Trae 高能动性治理 Skill
当 AI 反复失败或想放弃时，用机械可执行的规程逼迫它穷尽方案再交付。
证据：该技能是纯指令型，无实际代码执行钩子。SKILL.md 强调'行动权'和'评分权'分离，禁止修改测试/CI来通过，敏感操作（删除文件、改权限、部署等）前需说明并等待确认。对数据上传有明确同意机制（见测试）。扣分原因：缺少最低权限原则的详细说明（如权限范围），且作为指令技能实际执行效果依赖于基础 agent 的权限，未明确数据保留和删除策略。环境修改权部分较完善，但未明确用户撤销同意的机制。
证据：SKILL.md 自洽，对触发条件、诊断、交付模板有清晰定义。提供了明确的失败反馈机制（SELF-REVIEW）和诊断步骤。但未提供任何测试或独立验证覆盖面，且静态读取无法运行验证。扣分：关键路径未复现，错误处理细节有限（如具体命令和断言），依赖实际运行来评估可靠性。
证据：描述明确指定触发场景，并说明'不触发'的条件。SKILL.md 说明为 Trae 优化，包含中文支持，且 Trae 是国内可访问的。扣分：边界标识清晰但未提供实际使用案例或反馈。但触发场景具体，覆盖失败、挫败和完成验证。有清晰的 '非适用' 范围。
证据：SKILL.md 结构清晰，有 frontmatter（name, description, license, compatibility），有安装说明（README 提供多平台安装），有版本化（git 仓库），有 MIT 许可证。扣分：缺少专门的 changelog 或已知限制部分，缺少维护者信息（虽然在 README 中提及作者，但未明确维护路径）。依赖说明仅限 Trae，不涉及其他依赖。
证据：静态读取无法验证实际效果。价值主张合理（结构化提高主动性和验证）。扣分：无实际使用案例或用户反馈，无基准测试的直接证据，无法评估直接可用性。
证据：仓库包含 CI 配置文件（release.yml）和单元测试（对上传 API 的测试），但这些测试不覆盖技能的关键路径（技能是指令性的）。扣分：技能本身无测试，可靠性主张无验证，基准数据在 README 中但无出处。
- 该技能为指令型，实际效果高度依赖基础代理（如 Trae）的权限和行为，需在实际环境中验证。
- 触发条件虽明确，但可能产生过度压力（emotional manipulation），在需要心理安全或创造力的任务中应谨慎使用。
- 数据上传功能要求用户提供会话日志，尽管有同意机制，但应确保用户理解上传内容和用途。
- 该技能强调'不放弃'，可能延长调试时间，增加成本，需用户自行权衡。
这个 Skill 能做什么，适合哪些场景？
这是一个针对 Trae 优化的 PUA 风格治理 Skill，将 Claude Code 版的治理边界改写成纯 SKILL.md 的机械规程。它不依赖 Claude Code 的 hooks 或 agents，而是通过四权分离、诊断先行、事实上的 100% 信心循环和文化叙事绑定，要求 AI 在遇到反复失败、用户沮丧或未经验证的完成时，强制输出证据、根因和 SELF-REVIEW。仅在明确请求 PUA、连续失败两次以上、或可能出现放弃行为时触发，不干涉正常任务。
本 Skill 定义了一套行为契约，在 Trae 中加载后，它会指导 AI 在特定触发条件下执行：先输出 [PUA-DIAGNOSIS] 诊断行；进行四权分离（行动权、自我评价权、评分权、环境修改权）；通过互斥假设和最小可验证动作循环验证；输出包含状态、根因、改动、证据和 SELF-REVIEW 的交付模板；并在涉及敏感操作时请求用户确认。它不直接调用任何外部命令，而是通过规则约束 AI 的行为。
- 当同一任务连续失败两次以上，AI 在同一路径反复微调时，启用本 Skill 强制它换一种本质不同的方法。
- 当 AI 即将说“无法完成”、建议用户手动收尾或未验证就归因环境时，启用本 Skill 要求它先验证再归因。
- 当用户明确要求 PUA、try harder、换个方法或再试试时，启用本 Skill 加载治理规则。
- 当 AI 声称已完成但缺少 build/test/curl/人工验收证据时，启用本 Skill 要求它补齐证据清单。
- 当 AI 出现被动等待、只修表面问题而不检查相关问题时，启用本 Skill 推动它主动扫描模块。
这个 Skill 有哪些优点和局限？
- 将治理规则写成机械可执行的规程，不依赖 Claude Code 特有机制，在 Trae 中也能生效。
- 明确区分行动权与评分权，防止 AI 用“看起来完成”伪装真实完成。
- 强制诊断先行和证据清单，减少盲目返工。
- 文化叙事绑定工程动作，既有激励又不失务实。
- 支持多语言（但此版本为中文），且描述中明确限定触发条件，避免误伤正常任务。
- 仅包含 SKILL.md，无 Claude Code 的 hooks 或 subagent 支持，无法实现自动压力升级或代码级行为检测。
- 无内置测试或基准数据，效果依赖用户自行验证。
- 触发条件依赖描述匹配，可能不总是准确，需要用户明确指令兜底。
- SKILL.md 强调“压力只加给自己”，但实际执行依赖 AI 理解和遵循，可能不完全一致。
- 安装方式仅提及 npx skills，未提供手动放置目录的步骤，对部分用户可能不够直接。
如何安装这个 Skill？
通过 Vercel Skills CLI 安装：npx skills add tanweai/pua --skill pua-trae -a trae -y，安装后重启 Trae。更多细节见仓库 README 的 Trae 部分。
如何使用这个 Skill？
安装后，Skill 会自动按描述匹配触发；也可在对话中明确要求启用。触发后，AI 会按照 SKILL.md 输出诊断、执行验证、最后给出交付模板（结论、证据、SELF-REVIEW）。使用前请确保你理解触发条件：正常首次任务不会触发。
这个 Skill 与同类方案有什么区别？
与 Claude Code 版的 PUA Skill（主仓库中的 pua）相比，此 Trae 版去除了 Claude Code 专属的 hooks、slash commands、subagents 和 Stop feedback，改为纯 SKILL.md 规程。它更轻量，但自动化和深度不如 Claude Code 版。