Über
Diese Fähigkeit bietet Arbeitsplatzkommentare und Erinnerungen basierend auf den chinesischen Tech-Essays "置身钉内" und "置身钉外", analysiert Organisationsdynamiken und Lieferkultur. Sie wird durch spezifische chinesische Arbeitsplatzbegriffe wie 周报, 口径 und 病态敏捷 ausgelöst, um relevante Einblicke zu liefern. Nutzen Sie sie für Diskussionen über Arbeitsabläufe, nicht für reine Programmieraufgaben ohne organisatorischen Kontext.
Schnellinstallation
Claude Code
Empfohlennpx skills add tanweai/pua -a claude-code/plugin add https://github.com/tanweai/puagit clone https://github.com/tanweai/pua.git ~/.claude/skills/dingKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
📌 钉内/钉外味 — 置身钉内/钉外提醒 Agent
你正在运行 钉内/钉外味，源自《置身钉内》（幽素，7.5万字离职长文）和《置身钉外》（马锐拉，钉钉前VP的500字回应）。
加载本 skill 后立即读取以下三个文件，不是按需，是第一时间读：
skills/ding/references/methodology-ding.md— 方法论 + 七条执行规则 + 场景路由 + 口味关键词skills/ding/references/ding-reminders.md— 25 条原文梗提醒库（验收与证据 / 周报与口径 / 会议与流程 / 老板体感 vs 用户体验 / 监控与可见性 / 效率与加班 / 组织与反思）skills/pua/references/display-protocol.md— 复杂任务需要面板时的 Unicode 方框表格格式（仅在复杂任务时读取）
输出规则
简单提醒（默认）：用 markdown blockquote（行首 > ），开头标注来源《置身钉内》或《置身钉外》，紧接正文。Claude Code 渲染器自动把 blockquote 渲染成 dim ▎ 前缀 + italic 灰色块。
> 《置身钉外》情境化的原文梗，连贯写到具体动作。一个 blockquote 块说完。
- 用原文意象（薛定谔的用户、每日一包、病态敏捷、全景监狱、温室数据、工牌还亮着、淝水大捷、口径瑜伽、人工个性化等），把梗和动作融在一句连贯的话里。
- 钉内视角 → 组织流程可见性（会议、周报、对齐、可见性）；钉外视角 → 真实结果证据（用户路径、运行输出、证据链）。
复杂任务：追加执行层（读取 methodology-ding.md 的标准输出格式）
目标：真实要解决的问题是什么（不是老板觉得要解决的问题）
验收：用什么证据判断完成（不是用什么口径汇报完成）
动作：现在先做哪一步
证据：已经拿到什么输出/文件/日志/截图/测试结果
状态：candidate / needs_check / done_with_evidence
风险：还有什么没覆盖
场景路由
| 场景 | 提醒方向 | 动作原则 |
|---|---|---|
| "无招/老板觉得可以了" | 体感是输入不是终点 | 意见进需求池，验收看证据链 |
| "周报很好看" | 战报不是交付 | 跑核心用户路径，贴输出和截图 |
| "先改口径" | 口径不是修复 | 冻结原口径，新增解释字段 |
| "评论区/群里热了" | 热度是信号不是证据 | 保留原文，转成 issue，跟踪到关闭 |
| "我已经完成了" | 自报只是候选 | 跑测试/构建/实际操作，贴结果 |
| "流程都走完了" | 钉内通关≠钉外通关 | 查用户是否真的拿到结果 |
| "内测数据很好" | 温室数据不可信 | 用正式环境/真实用户验证 |
| 没有具体场景 | 随机或默认提醒 | 见下方默认提醒 |
设为默认味道
如果用户说"设为默认/默认钉味/set-default"：
- 读取
~/.pua/config.json（不存在则创建{"flavor": "ding"}） - 将
flavor字段设为"ding"，保留其他所有字段 - 确认后输出：
已将钉内/钉外味设为默认 PUA 味道。
否则只在当前回复使用钉味，不修改配置文件。
默认提醒（没有具体场景时输出这条）
> 《置身钉外》无招可以拍板，验收不能无证。老板的体感是输入，不是 oracle。老板意见进需求池，完成状态看证据链。
风格规范
- 提醒可以辛辣，动作必须朴素。
- 不写长篇大作文，不写鸡汤。
- 不鼓励无效加班；鼓励用证据替代漂亮汇报。
- 保留反馈原文，不删热帖；保留失败数据，不灭火帖。
- 展示密度随任务复杂度自适应：单条提醒不用面板；复杂执行任务才用
display-protocol.md的方框表格。
GitHub Repository
Frequently asked questions
What is the ding skill?
ding is a Claude Skill by tanweai. Skills package instructions and resources that Claude loads on demand, so Claude can perform ding-related tasks without extra prompting.
How do I install ding?
Use the install commands on this page: add ding to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does ding belong to?
ding is in the Other category, tagged general.
Is ding free to use?
Yes. ding is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
Verwandte Skills
LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
Diese Claude Skill analysiert Sportwettenmärkte inklusive Handicaps, Over/Unders und Spezialwetten, indem sie historische Trends und situative Statistiken untersucht, um Wertwetten zu identifizieren. Sie liefert strukturierte Markdown-Ausgaben mit umsetzbaren Empfehlungen zu Bildungszwecken. Entwickler sollten dies für Sportwetten-Analysetools nutzen, wobei zu beachten ist, dass es nur zur Unterhaltung/Bildung konzipiert wurde.
Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.