建议收藏：我用4个dbs工具搭了一条标题到发布的全链路

✍️ 模块 4：内容创作生产线

建议收藏：我用4个dbs工具搭了一条标题到发布的全链路

——用 dbs-content + dbs-hook + dbs-xhs-title + dbs-ai-check 搭一条从诊断到发布的全链路

写在前面：你的内容问题，99% 不是「写不好」

先做一个测试。

把你最近发布的一篇内容（文章/笔记/视频脚本），拿出来，对照下面三个问题：

1. 第一句话，如果读者/观众什么背景都不知道，他会不会继续看？2. 核心观点是什么？能用一句话说清楚吗？3. 读者/观众看完，他的下一步动作是什么？你有没有设计？

大多数人在问题 1 就败了。

开头是「最近我在思考一个问题」「今天想和大家聊聊」「这篇文章会讲到」——这些开头有一个共同问题：在说废话。读者凭什么等你说完废话再决定要不要看？

这不是文笔问题，不是才华问题，是结构问题。

7 dbs-content 是一个面向独立媒体和知识内容创作者的诊断工具。它不帮你写内容，而是把你已确定的选题诊断成有流量和变现导向的内容方案。

这句话里最关键的是「不帮你写」。

这套内容生产线的设计逻辑，和你以为的「AI 帮我写内容」正好相反：AI 是诊断者和编辑，你是内容的所有者。诊断你的结构，优化你的开头，生成你的标题，检测你的 AI 味——但真正的观点和经验，只能来自你。

这才是让内容有灵魂、有差异化、值得被分享的根本原因。

一、理解四个 Skill 的精确分工

1.1 四工具联动图

1 content 发现开头问题 →hook（开头怎么优化）；content 需要标题 →xhs-title（标题公式）；content 想检查 AI 味 →ai-check（AI 写作检测）。

这不是四个独立工具，是一条有明确顺序的流水线：

text

内容初稿 / 选题 / 已有内容 ↓ dbs-content（内容诊断） ↓ ┌────┴────┐ ↓ ↓ dbs-hook dbs-xhs-title （开头优化） （标题生成） ↓ dbs-ai-check （AI 味检测 + 人格化改写） ↓ 最终发布稿

1.2 四工具精准边界

1.3 内容创作的两大知识来源

1 dbskill 的知识库是完全开放的，你不需要安装整套 Skill 才能用——可以只拿走你需要的部分。内容工具组背后有两个核心知识包：

• content_内容创作方法论.md ← dbs-content 的方法论底座
• content_平台特性与案例.md ← dbs-content 的平台适配知识库

7 dbs-content 深度参考：dbskill/知识库/推文挖掘_02_IP与内容.md、dbskill/知识库/推文挖掘_05_AI与工具.md。工作原则是：像编辑一样精准，指出具体问题，不说「还不错」；不讨好用户，内容不行就直接说不行；给行动不给建议，「第一步做 X」比「你可以考虑 Y」有用。

这三条原则，决定了 dbs-content 的风格：它是一个严格的编辑，不是一个捧场的助手。

二、内容创作者的七个高频陷阱

在进入操作之前，先建立「内容问题清单」。这七个陷阱，覆盖了 90% 的内容失效原因：

🔴 陷阱 1：开头是「我」不是「你」

text

❌ 「最近我一直在思考一个问题……」 ❌ 「今天分享一个我的亲身经历……」 ❌ 「这篇文章我想聊聊关于……」 ✅ 「你有没有遇到过这种情况：……」 ✅ 「[具体场景描述]——如果你也这样，往下看」 ✅ 「[反直觉的核心观点]——绝大多数人搞反了」

根本原因： 读者关心的是「这和我有什么关系」，不是「你在经历什么」。开头两秒内没有回答这个问题，就失去了读者。

🟠 陷阱 2：核心观点埋在第五段

text

❌ 结构：背景铺垫 → 引出话题 → 分析原因 → 终于说出观点 → 总结 ✅ 结构：核心观点在第一段说清楚 → 用后面的内容证明它

这是最反直觉的内容规律之一：好内容不是「卖关子」，是「先给结论，再给证明」。

🟡 陷阱 3：没有结构，有的只是「流水账」

text

❌ 把想到什么写什么，读者要自己找逻辑 ✅ 每个段落有一个中心句，段落之间有清晰的递进关系

🟢 陷阱 4：有内容，没有「转化动作」

text

❌ 内容结束，读者没有被引导做任何事 ✅ 结尾有清晰的「下一步」： - 「你可以在评论区回答这个问题」 - 「如果你也想深入，这里还有一篇……」 - 「私信我『关键词』获取……」

🔵 陷阱 5：平台错配

text

❌ 把长文直接发到小红书（平台不匹配） ❌ 把小红书风格的内容发到公众号（受众不匹配） ✅ 同一个核心观点，为每个平台单独适配格式和语气

🟣 陷阱 6：AI 味浓，信任感低

text

❌ 大量使用「首先…其次…最后…」「综上所述」「总的来说」 ❌ 句式整齐到机械，读者感觉在看模板 ❌ 每段都是 3-4 句，结构重复到无聊 ✅ 有个人语气、有具体细节、有不完美的真实感

🟤 陷阱 7：选题是「我想说的」，不是「读者需要的」

text

❌ 选题出发点：我最近学到了 X，我想分享 ✅ 选题出发点：我的目标读者在什么场景下最迫切需要 X？ 我能用什么角度让他在 3 秒内决定要看？

三、课节 4-1：诊断一篇现有内容

场景设定： 你有一篇写完的内容，发出去之后数据不好（阅读量低/完播率低/没有互动）。你想知道问题在哪。

这是 dbs-content 最典型的使用场景：内容已有，需要被诊断。

Step 0：发布前的自我检查（3分钟，不用 AI）

拿出你要诊断的内容，先独立做以下四个测试：

Markdown

═══════════════════════════════════════════ 内容自检四问（先自己做，再交给 AI 诊断） ═══════════════════════════════════════════ Q1【开头测试】 把你的开头发给一个完全不了解你的人， 问他：「你会继续看吗？」 如果答案是「不确定」→ 开头有问题 Q2【一句话测试】 用一句话说清楚这篇内容的核心观点。 如果你说不出来 → 内容结构有问题 Q3【读者利益测试】 这篇内容，读者看完之后会得到什么？ 如果答案是「知识」→ 太模糊 如果答案是「一个具体的方法，可以解决 [具体问题]」→ 合格 Q4【转化设计测试】 内容结尾，你希望读者做什么？ 有没有设计清晰的「下一步动作」？ ═══════════════════════════════════════════

Step 1：触发 dbs-content

1 dbs-content 是 dbskill 里的单目录重型模块，先审计内容规模与边界，再建立新工程、复制原始素材、抽取内容单元、生成主题地图与选题装配稿。

Bash

# 方式 1：粘贴完整内容（最常用） /dbs-content [粘贴你的完整内容文本] # 方式 2：只有选题，还没有内容 /dbs-content 选题：「为什么坚持每天写作反而写不出好东西」 平台：公众号 目标读者：想要持续输出内容的知识工作者 # 方式 3：有内容 + 有特定诊断方向 /dbs-content [粘贴内容] 重点诊断：开头和结构，我觉得可能是这两个问题

Step 2：理解诊断输出的四个层次

一次完整的 dbs-content 诊断，按以下层次输出：

text

════════════════════════════════════════ dbs-content 诊断报告 ════════════════════════════════════════ 【第一层：一句话判断】 这篇内容的核心问题是：[直接说] 不是「还不错，可以优化」，是「你的第一句话在说废话」 【第二层：开头诊断】 问题：[具体是什么问题] 等级：致命 / 严重 / 轻微 理由：[用读者视角解释为什么这是问题] 【第三层：结构诊断】 核心观点位置：第 X 段（是否太晚？） 段落逻辑：顺序是否合理？是否有冗余段落？ 缺失的部分：[应该有但没有的内容] 【第四层：转化诊断】 结尾设计：有没有「下一步动作」？ 引导清晰度：读者知道看完之后该做什么吗？ 平台适配：这篇内容的格式/语气/长度适合目标平台吗？ 【优先改动顺序】 第1优先：[最严重的问题] 第2优先：[其次] 第3优先：[再次] 【下一步建议】 → 开头问题 → /dbs-hook → 需要标题 → /dbs-xhs-title → 担心 AI 味 → /dbs-ai-check ════════════════════════════════════════

Step 3：追问——不接受「还好」的答案

dbs-content 的工作原则是不讨好用户，内容不行就直接说不行。

但你也要主动追问。 如果 Agent 的某个诊断让你感觉「我不太同意」，必须说出来：

Bash

# 追问示例 1：对开头诊断不同意 「你说我的开头在说废话，但我觉得这段背景铺垫是必要的， 因为读者可能不了解这个场景。你怎么看？」 # 追问示例 2：请 Agent 量化问题 「你说结构有问题，能不能具体说哪一段是多余的？ 如果我删掉那一段，整篇内容会怎么变化？」 # 追问示例 3：请 Agent 给一个改写示例 「你说开头太弱，能不能给我写一个改后的版本， 让我看看「强」是什么感觉？」

Step 4：把诊断结论存入 Obsidian

Bash

obsidian create \ name="04-Outputs/content-diagnosis-$(date +%Y%m%d)" \ content="--- type: content-diagnosis date: $(date +%Y-%m-%d) platform: 公众号 content-title: [内容标题] status: revising tags: [content, diagnosis] --- # 内容诊断记录 ## 原始内容 （链接或摘要） ## 诊断结论 ### 核心问题 [dbs-content 的一句话判断] ### 开头：[等级] [具体问题描述] ### 结构：[等级] [具体问题描述] ### 转化：[等级] [具体问题描述] ## 优先改动计划 1. [第1优先] 2. [第2优先] 3. [第3优先] ## 改稿后对比 （改完后填入：哪里改了，效果如何） "

四、课节 4-2：从零生产一篇内容——完整生产链

场景设定： 基于模块 3 的商业诊断结论，你决定写一篇公众号文章，主题是「为什么你的内容有流量但没转化」。目标是让目标读者看完后主动询问你的付费社群。

这是完整的「从选题到发布」全链路实战。

阶段一：选题验证（dbs-deconstruct + dbs-content）

在开始写之前，先验证选题本身是否成立：

Bash

# Step 1：先用 dbs-deconstruct 拆清楚选题中的核心词 /dbs-deconstruct 「内容有流量但没转化」中的「转化」 在知识付费语境中，具体指什么？ # Step 2：带着清晰的定义进入选题验证 /dbs-content 选题：「为什么你的内容有流量但没转化」 目标读者：有公众号 / 小红书账号，有一定粉丝， 但内容卖不出东西的知识创作者 目标行动：读者看完后，主动发消息询问我的付费社群 平台：公众号

Agent 的选题验证输出：

text

════════════════════════════════════════ 选题诊断 ════════════════════════════════════════ 选题强度：强（痛点清晰，受众具体） 核心观点建议（选一个方向）： 方向A：「流量≠信任，没转化是因为你没建立信任」 方向B：「读者买的不是内容，是对结果的预期——你的内容 有没有让他相信你能帮他达成结果？」 方向C：「你的内容缺的不是干货，是一个清晰的转化动作」 推荐方向：B（最反直觉，最有讨论空间） 结构建议： ① 开头：一个具体场景（读者会认出自己） ② 核心观点：[方向B] 的完整表述 ③ 用3个案例/对比验证这个观点 ④ 读者自检工具（一个可以立刻用的框架） ⑤ 结尾：清晰的「下一步动作」 ════════════════════════════════════════

阶段二：开头设计（dbs-hook）

选定方向后，最先攻克「开头」——因为开头决定了读者会不会继续看。

6 dbs-hook 通过诊断问题并生成可操作的改进方案来优化短视频开头，解决视频开头效果不佳导致观众流失的常见问题。

虽然名字里有「短视频」，但 dbs-hook 的逻辑完全适用于文章开头——所有内容形式的开头，都面对同一个问题：在最短的时间内，让读者/观众决定继续。

6 你可以提交完整脚本（含开头和正文），只有正文，或只有话题/标题而没有任何正文。

Bash

# 触发方式 /dbs-hook # 输入方式 1：只有话题，让它生成开头方案 话题：「为什么你的内容有流量但没转化」 核心观点：读者买的不是内容，是对结果的预期 平台：公众号 目标读者：有账号但卖不出东西的内容创作者 # 输入方式 2：已有初稿开头，请它诊断 [粘贴你写的开头]

dbs-hook 的三方案输出结构：

text

════════════════════════════════════════ dbs-hook · 开头优化方案 话题：「为什么你的内容有流量但没转化」 ════════════════════════════════════════ 【当前开头诊断】（如果你提交了初稿） 问题：开头在描述现象，没有建立「和读者的关系」 等级：严重 具体位置：第一句话「很多创作者都面临这个问题」 → 这是描述，不是对话 【方案 A：场景代入型】 你花了三个月，终于把公众号做到 5000 粉。 每篇文章认真写，阅读量也还过得去。 但你的付费产品——一分钱都没卖出去。 选择理由：让读者在开头第一句就认出自己， 建立「这篇文章在说我」的感知 【方案 B：反直觉观点型】 流量从来不是转化问题——信任才是。 你有 5 万粉，卖不出东西，不是粉丝不够多， 是你的内容没有让他们相信：你能帮他们做到。 选择理由：直接抛出核心观点，引发「这我没想到」的反应， 高认知读者最容易被这种开头留住 【方案 C：问题触发型】 如果你的内容有人看，但没人买—— 你需要先搞清楚一件事： 读者为什么看你的内容？ 选择理由：用问题引发读者自我检视， 适合互动性强的平台（小红书/B站） 【推荐】 公众号场景推荐方案 B，直接亮出核心观点 ════════════════════════════════════════

追问练习：

Bash

# 让 Agent 解释为什么这个开头有效 「方案 B 的开头，你说适合高认知读者， 为什么？有没有这类读者会反感这种开头的风险？」

阶段三：结构搭建与初稿（dbs-content 第二轮）

选定开头方案后，带着完整的结构构想，让 dbs-content 做第二轮诊断：

Bash

/dbs-content [开头：方案B] [核心观点：读者买的不是内容，是对结果的预期] [结构构想： ① 开头：直接抛观点（方案B） ② 第一部分：「流量≠信任」的3个证据 ③ 第二部分：「结果预期」是什么，用案例解释 ④ 第三部分：读者自检：你的内容建立了结果预期吗？ ⑤ 结尾：清晰的转化动作] 诊断这个结构是否合理，有没有冗余或缺失

dbs-content 第二轮诊断重点：结构逻辑

text

════════════════════════════════════════ 结构诊断（第二轮） ════════════════════════════════════════ 整体结构：合理，但有一个问题 「第一部分：3个证据」→ 建议删掉 原因：证据是在说「你的判断是对的」， 不是在帮读者解决问题。 读者来不是为了验证你，是为了解决自己的问题。 直接跳到「结果预期是什么」，更直接。 改后结构： ① 开头：直接抛观点 ② 「结果预期」是什么（用最具体的例子解释） ③ 为什么大多数内容建立不了结果预期（对照失败案例） ④ 读者自检框架（可操作工具） ⑤ 结尾转化 节省约 30% 的篇幅，读者不会流失在「证据铺垫」上。 ════════════════════════════════════════

阶段四：标题生成（dbs-xhs-title）

10 dbs-xhs-title 在更新 V2.3 中加入，用法很简单：给它一个话题，它从 75 个验证过的爆款公式里帮你挑最合适的，直接生成定制标题。不是那种 AI 随便编的标题，每个标题都能追溯到具体的公式编号，旁边还附上这个公式原来在小红书上火过的真实案例，你可以自己判断靠不靠谱。

Bash

# 触发方式 /dbs-xhs-title # 或 /小红书标题 # 输入 话题：「内容有流量但没转化的根本原因」 核心观点：读者买的不是内容，是对结果的预期 目标读者：有账号但卖不出东西的内容创作者 平台：公众号（同步发小红书）

10 75 个公式按 12 种心理触发器分类——认知冲突、好奇缺口、恐惧损失、身份代入、数字锚定、结果承诺、社会证明、争议挑衅、场景条件、行动号召、权威借力、互动测试。你给一个话题，它至少覆盖 3 种不同类型，最后给你 Top 3 推荐。

标题输出示例：

text

════════════════════════════════════════ dbs-xhs-title · 标题生成 ════════════════════════════════════════ 【Top 3 推荐】 No.1 「5000粉，一分钱没卖出去——我发现了一件事」 公式编号：#23「场景数字+转折悬念」 心理触发器：好奇缺口 + 身份代入 真实案例：同类公式在知识付费赛道的代表性爆文标题 使用理由：数字「5000粉」精准锁定目标读者， 「一分钱没卖出去」触发共鸣 No.2 「你的内容卖不出去，不是没人看，是读者不信你」 公式编号：#07「认知纠正公式」 心理触发器：认知冲突 + 争议挑衅 真实案例：[同类公式的爆款案例] 使用理由：直接命题，强烈到让人想反驳， 反驳的冲动会驱动点击 No.3 「我研究了100篇转化率为零的内容，发现了同一个问题」 公式编号：#41「数据权威 + 问题承诺」 心理触发器：数字锚定 + 结果承诺 使用理由：「100篇」建立研究感， 「同一个问题」制造强烈好奇心 【使用建议】 公众号首选 No.2（认知冲突型，公众号读者认知密度高） 小红书首选 No.1（场景代入型，小红书读者喜欢故事） ════════════════════════════════════════

阶段五：AI 味检测与人格化改写（dbs-ai-check）

内容写完后，最后一关是 dbs-ai-check。

11 内容创作者必备的 Skills 中，Humanizer-zh 是一个中文 AI 写作去痕工具，主要用于把 AI 生成的文字改得更自然、更像真人写的内容；dbskill 商业诊断以及内容优化，帮你把问题拆开、诊断清楚，再找到下一步该怎么做。

Bash

# 触发方式 /dbs-ai-check [粘贴你的完整内容]

dbs-ai-check 检测的六类 AI 味信号：

dbs-ai-check 输出示例：

text

════════════════════════════════════════ dbs-ai-check · AI 味检测报告 ════════════════════════════════════════ 【整体判断】 AI 味：中等偏高 最严重问题：句式整齐 + 总结套话 【逐段标注】 第3段「首先，你需要建立信任。其次，你需要展示结果……」 问题：「首先/其次」是 AI 最典型的标志符号 修复：「建立信任这件事，有一个地方大多数人做反了……」 第7段「综上所述，转化率低的核心原因是信任缺失」 问题：「综上所述」可以直接删掉，后面的话本身已经够强了 修复：删掉「综上所述，」四个字 第9段（结尾）「希望这篇文章对你有帮助」 问题：最弱的结尾，相当于什么都没说 修复：换成你希望读者做的具体动作 【整体建议】 1. 删掉所有「首先/其次/最后」，用内容本身的逻辑代替编号 2. 加一段你自己真实经历过这个问题的描述（不用多，2-3句） 3. 结尾换成一个问题或一个行动指令 ════════════════════════════════════════

阶段六：存档全流程到 Obsidian

Bash

obsidian create \ name="04-Outputs/文章-内容有流量但没转化-$(date +%Y%m%d)" \ content="--- type: content-output topic: 内容有流量但没转化的根本原因 platform: 公众号 / 小红书 status: published publish-date: $(date +%Y-%m-%d) skills-used: [dbs-content, dbs-hook, dbs-xhs-title, dbs-ai-check] title-used: 你的内容卖不出去，不是没人看，是读者不信你 hook-type: 认知冲突型 tags: [content, output, knowledge-community] --- # 文章全流程记录 ## 选题验证 （dbs-content 第一轮的选题诊断结论） ## 开头方案 （dbs-hook 推荐的方案 + 选择理由） ## 结构诊断 （dbs-content 第二轮的结构修改建议） ## 最终标题 - 首选：[No.2] - 备选：[No.1]（小红书版） ## AI 味检测 - 修改前问题：[列出] - 修改内容：[列出] ## 发布后数据追踪 | 日期 | 阅读量 | 评论 | 转化询问 | 备注 | |------|--------|------|---------|------| | $(date +%Y-%m-%d) | 待填 | 待填 | 待填 | 首发 | ## 学到了什么 （发布后填入：哪个环节的优化效果最明显？） " # git 存档 git add . git commit -m "content: 完整生产链实战 - 内容转化主题 $(date +%Y%m%d)"

五、进阶技巧：内容生产的四个深度用法

技巧 1：建立「选题原子库」

每次 dbs-content 诊断完，把被验证过的选题角度存成原子：

Bash

obsidian create \ name="02-Skills/atoms/原子-内容选题-认知冲突型" \ content="--- type: atom id: '$(date +%Y%m)_content_001' source: dbs-content 诊断实战 topics: [内容创作, 选题策略] skills: [dbs-content, dbs-xhs-title] atom-type: framework confidence: high tags: [atom, content] --- # 认知冲突型选题框架 ## 核心公式 「你以为是 A，实际上是 B」 → A 是读者的常识判断 → B 是更深的真相，且 B 和 A 之间的反差越大越好 ## 应用条件 - 你必须真的相信 B 是对的（不能为了反直觉而反直觉） - B 必须有具体的证据或案例支撑 - B 必须对读者有行动价值（不只是「原来如此」） ## 已验证案例 - 「流量≠转化 → 信任才是」（公众号，数据待填） ## 失效条件 - 如果 A 是极少数人会有的判断 → 选题无共鸣 - 如果 B 太反直觉以至于读者不信 → 需要更强的证据 "

技巧 2：跨平台内容适配流水线

同一个核心观点，用 dbs-content + dbs-hook 做跨平台适配：

Bash

# 公众号版本：长文，深度论证 /dbs-content 内容：[全文] 平台：公众号 # 小红书版本：精简，场景感强 /dbs-content 内容：[全文] 平台：小红书 字数：800字以内 # X/推文版本：极度压缩 /dbs-content 内容：[全文] 平台：X/推文 字数：280字以内

技巧 3：用 dbs-content 建立「内容审计系统」

11 有用户的实践方式是：立马把 X 的推文数据、微信公众号数据、小红书数据都下载下来，用上了dbs-content-system skill，先审计内容规模与边界，再建立新工程、抽取内容单元、生成主题地图与选题装配稿。

把你过去 3-6 个月的所有内容，批量导入做诊断：

Bash

# 把所有历史内容放入一个目录 mkdir ~/content-audit cp ~/documents/articles/*.md ~/content-audit/ # 批量诊断 /dbs-content-system 「我的内容在 ~/content-audit 目录下， 帮我做全量审计，找出： 1. 哪些选题方向数据最好 2. 哪种开头类型转化最高 3. 我的内容有没有明显的结构问题」

输出的内容结构化系统目录：

text

内容结构化系统/ ├── 00-规则与索引/ │ ├── 主题地图.md # 你的内容覆盖了哪些主题 │ └── 选题装配稿.md # 基于历史数据的选题建议 ├── 01-高效内容/ # 数据好的内容归档 ├── 02-待优化内容/ # 结构有问题，可以改版重发 ├── 03-内容原子/ # 从历史内容提炼的知识原子 └── 04-选题库/ # 验证过的选题角度

技巧 4：hook + xhs-title 的 A/B 测试机制

不确定用哪个标题/开头的时候，用 obsidian 建立 A/B 测试记录：

Bash

obsidian create name="04-Outputs/AB测试记录" \ content="--- type: ab-test tags: [content, testing] --- # 标题/开头 A/B 测试记录 | 日期 | 内容主题 | 方案A | 方案B | 数据对比 | 结论 | |------|---------|-------|-------|---------|------| | $(date +%Y-%m-%d) | 内容转化 | [No.2认知冲突] | [No.1场景代入] | 待填 | 待填 | "

3 个月的 A/B 测试数据，比任何内容课程都有价值。 它告诉你：对你的具体受众，哪种类型的开头/标题效果最好。

六、内容四工具的完整联动触发逻辑

text

任意内容触发点 （选题/初稿/已发内容） ↓ /dbs-content （结构诊断） ↓ 发现开头有问题？ ↙ ↘ 是 否 ↓ ↓ /dbs-hook 直接进入 （开头优化） 下一步 ↓ ↓ 需要标题？←────────┘ ↓ /dbs-xhs-title （75个公式，Top3推荐） ↓ 内容写完 / 改完 ↓ /dbs-ai-check （检测AI味 + 人格化建议） ↓ obsidian create （存档 + 数据追踪） ↓ git commit （版本控制） ↓ 发布 → 记录数据 ↓ 一周后 → 填写数据追踪表 ↓ 三个月后 → /dbs-content 批量审计

七、内容四工具与其他 Skill 的深度联动

1 goal 审计通过但牵涉具体内容创作 → 推荐 content / hook / xhs-title。这意味着 dbs-content 不只是内容工具，它是整个 dbskill 系统里「从思考到输出」的最后一环：

text

模块3（商业诊断）→ 找到「需要用内容获客」的结论 ↓ dbs-deconstruct → 确保内容中的核心概念清晰 ↓ dbs-content → 内容结构诊断 ↓ dbs-hook → 开头优化 ↓ dbs-xhs-title → 标题生成 ↓ dbs-ai-check → AI 味检测 ↓ obsidian create → 存档到知识库 ↓ dbs-goal → 把「持续内容输出」设为长期追踪目标 ↓ dbs-save → 存档内容策略决策

八、模块 4 作业：提交标准与验收

Markdown

═══════════════════════════════════════════ 📋 模块 4 作业清单 ═══════════════════════════════════════════ 【必交作业】 □ 1. 内容自检四问 拿出一篇已有内容，先做自检，记录： - 四个问题的答案 - 自检后你认为最大的问题是什么 □ 2. 完整运行 dbs-content 诊断 对比：自检判断 vs AI 诊断，有没有你没看到的问题？ 记录：最让你意外的一个诊断结论是什么？ □ 3. 用 dbs-hook 生成3个开头方案 要求：三个方案用不同的心理触发器 选一个，说明选择理由 □ 4. 用 dbs-xhs-title 生成标题组 要求：至少覆盖3种心理触发器类型 选 Top1，说明为什么选它而不是其他 □ 5. 用 dbs-ai-check 检测你的内容 记录：发现了哪几类 AI 味？ 修改前后对比：各举一个例子 □ 6. 完整流程走完，生成一篇「可发布稿」 要求：经过了所有四个 skill 的处理 提交：最终内容标题 + 第一段（截图） □ 7. 写入 Obsidian + git commit 格式：「content: [内容标题] 完整生产链 YYYYMMDD」 【选交作业（加分）】 ○ 8. 把内容发布出去，一周后回来填写数据追踪表 记录：阅读量 / 互动 / 转化询问 复盘：哪个环节的优化效果最明显？ ○ 9. 用 dbs-content-system 对历史内容做批量审计 输出：主题地图 + 至少3个基于数据的选题建议 ○ 10. 建立「选题原子库」（不少于5个原子） 严格按原子模板，记录每个选题角度的适用条件和失效条件 ═══════════════════════════════════════════ 【作业提交格式】 1. Obsidian 内容诊断记录截图 2. 最终发布稿截图（含标题 + 第一段） 3. 一段文字：「诊断前我认为内容最大的问题是___， 走完四个 skill 后，发现真正的问题是___， 最有效的改动是___」 文件命名：模块4-作业-[你的名字]-[内容标题].pdf ═══════════════════════════════════════════

九、模块 4 结语：内容不是「写出来」的，是「诊断出来」的

很多内容创作者陷入了一个循环：

写内容 → 数据不好 → 觉得是自己文笔不行 → 努力写更多 → 数据还是不好

这个循环的根本问题是：他们在用「产量」解决「质量」问题。

11 有内容创作者分享：「我不再是一个人在写公众号。先写一篇初稿，丢给 DBS 做诊断，按它的建议改标题、开头、结构和表达，再滚几轮，直到给你诊断全绿。不到一个月，终于爆了一篇 10 万+。一个好的工具，真的会改变你的内容生产方式。」

这段话里最关键的不是「10 万+」，而是「再滚几轮，直到给你诊断全绿」。

这才是内容四工具的正确用法：不是用一次，是反复诊断，迭代至合格。

每一次诊断，都在训练你对内容结构的判断力。用够 30 次，你会发现：即使不用工具，你也开始用「开头、结构、转化、AI味」这四个维度去看内容了。

这才是 Skill Stack 阅读工作流的终极目标——工具用着用着，变成你自己的判断系统。

下一个模块，我们把内容创作和商业诊断的结论，推向更深的执行层——用 dbs-slowisfast + dbs-action + dbs-goal 构建一套完整的执行力系统，让你在「知道该做什么」和「真的去做」之间，不再有那个巨大的鸿沟。

💡「内容的质量，不是写出来的，是诊断出来的。」 写一遍，诊断一遍，改一遍——这个循环，比写十遍更有价值。