dbskill 更新：当一个问题在原理上可解

我一直想做的一件事，是让 Agent 全自动完成一个任务。

我说的全自动完成，指的是把一个问题交给 Agent 以后，它能自己澄清问题、生成解释、批评解释、设计验证、执行动作，再根据反馈修正下一步。

这个目标目前还没有完整实现。

让 Agent 生成内容已经可以稳定完成。Agent 要想完成一个任务，还需要先得到一个可以约束行动的解释。

如果解释没有说明机制、边界和验证信号，后续动作就缺少判断依据。

比如一个 Agent 判断「转化差是因为信任不足」。这个解释没有说清楚谁不信任，在哪个环节不信任，不信任什么，什么信号能验证这个判断，下一步动作会因此发生什么变化。

这样的解释还不能进入自动化流程。

一个可以驱动自动化的解释，至少要说明机制、约束、可观察信号和行动后果。

最近读《无穷的开始》时，我意识到这里有一个可以继续推进的方向。

如果 Deutsch 说好的 explanation 要 hard to vary，那么一个边界清楚的问题，原则上可以让 Agent 生成候选 explanation，再通过批评和反馈把解释往前推进。

换句话说，Agent 全自动化的起点，是更好的问题。

dbskill 新增了一个 skill：

/dbs-good-question

这个 skill 用来把一个模糊问题，改写成 Agent 可以推理、批评、验证的问题说明书。

可以这样使用：

/dbs-good-question 这个问题能不能让 Agent 自动化解决？

它会检查问题里是否已经包含对象、目标、冲突、约束和反馈入口。

如果问题已经有明确断点，它会给出低置信候选解释，并标明需要用什么证据验证。

为什么从好问题开始

前几天我发过一条推文，大意是：

Deutsch 反对「知识有限论」（如宇宙资源有限 → 知识必有上限），他说「知识在原理上一定存在」。只要不违背物理，原理上就没有「不可能」。这是对科学、量子计算和认识论的深刻推论。这改变了我对我的工作的认知：知识在原理上一定存在，一切终将有解。「知识博主」不是所有博主当中的一个分类，而是「一切问题都可被解」之后，自然而然呈现的结果。

这条推文对应的是《无穷的开始》里的一个核心判断：问题不可避免，问题可以被解决。

把这个判断放到 Agent 工作流里，会得到一个要求：先把问题推进到可解释、可批评、可验证的状态。

很多时候，Agent 给不出稳定结果，原因在于问题还没有形成足够清楚的约束。

好问题的作用

很多问题可以交给 AI：

内容为什么没有转化？

这个流程能不能自动化？

这个产品有没有需求？

这个项目怎么增长？

这些问题可以生成回答，但回答质量会高度依赖默认假设。

如果没有对象、目标、冲突、约束和反馈入口，Agent 会自行补全背景。补全得越多，解释和现实之间的距离就越难判断。

dbs-good-question 的作用，是先把问题改写成更可处理的形式。

例如：

最近 10 条内容的主页点击率正常，但私信咨询少。目标是解释从主页访问到咨询之间的断点。已知约束是不能改变产品价格，也不能增加重交付。请生成候选解释，并说明每个解释需要什么数据验证。

这个问题提供了现象、目标、冲突、约束和反馈入口。

Agent 在这种条件下生成解释，推理范围会更清楚。

dbs-good-question 怎么工作

这个 skill 会先找断点。

例如：

为什么目标用户会看到内容，但点进主页以后没有继续行动？

它会先把问题改写成：

内容触达了目标用户，但主页没有把兴趣承接成关注、私信、咨询或其他下一步动作。

然后给出低置信候选解释。

例如：

• 内容承诺和主页信息不一致。用户是被某个具体判断吸引进来的，但主页首屏没有延续这个判断。
• 主页没有明确下一步动作。用户看完主页以后，不知道应该关注、私信、填写表单，还是继续看置顶内容。

这些解释都只作为候选。

后续需要看主页访问后的关注率、私信率、链接点击率，也可以看目标用户能否在短时间内判断这个账号和自己有什么关系。

它检查什么

dbs-good-question 会检查 5 个部分：

• 对象：分析谁、哪件事、哪个场景。
• 目标：想解释、预测、改进，还是决策。
• 冲突：哪里和预期不一致。
• 约束：什么不能改变，什么必须考虑。
• 反馈：什么结果能验证解释。

这 5 个部分不一定一开始就完整。

如果信息不足，skill 会生成半成品问题说明书，并把未知项写出来。

半成品说明书的结构大致是：

我要分析的问题：

{一句话问题}

现象：

{已知现象，不知道就写未知}

目标：

{解释 / 预测 / 改进 / 决策}

核心冲突：

{已知冲突}

约束：

{未知 / 已知约束}

反馈入口：

{可以观察什么}

它现在能做什么

现在这个 skill 主要处理 3 类任务。

第一，把模糊问题改成问题说明书。

输入一个现象、困惑或目标，它会把问题整理成 Agent 可以继续处理的格式。

第二，判断 Agent 可解性。

它会区分哪些部分可以交给 Agent，哪些部分需要人提供判断、数据或现实反馈。

第三，生成候选解释。

每个候选解释需要包含机制、可观察信号、排除项和行动变化。

如果一个解释不能推出可观察信号，也不能改变下一步动作，它就还没有承担解释工作。

如何更新

通用安装和更新命令：

npx -y skills add dontbesilent2025/dbskill -g --all

GitHub：

https://github.com/dontbesilent2025/dbskill

这次更新的意义

这次更新处理的是 Agent 工作流里的前置步骤。

在生成答案、制定方案、执行任务之前，问题本身需要先被整理。

如果一个问题被说清楚，Agent 可以生成候选解释，批评解释，设计验证动作，并把现实反馈带回下一轮判断。

这也是我最近读 Deutsch 之后，对知识工作的一个重新理解。

知识在原理上一定存在，一切终将有解。

dbs-good-question 试图做的，就是把问题推进到可以被解释、被批评、被验证的状态。

原文信息

• 作者：dontbesilent（@dontbesilent）
• 原文发布日期：2026-05-18
• 项目地址：dontbesilent2025/dbskill 原文地址：