1实现原理 · 为什么它能做到
纯 prompt 编排，无脚本无外部依赖：全部能力来自 SKILL.md 里的判断框架、提问纪律与输出模板
skills/dbs-jtbd/SKILL.md
本 Skill 从 Jobs to Be Done 视角理解用户要完成的事，用于产品、内容、决策或 AI 协作中的任务澄清。
注：目录内只有 SKILL.md 与 agents/openai.yaml（界面元数据），无 scripts/references/data。
核心机制是「先看进展、后看方案」：把用户提出的交付物（写文章/做课程/做 Agent）降格为候选手段，再反推其想推进的进展
skills/dbs-jtbd/SKILL.md
用户说「帮我写一篇文章」「我需要一个课程」「给我做一个 Agent」时，先不要把这句话直接当成需求结论。它通常只说明了用户想到的方案。
注：配套一条五段链：情境 → 卡住的进展 → 想得到的结果 → 当前方案 → 选择标准。
任务陈述被强制成可填充的句式模板，并要求「进展写成变化、结果落在可感知状态」，把模糊形容词挡在输出之外
skills/dbs-jtbd/SKILL.md
当我处于 `{情境}`，我想要 `{推进的进展}`，以便 `{得到的结果}`。
注：同一段还立了两条反例：不要只复述动作（如「整理访谈」），避免空泛的「提升效率」。
把 JTBD 的三层任务与「雇用/解雇四力」（推力/拉力/焦虑/习惯）作为固定检查表，要求建议同时处理四种力量而非只放大卖点
skills/dbs-jtbd/SKILL.md
一个方案被采用，通常需要推力和拉力强过焦虑与习惯。输出建议时要处理这四种力量，不能只放大卖点。
注：三层任务表特别点出：功能任务决定交付物，情绪与社会任务常决定表达、阻力与最终选择。
「最小提问」纪律：先基于已有材料写任务假设，只在缺失信息会改变建议时才问 1 个具体事实性问题，并禁用宽泛问法
skills/dbs-jtbd/SKILL.md
只有以下信息缺失且会改变建议时，才问 1 个最小问题：
注：文中给出的正例是「你上一次试图解决这件事时，卡在了哪一步？」，反例是「你的痛点是什么」「你的目标用户是谁」。
选择标准被要求「可观察、可判断、带优先级」：必须满足 / 加分项 / 可接受代价三类，并要求把「简单好用」这类词还原成可检验表述
skills/dbs-jtbd/SKILL.md
标准要可观察。把「简单好用」还原为「第一次使用 10 分钟内能否得到可修改的结果」这类表述。
注：这是该 skill 与泛泛「用户画像」话术的主要分野。
输出端按场景分流：与 AI 协作→重写提示词；产品或服务→任务定义与降低切换焦虑；内容销售→情境与可信证据；个人决策→最小验证动作
skills/dbs-jtbd/SKILL.md
| 产品或服务 | 任务定义、雇用时刻、需求优先级、降低切换焦虑的设计 |
注：并规定：若用户只要一个答案/文案/提示词，不必展示完整框架，内部完成判断后直接交付。
内置针对 AI 协作的提示词骨架，把任务陈述前置，并补情境/材料/边界/交付物/验收标准，让模型从约束推导方案
skills/dbs-jtbd/SKILL.md
把任务陈述放在提示词开头，并补上情境、已有材料、边界、交付物和验收标准。
注：骨架文末尾还内置「若任务与我的方案错位，请先指出错位」的自纠条款。
2核心能力
01任务澄清：把「我要一个 X」翻译成「当…我想推进…以便…」的任务陈述
02表面请求 vs 任务错位识别（并保留用户原方案作为候选，不武断否定）
03三层任务检查（功能/情绪/社会），且只输出对当前任务有用的层
04切换力量诊断（推力/拉力/焦虑/习惯）
05可观察选择标准的提炼与优先级标注
06按场景产出行动建议（AI 协作/产品服务/内容销售/个人决策四类）
07JTBD 提示词骨架生成（把任务陈述写进提示词开头）
08证据纪律与反画像：不拿人口属性/行业标签/产品名当任务证据，不虚构访谈与行为数据
4风险提醒 风险提醒：绿色 · 放心使用
风险提醒：绿色 · 放心使用
- 框架套用过度 — JTBD 有把任何需求升维成「更本质任务」的倾向；当用户其实已想清楚（只是要执行），可能被重新问题化而拖慢进度。skill 用「若表面请求与任务一致，直接推进」对冲，但判断权仍在模型。
- 任务假设的自我实现 — 「当…我想推进…以便…」这层陈述由模型单方推断，若用户默认接受，后续所有选择标准与建议都会建立在该假设上；输出模板末的「待确认」字段是唯一提醒，容易被忽略。
- 无外部事实校验能力 — 它不会去查市场、竞品或用户数据，只能基于对话材料推理；对需要事实依据的商业判断，其结论强度不应被高估。
风险提醒：绿色，放心使用。判级对象是本 skill 自身目录：目录内只有 SKILL.md 与一份界面元数据 yaml，无脚本、无网络端点、无凭证读取、不写盘，属纯指令型。主要注意点不属代码安全，而是「框架诱导」——JTBD 三层任务与四力表格若被机械套用，可能给出比用户原问题更宏大的任务定义；skill 自身已用「不为了套框架连续发问」「缺证据不硬写」等条款约束。
5第二遍独立确认
- [ok] 外部资源/工具：是否存在 SKILL.md 未声明的依赖 — 目录内仅 SKILL.md 与 agents/openai.yaml；token 扫描无 URL/CLI/API/包名命中，external_deps 为空数组成立。agents/openai.yaml 只含 display_name/short_description/default_prompt 三个界面字段，非运行依赖。
- [ok] 安全结论：是否真的零文件读写 — 全文无读取或写入指令——不要求读用户文件、不要求落盘产物（唯一「输出」是对话中的 markdown 模板）。相比同批 dbs-save/dbs-report/dbs-knowledge 有明确落盘动作，本 skill 属同批风险最低档。
- [ok] 实现原理是否成立：宣称的「切换力量」与「可观察标准」是否真有可执行定义 — 四力表给出每力的具体提问句（如「旧做法造成了什么具体损失、压力或阻塞？」），选择标准要求三分类并标优先级、给出「简单好用→第一次使用 10 分钟内能否得到可修改的结果」的还原示例。非口号式条目。
- [unlocatable] 证据定位：star/last_push 等仓库级元数据 — stars 与 last_push 来自站点池 data/pool.json 的 GitHub API 采集值，pin 源码内无此数据，无法在仓库文件内逐字命中；license 可在仓库根 LICENSE 逐字命中。
6结论
适合：适合动工前校准需求的场景：做产品/服务定义、写内容选题、梳理个人决策、或与自己出的 AI 提示词对账——尤其是「用户说的方案未必是真实需求」这一常见错位。也适合内容/咨询从业者把它当提问脚本，直接复用四力表与三层任务做访谈提纲。
不适合：不适合规格已经明确、只等执行的场景（此时追问反而增加成本）；不适合需要外部数据或验证的商业判断（它不做检索与核对）；不适合需要落盘交付物的流程——本 skill 不产出任何文件，产不出存档、报告或计划文档（应改用 dbs-save / dbs-report / dbs-learning 等）。
安装 agent 直装可复制
① 本站镜像 更新 2026-09-15
方式 A · 人下载镜像包下载 dbs-jtbd.tar.gz
sha256:
方式 B · JSON 格式安装指南，复制给 agent236334174ad98f29…agent 读 JSON 指南后会自动从本站下载安装，无需更多说明。
② 上游 GitHub · 原始来源
来源信息 GitHub 原始
作者 / 仓库dontbesilent2025 / dontbesilent2025/dbskill
原始 GitHubdontbesilent2025/dbskill ↗
Stars10121
最近推送2026-09-07
本 skill commit
8b8e33f1ec许可CC BY-NC 4.0（仓库根 LICENSE：Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)；署名 + 禁止商业使用；Copyright (c) 2026 dontbesilent）
本站信息
收录日期2026-09-06
分类基础工具与工作流
侦查报告AI 侦查 · 2 遍 · 2026-09-06
本站镜像与 GitHub 原始是不同来源：本站锁定 commit 快照经 /r2 分发；GitHub 为实时上游，内容可能已更新。