询按小时收费。dontbesilent 走了第三条路——把 8000 多人付费咨询的经验提炼成一套诊断框架，然后做成 Claude Code Skill，让任何人都能直接用。

dbskill 不是单一工具，而是一套互相联动的诊断链：从商业模式诊断到对标分析、内容诊断、短视频开头优化、执行力诊断，最后到概念拆解，形成完整闭环。

这个仓库到底做了什么

先把账算清楚：dontbesilent 在 X（原 Twitter）上写了 12,307 条关于商业模式、内容创作、定价策略和执行心理学的推文，做了 8000+ 人次的付费商业咨询。在这个基础上，他做了一件很重但很有价值的事——知识工程化。

仓库的结构分为两层：

第一层是 8 个 Skill，每个 Skill 负责一个诊断环节。核心是 /dbs-diagnosis（商业模式诊断），围绕它展开的是 /dbs-benchmark（对标分析）、/dbs-content（内容创作诊断）、/dbs-hook（短视频开头优化）、/dbs-action（执行力诊断）、/dbs-deconstruct（概念拆解），以及新增的 /chatroom-austrian（奥派经济学聊天室）。

第二层是知识库，完全开放，不装 Skill 也能用。包含 4,176 个结构化知识原子（JSONL 格式）、10 个提炼后的方法论文档、一个高频概念词典。

这套设计的核心特点：Skill 之间会自动推荐下一步。 诊断发现心理问题就推荐执行力自检，内容诊断发现开头有问题就推荐短视频开头优化。不是孤立的工具，而是一条链。

最值得细看的部分：消解漏斗

整个仓库里信息密度最高的部分，是 /dbs-diagnosis 的消解漏斗设计。

dontbesilent 有一组很硬的数据：8000+ 人付费问过商业问题，其中只有 0.9% 真正被"解答"了，99.1% 是被"消解"掉的——因为问题本身就是错的。

消解漏斗分五层，层层递进：

1. 语言陷阱检测（占复杂问题的 25%）：检查问题中有没有模糊的、没定义的核心词。比如"我适不适合做 XX"——"适合"的标准是什么？
2. 假设错误检测（占 25%）：检查问题背后隐含的假设是否成立。比如"创业没资金怎么办"——假设了创业需要钱，但绝大多数创业项目初期不需要大额资金。
3. 逻辑错误检测（占 20%）：最常见的是把相关性当成因果性。比如"我努力了为什么没结果"——努力和结果之间是相关不是因果。
4. 事实前提核查（占 1.5%）：检查陈述的事实是否正确。
5. 信息充分性判断（占 2.5%）：判断信息够不够回答这个问题。

每一层都会停下来跟用户对话，不是一次跑完。活过漏斗的 1%，才进入真正的"解答"环节。

这个设计之所以值得看，不是因为它多聪明，而是它把一个咨询师的核心工作——判断"这个问题该不该被回答"——变成了可执行的程序化流程。

六条公理：不回答问题，先消解问题

消解漏斗的背后是 6 条公理，这是整个工具箱的认识论基础：

• 公理 1：商业模式是独立于人的客观存在，是"有固定 input 要求的机器"
• 公理 2：商业模式决定人的道德，好的商业模式逼你做好人
• 公理 3：智力不直接变现，商业模式才变现
• 公理 4：流量不等于收入，99% 的情况下流量越大越不赚钱
• 公理 5：定价即产品，引流款和利润款价格差最好是 10 倍
• 公理 6：99% 的创业问题是心理问题

这几条公理不是鸡汤，而是从大量真实案例中提炼出的判断框架。比如公理 1 解决的是"祛魅"问题——不要迷信创业者本人的能力，要看商业模式这台机器本身能不能运转。

知识库不是简单的推文堆叠。12,307 条推文经过提炼，变成 4,176 个带主题标签、Skill 关联、类型分类和置信度评分的结构化知识原子。

知识库：不装 Skill 也能用

dbskill 的知识库是完全开放的，这是它区别于大多数"prompt 包"的地方。

知识原子采用 JSON 结构，每条包含：提炼后的知识点、推文原文（≤200 字）、主题标签（10 个分类可多选）、关联的 Skill、类型（principle / method / case / anti-pattern / insight / tool）、置信度（high / medium / low）。

这意味着几个实用的场景：

• 给 AI 加商业诊断能力：直接把知识包内容粘贴到 system prompt
• 做 RAG 知识库：把 atoms.jsonl 导入向量数据库，4,176 条自带主题标签的结构化数据，天然适合检索
• 只要案例：筛选 type: "case" 或 type: "anti-pattern"，大约 700+ 条真实商业案例
• 学习和研究：按 topics 过滤特定领域，比如"心理与执行力"相关有 296 条

知识包本身也是独立的、可读的 Markdown 方法论文档。即使你不用 Claude Code，这些文档也能直接拿来读。

一条链路走到底

dbskill 的设计不是"给你 8 个独立工具自己挑"，而是有一条清晰的工作流链路：

diagnosis（商业模式对不对）
    ↓
benchmark（找谁模仿）
    ↓
content（内容怎么做）
    ↓ 发现开头问题
hook（开头怎么优化）
    ↓
action（做不动怎么办）

deconstruct（随时拆概念）

Skill 之间的联动是自动的。诊断发现心理问题就推荐 /dbs-action，内容诊断发现开头问题就推荐 /dbs-hook。这种"链式推荐"的设计在开源 Skill 里很少见。

适合谁，不适合谁

适合的人：

• 在用 Claude Code，并且有真实商业咨询需求的人——这是最直接的受众
• 想学习"知识工程化"方法论的开发者——从推文到知识原子到 Skill 的提炼路径，本身就是一个很好的示范
• 需要商业诊断框架但请不起真人顾问的人——消解漏斗和六条公理可以直接拿来用

不太适合的人：

• 不用 Claude Code 的人——虽然知识库开放，但 Skill 的完整体验依赖 Claude Code
• 希望得到"你的生意该怎么做"具体答案的人——这个工具的核心不是给答案，是帮你判断问题本身对不对
• 想找通用的 AI 写作 / 营销 prompt 的人——这不是那个东西

最后一句

dbskill 本质上回答了一个问题：一个人积累了大量商业咨询经验之后，怎么把它变成可复用、可自动化、可分享的工具？

答案是：提炼公理，建立框架，结构化知识，然后做成 Skill。不是简单地把 prompt 贴出来，而是把整个诊断过程——从判断问题该不该被回答，到给出具体处方——程序化。

如果你对"如何把领域经验系统化成 AI 工具"这件事感兴趣，这个仓库值得认真看一遍。不是看它给出了什么结论，而是看它怎么把一个人类咨询师的工作流程拆解成可执行的程序。

关注微信公众号

想第一时间看到后续的工具拆解与实战更新，欢迎扫码关注公众号。