我發現了一個能把舊內容自動變成新選題的工具（附完整教程）
整理版優先睇
呢個開源內容結構化系統，將舊內容自動變成新選題，解決創作者「寫過用唔返」嘅問題。
dbs-content-system 係由 dontbesilent 開發嘅開源內容結構化系統，佢從自己 12,307 條推文提煉出 21 個 Agent skill，呢個係其中一個基建模塊。佢專幫內容創作者將累積咗嘅文稿、推文、選題等變成可持續增長嘅內容資產，特別適合寫咗一年以上、累積十萬字以上嘅創作者。
傳統做法有三大問題：按文件夾堆但冇語義、同一概念講法唔一致、舊內容用完就擺。系統嘅解法係將內容拆成 5 種最細語義單元（問題、概念、觀點、案例、方案），每個單元帶來源、版本、關係等字段。然後透過 4 檔遞進模式——審計、樣本、批量、全量——逐步將內容結構化，確保每一步都先驗證再擴大，避免返工。呢套機制同寫代碼先寫測試再實現一樣，強調「寧缺毋濫」：樣本模式唔會硬抽低價值單元。
最終建立主題地圖同選題裝配機制，畀你可以隨時調用舊單元重組新選題。作者話，積累嘅真正含義唔係儲存得多，而係令每一篇舊內容都可以被下一次創作調用。我自己試過將 100 多篇舊文章導進去，抽咗 30 幾個單元，當中好多觀點我自己都差啲唔記得。系統完全開源免費，直接一行命令裝就得。
- 系統將舊內容拆成 5 種語義單元（問題、概念、觀點、案例、方案），解決調用難、概念不一致、再利用問題。
- 4 檔遞進模式（審計→樣本→批量→全量）確保結構穩定先擴大規模，避免返工。
- 主題地圖聚合同主題單元，選題裝配自動組合新文章骨架，實現舊內容自動變新選題。
- 同傳統整理工具唔同，呢套系統先驗證再批量，強調「寧缺毋濫」—樣本模式唔會硬抽低價值單元。
- 實際操作只需 9 步：安裝、審計、初始化工程、複製素材、樣本抽取、校驗、主題地圖、裝配、持續生長；任何支援 skill 機制嘅 AI Agent 都用得。
dbskill 安裝命令
一行命令安裝全部 21 個 Agent skill，包括內容結構化系統。
dbskill GitHub
開源項目地址，包含完整知識庫同安裝說明。
點解你需要內容結構化系統？
內容創作者最大嘅浪費，唔係唔識寫，而係寫過嘅嘢再也用唔返。
「寫過嘅嘢再也用唔返」
- 1 問題一：文件夾堆砌但冇語義，你要靠記憶猜個觀點喺邊篇文章。
- 2 問題二：同一概念講法唔一致，讀者睇到你前後矛盾。
- 3 問題三：舊內容只用一次就擺喺度，入面嘅好觀點、案例、方法論框架全部鎖死。
核心機制：4 檔遞進模式
系統唔係一次過整理，而係分 4 個檔位逐步推進，先驗證結構，再擴大規模。
- 檔位 1 審計模式：檢查內容量夠唔夠，門檻係 50 個文件或 8 萬字，唔夠就直接勸退。
- 檔位 2 樣本模式：抽 3-5 篇代表性文稿抽取第一批內容單元，驗證抽取口徑穩定。
- 檔位 3 批量模式：口徑穩定後按批次推進，每批覆盤，連續 2 批冇問題先進入全量。
- 檔位 4 全量模式：規則凍結，對剩餘庫存全面覆蓋。
「先驗證結構，再擴大規模」
完整實操步驟（9 步）
首先用 npx 命令安裝：npx -y skills add dontbesilent2025/dbskill -g --all。然後觸發內容結構化系統。
npx -y skills add dontbesilent2025/dbskill -g --all
- 1 審計素材：系統問你目錄、排除項、優先類型，然後統計文件數同字數，判斷可否建工程。
- 2 初始化工程骨架：系統創建標準目錄，包括規則、原始素材、內容單元庫等 8 個文件夾同 4 個說明文件。
- 3 複製原始素材：系統唔碰原文件，只複製一份到工程內部，原文完全保留。
- 4 首批樣本抽取：揀 3-5 篇代表性文稿，抽取 QST、CON、OPI、CAS、SOL 單元，寧缺毋濫。
- 5 校驗鏈路：生成關係索引、去重候選、處理狀態總覽，全部通過先算樣本模式完成。
- 6 建立主題地圖：將同主題嘅單元聚合，寫清楚覆蓋問題、核心概念、可用觀點同方案。
- 7 自動裝配新選題：指定選題標題，系統自動從單元庫匹配組合，生成文章骨架。
- 8 持續生長：規則穩定後開全量模式覆蓋全庫，新單元同舊單元產生新關係，指數級增值。
「寧缺毋濫」
我寫嘢成日有個問題：明明寫過類似嘅觀點，但諗唔起喺邊篇度。揾關鍵字都揾唔到——因為個觀點可能散落喺唔同文章嘅唔同段落度。每次寫新嘢，都係從零開始諗選題、揾材料。
內容創作者最大嘅浪費，唔係唔識寫，而係寫過嘅嘢再用唔番。
你寫咗一年甚至更耐，積累咗幾十萬字，但調用佢哋嘅效率幾乎係零。「擁有」同「用得着」係兩回事。
尋日見到 dontbesilent 新開源嘅內容結構化系統——dbs-content-system。第一個反應就係——呢個咪係我缺嗰樣嘢囉？
佢支援將本地大量文稿、推文、選題、案例同課程稿搭成一個可持續增長嘅內容結構化工程：先審計內容規模同邊界，再建立新工程、複製素材、抽取內容單元、生成主題地圖同選題裝配稿。
dbskill 係咩嘢
dbskill 係一個開源嘅 Agent 工具箱，作者係 dontbesilent（X 上面揾到佢）。佢從自己 12,307 條推文入面提煉出一套方法論，打包成 21 個 Agent skill。每個 skill 對應一個具體問題嘅診斷或處理流程。
整個項目係開源兼免費嘅，知識庫亦完全公開——4,000 幾個知識原子、方法論文檔、高頻概念詞典，你唔使裝任何嘢就可以訪問。
佢可以在 Claude Code、Codex、Cursor、Trae Solo 等支援 system prompt 或 skill 機制嘅 AI Agent 上執行。安裝命令就一行：
npx -y skills add dontbesilent2025/dbskill -g --all
21 個 skill，從商業模式診斷到內容創作方法到執行力分析，基本覆蓋咗一個內容創業者日常經營會遇到嘅大部分問題。
但呢篇文章我只係想重點講其中一個——dbs-content-system，內容結構化系統。因為呢個係我近期見到最有工程思維嘅內容工具，冇之一。
點解你需要內容結構化系統
先講嚇傳統做法嘅幾個問題。
問題一：內容按文件夾堆，但文件夾冇語義。
你嘅文稿可能按「公眾號」「小紅書」「課程」分目錄。咁樣確實方便歸檔，但當你需要揾一個觀點時，你要靠記憶估嚇喺邊個文件夾邊篇文章度。兩個月前嘅文章寫咗啲咩，你自己都記唔清，更唔好講入面有價值嘅觀點同金句。
問題二：同一個概念反覆講，但每次講法都唔一致。
「反脆弱」呢個概念你可能寫過 3 次。第一次寫嘅時候定義係 A，第二次加咗啲新理解變成 A'，第三次又轉咗個角度。3 篇文章各講各嘅，你自己都唔知邊個版本係而家最成熟嘅表述。更差嘅係——讀者如果咁啱睇咗你兩篇唔同時間出嘅文章，可能覺得你嘅觀點前後矛盾。
問題三：舊內容只用一次，然後就打入冷宮。
呢個就係我開頭講嘅問題。一篇 3000 字嘅文章，裏面可能藏住 3 個好觀點、2 個案例、1 個方法論框架。但因為佢被鎖喺一篇完整嘅文章裏面，你冇辦法單獨調用入面某個節點。下次寫新選題時，呢啲價值就被浪費咗。
dbs-content-system 嘅解法好簡單：唔將內容當文件管，而係拆成最細嘅語義單元。
佢哋定義咗 5 種內容單元：
- QST（問題單元）：
呢篇文章喺回答咩問題 - CON（概念單元）：
文中定義咗邊啲關鍵概念 - OPI（觀點單元）：
本文嘅核心觀點同立場 - CAS（案例單元）：
引用嘅真實案例同數據 - SOL（方案單元）：
俾出嘅具體方法或動作路徑
每類單元有標準模板，自帶字段：來源、版本、關係、關鍵詞、主題標籤。
舊文件依然擺喺度唔鬱。但系統多咗一層索引——你嘅觀點唔再被「鎖」喺文章入面，而係變成咗一個獨立、可檢索、可引用嘅節點。
進一步，系統透過 主題地圖 聚合同主題節點，透過 選題裝配 將一組節點重新組合成一篇新嘅文章骨架。
寫到呢度你可能已經感覺到——呢個同我上面講嘅三個問題係一一對應嘅。拆成單元解決調用難，統一概念定義解決一致性，主題地圖加裝配解決舊內容再利用。
核心機制：4 檔遞進模式
但真正令我覺得呢個項目靠譜嘅，係佢嘅工程思維——一套 4 檔遞進模式。
大多數內容整理工具嘅邏輯係：你將素材導入去，我幫你一次性整理好。結果係整理完你再冇打開過，因為整理過程唔符合你底層嘅工作習慣。
dbs-content-system 唔係咁。佢分咗 4 個檔位：
檔位 1：審計模式。
先檢查你嘅內容量夠唔夠。門檻係至少 50 個文件或 8 萬字。如果唔夠，系統直接話你知——你而家嘅素材積累仲未到做工程化嘅時候，繼續去寫先。呢層過濾避免咗「素材冇幾多就先搭架」嘅浪費。
檔位 2：樣本模式。
通過審計後，唔好急住做全量處理。先從 3-5 篇代表性文稿抽第一批內容單元，驗證抽口徑是否穩定——你呢 5 篇文稿嘅「觀點」邊界係咪清晰？「方案」真係可以同「概念」區分開？口徑未穩定之前，唔做下一步。
檔位 3：批量模式。
口徑穩定後，按批次推進。每批處理完覆盤：有冇改字段規範？有冇改關係規則？去重有冇失控？連續 2 批冇出問題，先準許進入全量。
檔位 4：全量模式。
規則凍結，對剩餘庫存全面覆蓋。
呢 4 檔設計嘅核心思想係：先驗證結構，再擴大規模。 呢個同寫程式先寫測試再寫實現係同一個邏輯。大多數內容整理工具翻車，就係因為冇諗清楚呢一點——一開頭就想將全量處理曬，結果口徑唔啱、關係混亂、大量返工。
完整實操教程
以下係我嘅實際操作流程，你用任何支援 skill 機制嘅 AI Agent 都能重現。
第一步：安裝
有兩種方法。
方法一（推薦）—— 用 npx 命令直接安裝：
npx -y skills add dontbesilent2025/dbskill -g --all
裝完之後，你可以在 Agent 中輸入 /dbs-content-system 或「內容結構化系統」嚟觸發。
方法二 —— 手動下載安裝：
去 GitHub 下載項目壓縮包：
https://github.com/dontbesilent2025/dbskill
將本地文件路徑交俾 opencode、openclaw 呢類工具安裝。
第二步：審計素材
呢個同 4 檔遞進中嘅審計模式對應。系統會問你三個問題：
要處理嘅內容目錄係邊度？ 邊啲目錄納入、邊啲排除？ 優先處理咩類型嘅內容？
回答完，系統開始審計——統計文件數、估算總字數、識別來源維度。審計會輸出一段明確嘅結論：素材夠唔夠、邊界清唔清楚、可唔可以建工程。
我當時嘅素材大約 80 幾個文件，15 萬字嘅規模，審計直接通過。如果你嘅唔夠 50 個文件或 8 萬字，系統會話你知繼續寫先，唔好做工程。呢個唔係打擊你，係真係冇必要。
第三步：初始化工程骨架
審計通過後，系統會喺你指定嘅位置創建標準工程目錄。結構係咁樣：
內容結構化系統/
├── 00-規則與索引/
├── 01-原始素材區/
├── 02-內容單元庫/
├── 03-處理狀態/
├── 04-模板/
├── 05-主題地圖/
├── 06-選題裝配/
└── 07-腳本與工具/
根目錄仲有 4 個文件：
AGENTS.md、CLAUDE.md、SOURCE_OF_TRUTH.md、README.md。
佢哋分別規定咗跨宿主規則、AI 側嘅說明、權威定位與衝突規則、以及系統說明。
第四步：複製原始素材
呢一步好重要：系統唔會碰你原本嘅文件。
原始目錄嘅原內容唔鬱，系統將佢哋複製一份到 01-原始素材區/完整副本/。所有後續處理都喺工程內部進行，原文完全保留。呢個意味着你隨時可以返去原始版本核對。
複製完成後，系統會生成來源註冊表同原始素材索引。所有進入工程嘅文件都有咗獨立嘅來源記錄——幾時入嚟、從邊度嚟、原始路徑係咩。
第五步：首批樣本抽取
呢個係最關鍵嘅一步。系統從你嘅素材中揀 3-5 篇代表性文稿，對每篇抽取：
1 個主問題單元（QST）：呢篇係解決咩問題 1 個主觀點單元（OPI）：核心觀點係咩 如果文中有穩定概念定義：抽概念單元（CON） 如果有具體案例或數據：抽案例單元（CAS） 如果有明確嘅動作路徑：抽方案單元（SOL）
每個新單元生成時，系統自動補齊來源、關鍵詞、主題標籤同關聯關係。
呢度有一條鐵律：唔好為咗追求數量大量製造低價值單元。 第一批樣本嘅目標唔係覆蓋全部語義，而係驗證呢套結構能否跑通。所以如果某篇文章就係冇明確嘅「方案」，咁就唔好硬抽 SOL。寧缺毋濫。
第六步：校驗鏈路
抽取完成後，行校驗鏈路。系統會生成 3 個核心索引：
- 關係索引：
單元之間嘅關聯關係（回應、解釋、證明、衝突） - 去重候選：
邊啲內容可能重複咗（完全重複、同義重複、近似重複、重複講述） - 處理狀態總覽：
而家邊啲處理咗、邊啲等緊處理、整體進度
呢三項指標全部通過後，先算樣本模式行通。
第七步：建立主題地圖
主題地圖嘅作用係將同主題嘅內容單元聚合埋一齊。
例如你之前喺唔同文章中寫過「N 個關於商業嘅思考」，咁系統會將所有涉及該主題嘅 QST、CON、OPI、CAS、SOL 單元歸攏到一張主題地圖上面。
主題地圖唔只係「將文件列出來」。佢需要寫清楚：呢個主題覆蓋咗邊啲問題？核心概念係咩？有啲咩可用嘅觀點同案例？邊啲方案已經驗證過？咁樣後續寫新選題時，你直接入主題地圖，就能睇到所有可調動嘅內容資產。
第八步：自動裝配新選題
呢個係成個系統最亮眼嘅能力。
你可以行一個裝配腳本，指定選題標題，系統會自動從已有嘅內容單元庫入面匹配最合適嘅組合。例如你寫咗一個標題「普通人點樣揾到自己嘅賺錢方向」，系統會：
從某個 QST 單元揾到呢個問題嘅原始定義 從某個 CON 單元提取相關概念解釋 從某個 OPI 單元引用核心觀點 從某個 CAS 單元插入真實案例 從某個 SOL 單元提供具體執行路徑
呢啲嘢嚟自你唔同時期、唔同文章入面嘅唔同段落。 你兩年前寫嘅一篇文章入面有個好案例，三個月前寫嘅文章入面有個好觀點——佢哋喺你嘅舊文件入面永遠碰唔到面，但喺內容單元庫入面可以被重組到同一個選題之下。
呢個就係我標題講嘅——將舊內容自動變成新選題。
第九步：持續增長
系統做到呢一步已經處於「可用態」。後續你可以繼續批量推進更多素材，規則穩定後開全量模式覆蓋全庫。
隨住時間推移，你嘅內容單元庫愈來愈大，主題地圖愈來愈密集，選題裝配嘅選擇愈來愈豐富。系統嘅價值唔係線性，而係指數級增長——因為新單元會同舊單元之間產生新嘅關係，新嘅關係會觸發新嘅重組可能。
唔只係呢一個工具
最後講嚇 dbskill 全家桶。
dbs-content-system 係呢套工具箱入面嘅「基建模塊」，佢嘅定位係搭建內容資產底層。喺佢之上，仲有一堆診斷同優化工具：
對單篇內容冇把握 → /dbs-content內容創作診斷開頭寫得唔好 → /dbs-hook開頭優化標題起唔到 → /dbs-xhs-title標題公式匹配擔心有 AI 味 → /dbs-ai-checkAI 寫作特徵檢測知道應該寫但一直拖延 → /dbs-action執行力診斷商業模式唔清晰 → /dbs-diagnosis商業模式診斷想揾對標模仿 → /dbs-benchmark對標分析概念諗唔清楚 → /dbs-deconstruct概念拆解目標模糊 → /dbs-goal目標審計
成條鏈路係通嘅：先搭內容基礎結構（content-system）→ 單篇診斷優化（content/hook/title/ai-check）→ 方向層面嘅問題（diagnosis/benchmark/goal）。
最後
我將 100 幾篇舊文章導入工程後，第一批樣本抽出咗 30 幾個內容單元——包括我以前寫過嘅幾個核心判斷、幾個案例、幾個方法論框架。講真，有啲觀點我自己都快唔記得了。
但重要嘅係，佢哋唔再只係「瞓喺一個文件夾入面嘅庫存」了。
佢哋變成咗我可以隨手調用嘅資產。每次啟動一個新選題時，我唔使再從零開始諗——先睇主題地圖我寫過咩，再睇有冇適合重組嘅單元。有時一個舊嘅方案配上新嘅案例，就係一篇全新嘅文章。
幾年前有人同我講，內容創作最大嘅護城河唔係寫得快，而係積累。我當時理解錯咗，以為「積累」就係將文章越存越多。而家我明白咗——積累嘅真正含義，係令每一篇舊內容都可以俾下一次創作調用。
dbskill 嘅開源地址喺 GitHub 上（dontbesilent2025/dbskill），整個知識庫亦完全公開。你可以只攞其中一部分嚟用。
但建議你至少試一下內容結構化系統。就算你只行一次審計、只抽一批樣本，都會對你現有嘅內容資產有一個完全唔同嘅認知——原來你寫過嘅嘢比你以為嘅值錢得多。
我的寫作一直有個問題：明明寫過類似的觀點，但想不起在哪篇裏。搜關鍵詞也搜不到——因為那個觀點可能散落在不同文章的不同段落裏。每次寫新東西，還是從零開始想選題、找素材。
內容創作者最大的浪費，不是不會寫，而是寫過的東西再也用不上。
你寫了一年甚至更久，積累了幾十萬字，但調用它們的效率幾乎是零。"擁有"和"能用"是兩回事。
昨天看到 dontbesilent 新開源的內容結構化系統——dbs-content-system。第一反應是——這不就是我缺的那個東西嗎？
它支持把本地大量文稿、推文、選題、案例和課程稿搭成一個可持續生長的內容結構化工程：先審計內容規模與邊界，再建立新工程、複製素材、抽取內容單元、生成主題地圖與選題裝配稿。
dbskill 是什麼
dbskill 是一個開源的 Agent 工具箱，作者是 dontbesilent（X 上能找到他）。他從自己 12,307 條推文裏提煉出一套方法論，打包成 21 個 Agent skill。每個 skill 對應一個具體問題的診斷或處理流程。
整個項目是開源且免費的，知識庫也完全公開——4,000 多個知識原子、方法論文檔、高頻概念詞典，你不需要裝任何東西就能訪問。
它能在 Claude Code、Codex、Cursor、Trae Solo 等支持 system prompt 或 skill 機制的 AI Agent 上跑。安裝命令就一行：
npx -y skills add dontbesilent2025/dbskill -g --all
21 個 skill，從商業模式診斷到內容創作方法到執行力分析，基本覆蓋了一個內容創業者在日常經營中會遇到的大部分問題。
但這篇文章我只想重點聊其中一個——dbs-content-system，內容結構化系統。因為這是我近期見到的最有工程思維的內容工具，沒有之一。
為什麼你需要內容結構化系統
先說說傳統做法的幾個問題。
問題一：內容按文件夾堆，但文件夾沒有語義。
你的文稿可能按「公眾號」「小紅書」「課程」分目錄。這確實方便歸檔，但當你需要找一個觀點時，你得靠記憶猜它在哪個文件夾哪篇文章裏。兩個月前的文章寫了什麼，你自己都記不清了，更別說裏面有價值的觀點和金句。
問題二：同一個概念反覆講，但每次講法都不一致。
「反脆弱」這個概念你可能寫過 3 次。第一次寫的時候定義是 A，第二次加了點新理解變成 A'，第三次又切了個角度。3 篇文章各講各的，你自己都不知道哪個版本是當前最成熟的表述。更糟糕的是——讀者如果湊巧看了你兩篇不同時間發的文章，可能覺得你的觀點前後矛盾。
問題三：舊內容只用一次，然後就進了冷宮。
這就是我開頭說的問題。一篇 3000 字的文章，裏面可能藏着 3 個好觀點、2 個案例、1 個方法論框架。但因為它被鎖在一篇完整的文章裏，你沒法單獨調取其中的某個節點。下次寫新選題時，這些價值就被浪費了。
dbs-content-system 的解法很簡單：不把內容當文件管，而是拆成最小語義單元。
他們定義了 5 種內容單元：
- QST（問題單元）：
這篇文章在回答什麼問題 - CON（概念單元）：
文中定義了哪些關鍵概念 - OPI（觀點單元）：
本文的核心觀點和立場 - CAS（案例單元）：
引用的真實案例和數據 - SOL（方案單元）：
給出的具體方法或動作路徑
每類單元有標準模板，自帶字段：來源、版本、關係、關鍵詞、主題標籤。
舊文件還是放在那裏不動。但系統裏多了一層索引——你的觀點不再被"鎖"在文章裏，而是變成了一個獨立的、可檢索、可引用的節點。
進一步，系統通過 主題地圖 聚合同主題節點，通過 選題裝配 把一組節點重新組合成一篇新的文章骨架。
寫到這裏你可能已經感受到——這和我上面說的三個問題是一一對應的。拆成單元解決調用難，統一概念定義解決一致性，主題地圖 + 裝配解決舊內容再利用。
核心機制：4 檔遞進模式
但真正讓我覺得這個項目靠譜的，是它的工程思維——一套 4 檔遞進模式。
大多數內容整理工具的邏輯是：你把素材導進去，我給你一次性整理好。結果是整理完你再也沒打開過，因為整理過程不符合你到底層工作習慣。
dbs-content-system 不是這樣。它分了 4 個檔位：
檔位 1：審計模式。
先檢查你的內容量夠不夠。門檻是至少 50 個文件或 8 萬字。如果不夠，系統直接告訴你——你現在的素材積累還不到做工程化的時候，先去繼續寫。這層過濾避免了"素材沒多少就先搭架子"的浪費。
檔位 2：樣本模式。
通過審計後，不急着全量處理。先從 3-5 篇代表性文稿抽取第一批內容單元，驗證抽取口徑是否穩定——你這 5 篇文稿的"觀點"邊界是清晰的嗎？"方案"真的能跟"概念"區分開嗎？口徑沒穩住之前，不做下一步。
檔位 3：批量模式。
口徑穩定後，按批次推進。每批處理完覆盤：有沒有改字段規範？有沒有改關係規則？去重是否失控？連續 2 批沒出問題，才允許進入全量。
檔位 4：全量模式。
規則凍結，對剩餘庫存全面覆蓋。
這 4 檔設計的核心思想是：先驗證結構，再擴大規模。 這和寫代碼先寫測試再寫實現是一個邏輯。大多數內容整理工具翻車，就是因為沒想清楚這一點——一上來就想把全量處理完，結果口徑不對、關係混亂、大量返工。
完整實操教程
下面是我的實際操作流程，你用任何支持 skill 機制的 AI Agent 都能復現。
第一步：安裝
有兩種方式。
方式一（推薦）—— 用 npx 命令直接安裝：
npx -y skills add dontbesilent2025/dbskill -g --all
裝完之後，你可以在 Agent 中輸入 /dbs-content-system 或「內容結構化系統」來觸發。
方式二 —— 手動下載安裝：
去 GitHub 下載項目壓縮包：
https://github.com/dontbesilent2025/dbskill
把本地文件路徑發給 opencode、openclaw 這類工具安裝。
第二步：審計素材
這和 4 檔遞進中的審計模式對應。系統會問你三個問題：
要處理的內容目錄是哪裏？ 哪些目錄納入、哪些排除？ 優先處理什麼類型的內容？
回答完，系統開始審計——統計文件數、估算總字數、識別來源維度。審計會輸出一段明確的結論：素材夠不夠、邊界清不清楚、是否可以建工程。
我當時的素材大約 80 多個文件，15 萬字的規模，審計直接通過。如果你的不夠 50 個文件或 8 萬字，系統會告訴你去繼續寫，先不做工程。這不是打擊你，是真的沒必要。
第三步：初始化工程骨架
審計通過後，系統會在你指定的位置創建標準工程目錄。結構是這樣的：
內容結構化系統/
├── 00-規則與索引/
├── 01-原始素材區/
├── 02-內容單元庫/
├── 03-處理狀態/
├── 04-模板/
├── 05-主題地圖/
├── 06-選題裝配/
└── 07-腳本與工具/
根目錄還有 4 個文件：
AGENTS.md、CLAUDE.md、SOURCE_OF_TRUTH.md、README.md。
它們分別規定了跨宿主規則、AI 側的說明、權威定位與衝突規則、以及系統說明。
第四步：複製原始素材
這一步很重要：系統不碰你原來的文件。
原始目錄的原內容原地不動，系統把它們複製一份到 01-原始素材區/完整副本/。所有後續處理都在工程內部進行，原文完全保留。這意味着你隨時可以回到原始版本去核對。
複製完成後，系統會生成來源註冊表和原始素材索引。所有進入工程的文件都有了獨立的來源記錄——什麼時候進來的、從哪裏來的、原始路徑是什麼。
第五步：首批樣本抽取
這是最關鍵的一步。系統從你的素材中挑選 3-5 篇代表性文稿，對每篇抽取：
1 個主問題單元（QST）：這篇在解決什麼問題 1 個主觀點單元（OPI）：核心觀點是什麼 如果文中有穩定概念定義：抽概念單元（CON） 如果有具體案例或數據：抽案例單元（CAS） 如果有明確的動作路徑：抽方案單元（SOL）
每個新單元生成時，系統自動補齊來源、關鍵詞、主題標籤和關聯關係。
這裏有一條鐵律：不要為了追求數量大量製造低價值單元。 第一批樣本的目標不是覆蓋全部語義，而是驗證這套結構能不能跑通。所以如果某篇文章就是沒有明確的"方案"，那就不要硬抽 SOL。寧缺毋濫。
第六步：校驗鏈路
抽取完成後，跑校驗鏈路。系統會生成 3 個核心索引：
- 關係索引：
單元之間的關聯關係（回應、解釋、證明、衝突） - 去重候選：
哪些內容可能重複了（完全重複、同義重複、近似重複、重複講述） - 處理狀態總覽：
當前哪些處理了、哪些待處理、整體進度
這三項指標全部通過後，才算樣本模式走通。
第七步：建立主題地圖
主題地圖的作用是把同主題的內容單元聚合到一起。
比如你之前在不同文章中寫過"N 個關於商業的思考"，那麼系統會把所有涉及該主題的 QST、CON、OPI、CAS、SOL 單元歸攏到一張主題地圖上。
主題地圖不只是"把文件列出來"。它需要寫清楚：這個主題覆蓋了哪些問題？核心概念是什麼？有哪些可用的觀點和案例？哪些方案已經驗證過？這樣後續寫新選題時，你直接進入主題地圖，就能看到所有可調動的內容資產。
第八步：自動裝配新選題
這是整個系統最亮眼的能力。
你可以跑一個裝配腳本，指定選題標題，系統會自動從已有的內容單元庫裏匹配最合適的組合。比如你寫了一個標題「普通人怎麼找到自己的賺錢方向」，系統會：
從某個 QST 單元找到這個問題的原始定義 從某個 CON 單元提取相關概念解釋 從某個 OPI 單元引用核心觀點 從某個 CAS 單元插入真實案例 從某個 SOL 單元提供具體執行路徑
這些東西來自你不同時期、不同文章裏的不同段落。 你兩年前寫的一篇文章裏有個好案例，三個月前寫的文章裏有個好觀點——它們在你的舊文件裏永遠碰不到面，但在內容單元庫裏可以被重組到同一個選題下。
這就是我標題說的——把舊內容自動變成新選題。
第九步：持續生長
系統做到這一步已經處於"可用態"。後面你可以繼續批量推進更多素材，規則穩定後開全量模式覆蓋全庫。
隨着時間推移，你的內容單元庫越來越大，主題地圖越來越密集，選題裝配的選擇越來越豐富。系統的價值不是線性的，而是指數級增長——因為新單元會跟舊單元之間產生新的關係，新的關係會觸發新的重組可能。
不只是這一個工具
最後說一下 dbskill 全家桶。
dbs-content-system 是這套工具箱裏的"基建模塊"，它的定位是搭建內容資產底層。在它之上，還有一堆診斷和優化工具：
對單篇內容沒把握 → /dbs-content內容創作診斷開頭寫不好 → /dbs-hook開頭優化標題起不來 → /dbs-xhs-title標題公式匹配擔心有 AI 味 → /dbs-ai-checkAI 寫作特徵檢測知道該寫但一直拖延 → /dbs-action執行力診斷商業模式不清晰 → /dbs-diagnosis商業模式診斷想找對標模仿 → /dbs-benchmark對標分析概念想不清楚 → /dbs-deconstruct概念拆解目標模糊 → /dbs-goal目標審計
整條鏈路是通的：先搭內容基礎結構（content-system）→ 單篇診斷優化（content/hook/title/ai-check）→ 方向層面的問題（diagnosis/benchmark/goal）。
最後
我把 100 多篇舊文章導進工程後，第一批樣本抽出了 30 多個內容單元——包括我以前寫過的幾個核心判斷、幾個案例、幾個方法論框架。說實話，有些觀點我自己都快忘了。
但重要的是，它們不再只是"躺在一個文件夾裏的庫存"了。
它們變成了我可以隨手調用的資產。每次啓動一個新選題時，我不用再從零想——先看看主題地圖裏我寫過什麼，再看看有沒有適合重組的單元。有時候一箇舊的方案配上新的案例，就是一篇全新的文章。
幾年前有人跟我說，內容創作最大的護城河不是寫得快，而是積累。我當時理解錯了，以為"積累"就是把文章越存越多。現在我明白了——積累的真正含義，是讓每一篇舊內容都可以被下一次創作調用。
dbskill 的開源地址在 GitHub 上（dontbesilent2025/dbskill），整個知識庫也完全公開。你可以只取其中一部分來用。
但建議你至少試一下內容結構化系統。就算你只跑一次審計、只抽一批樣本，也會對你現有的內容資產有一個完全不同的認知——原來你寫過的東西比你以為的值錢得多。