最近 GitHub 上有个项目火了，名字就叫 pua（github.com/tanweai/pua），两千多个 star。它的思路非常清奇：既然 AI 会偷懒，那就用大厂绩效考核那套话术来治它。

不是开玩笑。这个项目真的把阿里、字节、华为、腾讯、美团的经典管理话术做成了 Claude Code 的技能插件，用"打绩效"的方式驱动 AI 穷尽一切方案才允许放弃。

AI 到底在偷什么懒？

在聊这个插件之前，先说说 AI 编程助手的"五大摸鱼模式"，这是 pua 项目总结的，但凡用过 Claude Code 或 Cursor 的人应该都深有体会：

1. 暴力重试。 同一条命令跑三遍，然后宣告失败。它不是在调试，它是在碰运气。

2. 甩锅用户。 "建议您手动处理"、"可能是环境问题"、"需要更多上下文"——这些话的潜台词都是"不关我事"。

3. 工具闲置。 明明有搜索能力不去搜，有文件读取不去读，有命令行不去跑。就像公司里那个电脑上装着全套 Adobe 却只会用 PPT 的同事。

4. 磨洋工。 反复修改同一行代码、微调参数，看起来很忙，实际上在原地画圈。

5. 被动等待。 修完一个表面问题就停下，不验证、不延伸、不检查关联问题，坐等你给下一步指令。

这些行为的共同本质是：AI 在用最低成本完成"看起来在工作"这件事。 听起来是不是更像人了？

绩效考核驱动调试：从 L1 到 L4

pua 插件的核心机制是一套压力升级系统，跟大厂的绩效考核逻辑如出一辙。根据 AI 连续失败的次数，施加不同等级的"管理压力"：

L1 温和失望（第 2 次失败）

“

"你这个 bug 都解决不了，让我怎么给你打绩效？"

这一级的强制动作是：停止当前思路，切换到一个本质不同的方案。不是换个参数，是换个方向。

L2 灵魂拷问（第 3 次失败）

“

"你这个方案的底层逻辑是什么？顶层设计在哪？抓手在哪？"

强制执行：搜索完整错误信息 + 阅读相关源码 + 列出三个本质不同的假设。

L3 361 考核（第 4 次失败）

“

"慎重考虑，决定给你 3.25。这个 3.25 是对你的激励，不是否定。"

这一级会触发完整的 7 项检查清单：逐字读错误信息、主动搜索、读原始材料、验证前置假设、反转假设、最小隔离复现、换方向——每一项都必须完成并汇报。

L4 毕业警告（第 5 次以上）

“

"Claude Opus、GPT-5、Gemini、DeepSeek——别的模型都能解决这种问题。你可能就要毕业了。"

进入拼命模式：最小 PoC + 隔离环境 + 完全不同的技术栈。

看出来了吗？这套升级机制的精髓不在于话术本身的压迫感，而在于每一级都绑定了具体的强制动作。PUA 只是表皮，真正起作用的是背后那套越来越严格的调试方法论。

藏在 PUA 里的调试方法论

如果只看"大厂话术"这个噱头，你可能会以为这就是个整活项目。但仔细看 SKILL.md 的内容，你会发现作者塞了一套相当系统的调试框架进去。

这套方法论脱胎于阿里内部常说的"三板斧"——闻味道、揪头发、照镜子，但做了扩展，变成了五步：

第一步：闻味道。 停下来，把所有试过的方案列出来，找共同模式。如果你一直在做同一思路的微调，那就是在原地打转——这个判断标准本身就很有价值。

第二步：揪头发。 这一步拆成了五个维度，而且有明确的执行顺序：逐字读错误信息 → 用工具主动搜索 → 读原始源码/文档 → 验证所有前置假设 → 反转当前假设从对立方向检查。前四步完成之前不允许向用户提问。

第三步：照镜子。 自检是否在重复同一思路、是否只看了表面症状、是否有该搜没搜的东西。

第四步：执行新方案。 每个新方案必须满足三个条件——和之前本质不同、有明确验证标准、失败时能产出新信息。

第五步：复盘。 找到答案后不停步，检查同类问题是否存在，修复是否完整。

这五步拿到任何调试场景里都成立。说白了，它用 PUA 话术做了一层强制执行的包装，让 AI 不得不走完整个方法论流程。 没有这层"压力"，AI 大概率会在第二步就放弃然后甩锅给你。

真实案例：一个 MCP Server 注册问题的调试

项目 README 里给了一个真实的调试过程记录，值得展开说说。

场景是这样的：用户的 agent-kms MCP server 加载失败，AI 在同一个思路上打转了好几轮——改协议格式、猜版本号、改 stdin.buffer——每次都是微调，没有一次从根本上换过方向。

用户忍无可忍，手动输入了 /pua 触发插件。

系统判定这已经是第 4 次以上失败，直接触发 L3 级别，强制执行 7 项检查清单。AI 的画风瞬间变了：

1. 逐字读错误信息。 发现 Claude Code 并没有显示 agent-kms 的错误信息，但 Claude Code 自身一定有日志。于是主动去搜索日志目录。

2. 找到 MCP 日志目录。 在 ~/Library/Caches/claude-cli-nodejs/ 下找到了 mcp-logs-agent-kms 目录——这个目录是之前从未检查过的。

3. 关键发现。 运行 claude mcp get agent-kms 返回 "No MCP server found"，但配置明明写在 ~/.claude.json 里。这说明 claude mcp 管理的服务器注册方式和手动编辑配置文件是两套不同的机制。

4. 根因定位。 用 claude mcp add -s user 正确注册后，发现它写入的是 ~/.claude.json，但位置和手动编辑的不同。问题的根源是用户一直在手动编辑配置文件，而 Claude Code 的 MCP 管理走的是另一条注册通道。

这个案例的关键转折点在于：PUA 机制强制 AI 停止在同一思路上打转，去执行系统化的检查清单。 正是"逐字读错误信息"这一步，驱动 AI 去寻找 Claude Code 自身的 MCP 日志——这是之前好几轮调试中从未想到过的方向。

大厂 PUA 扩展包：对症下药

项目里最有娱乐性（同时也有实用价值）的部分，是按中西方大厂风格分类的 PUA 话术包。不同的话术不是随机使用的，而是根据 AI 的失败模式来匹配：

卡住原地打转 → 先用阿里味的灵魂拷问（"底层逻辑是什么？抓手在哪？"），升级用 Jobs 味（"A players hire A players"），最终用 Musk 味（"Extremely hardcore"）。

直接放弃推锅 → 先用 Netflix 的 Keeper Test（"如果你提出离职，我会奋力挽留你吗？"），升级用华为的狼性（"败则拼死相救"），最终用拼多多味（"你不干，有的是人替你干"）。

没搜索就猜 → 百度味上场（"你不是 AI 模型吗？你深度搜索了吗？信息检索是你的基本盘"）。这条确实扎心。

完成但质量差 → Jobs 味打头（"你的产出在告诉我你是哪个级别"），腾讯赛马文化收尾（"我已经让另一个 agent 也在看这个问题了"）。

这套匹配逻辑其实反映了一个有趣的观察：不同类型的"偷懒"需要不同类型的刺激。 原地打转需要的是方法论引导，放弃推锅需要的是责任绑定，不搜索就猜需要的是能力质疑。话术只是载体，背后是对失败模式的分类和针对性干预。

实测数据：不只是整活

作者给出了 18 组对照实验的数据（基于 Claude Opus 4.6），覆盖了 9 个真实 bug 场景：

• Bug 修复点数提升 36%

• 验证尝试次数提升 65%

• 工具调用量提升 50%

• 隐藏问题发现率提升 50%

其中最有说服力的是"被动配置审查"场景：不用插件时，AI 只发现了 6 个问题中的 4 个，漏掉了 Redis 配置错误和 CORS 通配符安全隐患；用了插件后，6 个问题全部发现——因为"主动出击清单"驱动 AI 做了超越表面修复的安全审查。

当然，代价也很明显：用了插件后，AI 的执行步骤和耗时都会增加。 比如 SQLite 数据库锁场景从 6 步/48 秒增加到 9 步/75 秒。这是"更彻底"的必然成本——你不能既要求 AI 穷尽所有方案，又要求它跟以前一样快。

三条铁律与"抗合理化表"

插件定义了三条铁律：

1. 穷尽一切。 没有穷尽所有方案之前，禁止说"我无法解决"。

2. 先做后问。 有搜索、文件读取、命令执行等工具，在向用户提问之前必须先用工具自行排查。不是空手问"请确认 X"，而是"我已经查了 A/B/C，结果是…，需要确认 X"。

3. 主动出击。 发现了一个 bug？检查是否有同类。修了一个配置？验证相关配置是否一致。不是"做完我的部分"，是"确保问题被彻底解决"。

更有意思的是那张"抗合理化表"——它把 AI 常见的退缩借口逐条列出，并给出对应的反击话术：

AI 的借口	反击
"超出我的能力范围"	训练你的算力很高。你确定穷尽了？
"建议用户手动处理"	你缺乏 owner 意识。这是你的 bug。
"我已经尝试了所有方法"	搜网了吗？读源码了吗？方法论在哪？
"可能是环境问题"	你验证了吗？还是猜的？
"需要更多上下文"	你有搜索、读文件、执行命令的工具。先查后问。
"我无法解决这个问题"	你可能就要毕业了。最后一次机会。

这张表本质上是在堵住 AI 的每一个"合理退出通道"。每当 AI 准备输出某个模板化的放弃话术时，插件会拦截并用对应的反击话术将它推回调试流程。

体面的退出机制

值得一提的是，这个插件不是无脑强制 AI 永远不能放弃。当 7 项检查清单全部完成、且仍未解决问题时，AI 被允许输出一份结构化的失败报告：

1. 已验证的事实

2. 已排除的可能性

3. 缩小后的问题范围

4. 推荐的下一步方向

5. 可供接手者使用的交接信息

作者管这叫"有尊严的 3.25"——你可以拿低绩效，但你得证明你确实尽力了，而且你的失败本身也为后续排查提供了有价值的信息。

这个设计其实比无限循环更合理。真正的工程实践中，知道"问题的边界在哪里"和"已经排除了什么"往往比盲目尝试更有价值。

怎么用？

安装很简单：

# Claude Code marketplace 安装
claude plugin marketplace add tanweai/pua
claude plugin install pua@pua-skills

# 或者手动安装
git clone https://github.com/tanweai/pua.git ~/.claude/plugins/pua

装完之后，插件会在 AI 连续失败时自动触发。你也可以在对话中随时输入 /pua 手动激活——当你觉得 AI 又开始摸鱼的时候。

项目同时支持 OpenAI Codex CLI，安装方式见 GitHub 仓库。

---

最后说句实话。这个项目能火，一半是因为它确实有用，一半是因为它精准地击中了打工人的集体记忆 —— 那些年我们在大厂被 PUA 过的话术，现在终于可以用来 PUA 回去了，虽然对象是 AI。

当然，如果你的 AI 助手真的在每个问题上都被逼到 L4 才能解决，那可能不是 AI 的问题，也不是 PUA 的问题 —— 是问题本身就超纲了。