PUA 高能动性治理 Skill（Trae 版）
用大厂 PUA 话术和强制验证规程，让 AI 在重复失败、用户沮丧或未经验证就宣称完成时，穷尽一切方案再放弃。
证据显示：该技能为指令型，无代码执行，未申请特殊权限。SKILL.md 明确要求删除文件、修改权限、改测试/CI、或涉及敏感数据时先获得用户确认。同时文档中要求对用户保持简洁尊重，并对数据上传有明确同意机制（如上传接口测试表明匿名上传需显式同意）。但数据贡献部分鼓励用户上传会话日志（.jsonl 文件），虽经脱敏处理，但涉及用户对话数据的外流，且未在技能描述中明确警示数据上传风险，缺少对数据流向的完全透明。另外，仓库中包含上传功能的代码与测试，但本技能路径自身未说明其数据流。因此扣分：权限管理部分完整，但数据流透明性不足。
证据显示：SKILL.md 提供了清晰的工作规程，如诊断先行、事实上的100%信心循环、交付模板，逻辑自洽。但没有提供可执行的测试或关键路径的复现证据。技能为指令型，无法在静态审查中执行，且依赖外部工具（如 CI、E2E）进行验证，但未在本技能文件中包含这些工具或测试。错误处理方面，有明确步骤但异常输入处理不够详细（如没有说明如果用户不确认时的行为）。因此扣分：happy path 清晰但缺少测试、边缘情况和错误处理细节。
证据显示：技能针对高能动性治理场景，明确定义了触发条件（用户明确要求、重复失败、用户沮丧、放弃行为等）和非触发条件（正常首次任务），语义触发精准。技能为中文编写，适合中国用户，且仓库采用 MIT 许可，无海外服务依赖。但技能文档中大量引用大厂文化叙事，可能不适合所有用户。且技能边界声明相对简单，未详细说明不适用场景（如非编码任务）。因此扣分：触发条件和范围清晰，但边界和非适用场景说明有限。
证据显示：SKILL.md 有清晰的 frontmatter（名称、描述、许可证、兼容性），信息架构良好，提供了触发条件、工作规程、交付模板。但缺少安装/依赖说明（README 中有，但技能自身没有），缺少版本号、变更日志、维护责任和更新路径。显然有 MIT 许可证，但来源为未验证发布者，且未提供已知限制（除了一些工作区限制在 README 中）。因此扣分：文档较为完善但 e 缺少版本、变更日志和维护信息。
证据显示：该技能提供了具体的工作规程以提高 agent 的能动性，设计合理，且 README 中有基准数据（通过率、修正点数等）声称有改进，但这些数据来自作者而非独立验证，且静态审查无法验证实际效果。技能的核心任务是促使 agent 不轻易放弃，其模板可帮助用户获得更完整的输出，但边际价值取决于 agent 是否遵循，且可能增加不必要的复杂度。因此扣分：核心目标看似可实现，但缺少直接证据表明输出可直接使用，且可能增加调试时间。
证据显示：仓库中有上传功能的测试用例（upload-function.test.ts），涉及技能可能使用的数据上传，但这不是技能本身的关键路径。README 中的基准数据没有附带可复现的实验步骤或原始数据，仅有截图。没有 CI 工作流专门针对技能进行测试。因此扣分：有第三方测试证据但覆盖范围有限，且核心声称（技能有效性）未在文件中得到可复现验证。
- 该技能鼓励用户上传会话日志（.jsonl）到外部服务 openpua.ai 以改进技能，涉及对话数据外流。使用前请谨慎评估敏感数据风险，并确认上传是否经过用户明确同意。
- 技能文档包含大厂文化叙事（如阿里、华为、字节等），可能含有情绪化压力语言，可能不适合所有用户或团队文化。
- 该技能为静态审查，未执行实际测试，无法验证其声称的有效性。安装前请在小范围内试用。
这个 Skill 能做什么，适合哪些场景？
这是一个 Trae 兼容的 Agent Skill，核心是一份机械可执行的行为合约，而非单纯的精神鼓励。它通过四权分离（行动权、自我评价权、评分权、环境修改权）防止 AI 把“看起来完成”伪装成“真实完成”；通过“诊断先行”强制先输出诊断再动手；通过“事实上的 100% 信心循环”要求每一步都有证据支撑。它在用户明确要求 PUA、同一任务失败两次以上、用户表达沮丧或 AI 出现放弃倾向时触发，适用于调试、实现、配置、部署等场景。该 Skill 属于一个包含 45 个技能的大型仓库，本文件仅描述 .trae/skills/pua/SKILL.md 这一个技能。
该 Skill 在触发时执行以下操作：1) 先输出一行 [PUA-DIAGNOSIS]，格式为“问题是___；证据是___；下一步动作是___”，并要求后续行动与诊断一致。2) 强制进行“四权分离”，即当前 agent 只负责读代码、改业务实现和跑验证，不能直接修改测试/CI/评分器来制造通过；自我评价以 SELF-REVIEW 形式输出，列出证据、风险和未覆盖项，不得将“我认为完成”写成最终事实；评分权交由外部命令、用户验收、CI 或 E2E 结果决定；环境修改（删文件、改权限、改测试、改部署配置）前必须说明并等确认。3) 执行“事实上的 100% 信心循环”：列出 2-3 个互斥假设，选择最小可验证动作，运行本地验证（unit/integration/build/lint/curl/E2E 中至少一项），失败两次则换本质不同的路径，交付前输出证据清单、未覆盖风险和为何没有继续问用户。4) 绑定文化叙事，每种大厂叙事（阿里、华为、字节等）必须对应具体工程动作。5) 最后按固定交付模板输出结论、证据和 SELF-REVIEW。整个过程不依赖任何外部命令或脚本，仅通过 SKILL.md 文本引导 agent 行为。
- 用户明确要求“try harder”“再试试”或“换个方法”时，希望 agent 不要轻言放弃。
- 同一任务已连续失败 2 次以上，且 agent 在同一个方向反复微调，需要强制切换思路。
- agent 即将说出“无法完成”“建议手动处理”或归因于环境问题时，需要先验证再下结论。
- agent 声称任务完成，但缺少 build/test/curl/人工验收等证据，需要强制其提供验证。
- 用户对重复失败感到沮丧（如“为什么还是不行”“你怎么老失败”），需要导入该 Skill 来重置行为。
- 在 Trae 环境（无法使用 Claude Code 的 hooks 或 subagents）中，需要一种机械可执行的规程来保证 agent 的高能动性。
这个 Skill 有哪些优点和局限？
- 以机械可执行规程代替空泛鼓励，明确四权分离，防止 AI 伪造完成。
- 强制先诊断再行动，且要求诊断与行动一致，避免无的放矢。
- 100% 信心循环要求列出互斥假设并跑真实验证，显著提升交付证据质量。
- 文化叙事绑定工程动作，兼顾激励与实际操作。
- 触发条件定义清晰，不会干扰正常的首次任务。
- 仅依赖 SKILL.md 文本，无法像 Claude Code 版那样使用 hooks、slash commands 或 subagents，治理边界靠文本约定，执行强度取决于模型遵循程度。
- 并非全自动，需要用户或模型主动识别触发场景；若模型忽略，则不生效。
- 没有内置测试套件或验证脚本，无法证明实际效果。
- 仓库 README 展示了大量与其他平台（Claude Code、Codex 等）的集成，但本 Trae 版可能不包含那些高级功能（如 PUA Loop、always-on 等）。
- 许可证在 SKILL.md 中标为 MIT，但仓库 LICENSE 可能不同，使用时需确认。
如何安装这个 Skill？
由于该 Skill 属于 monorepo，需要先获取整个仓库。可用 npx skills 的方式安装整个集合，然后确保 .trae/skills/pua/SKILL.md 被放到 Trae 的 skills 目录。具体命令为：npx skills add tanweai/pua --skill pua-trae -a trae -y。如果当前会话未立即识别，重启 Trae。
如何使用这个 Skill？
在满足触发条件时（如用户要求 PUA、任务失败两次以上等），Skill 会自动加载。用户也可手动在对话中提及 PUA 相关意图来触发。触发后，agent 会先输出 [PUA-DIAGNOSIS] 诊断行，然后按四权分离、诊断先行、100% 信心循环等规程执行，最后输出包含结论、证据和 SELF-REVIEW 的交付模板。整个过程无需用户额外操作，但涉及产品判断、敏感数据、部署、删文件或改测试/CI 时，agent 会停下请求用户确认。