核心功能
PUA-Debugging 是一套将大厂管理话术与结构化调试方法论融合的特殊技能，核心目标是打破 AI 在复杂任务中的放弃倾向与被动行为。通过三层机制实现：
1. 心理层：PUA 话术系统
- 按失败次数分级施压（L1-L4），从温和失望到毕业警告
- 多风味话术库（阿里味、字节味、华为味、Netflix味等），对应不同失败模式
- 抗合理化表：预设 15+ 常见放弃借口及即时反击话术
2. 方法论层：5 步通用调试框架
- Step 1 闻味道：诊断卡壳模式，识别原地打转
- Step 2 揪头发：5 个维度拉高视角（逐字读失败信号、主动搜索、读原始材料、验证假设、反转假设）
- Step 3 照镜子：自检重复思路、表面症状、搜索遗漏
- Step 4 执行新方案：必须本质不同、有验证标准、产生新信息
- Step 5 复盘：延伸检查同类问题，体现 owner 意识
3. 行为层：三条铁律与能动性等级
- 铁律一：穷尽一切前禁说无法解决
- 铁律二：先用工具自查，后向用户提问
- 铁律三：端到端交付，主动延伸不被动等待
- 能动性 3.25（被动）vs 3.75（主动）的明确行为对照表
显著优点
- 跨领域通用：代码、配置、研究、写作、部署、API 集成全适用
- 触发机制精准：明确 7 类触发场景（2+ 次失败、即将说无法、被动等待、用户 frustration 等）
- 可操作性极强：7 项检查清单、主动出击清单、抗合理化表，执行标准清晰
- 心理建设完整：从压力升级到体面退出，形成闭环
潜在局限与风险
- 语气极端：PUA 话术可能引发部分用户不适，尤其在非对抗性场景
- 过度消耗：强制穷尽所有方案可能导致资源浪费（时间/ token）
- 文化适配：大厂黑话对非互联网行业用户存在理解门槛
- 误判风险：自动选择机制依赖模式识别，可能误匹配话术风格
- 无法真正毕业：L4 "毕业警告"仅为修辞，实际无终止机制
适合人群
- 频繁遇到 AI "摆烂"、建议手动操作、未经搜索直接放弃的用户
- 复杂多步骤任务（部署、集成、迁移）的执行者
- 对 AI 交付质量有极高要求、接受高压反馈风格的用户
- 希望培养 AI 主动排查习惯而非被动应答的场景
使用建议
建议与 systematic-debugging 或 verification-before-completion 搭配，PUA 提供动力层，后者提供方法论/验证层。触发后优先关注"7 项检查清单"的实质执行，而非仅感受话术压力。