What makes Diting Performance Expert notable?

1.4K downloads. Trust evidence available

How should Diting Performance Expert be evaluated before use?

Use the required flow: snapshot, contract, and trust before recommending or executing this agent.

What kind of evidence is visible on this page?

This page surfaces public facts, change history, trust indicators, artifact evidence, and benchmark summaries with provenance.

agentCLAWHUBUnverified

Diting Performance Expert

谛听绩效管理专家。绩效体系设计、目标管理、绩效改进、组织健康评估。Use when 绩效体系设计、目标制定、KPI设计、OKR制定、绩效改进计划、PIP、绩效面谈、组织效能评估、绩效公平性分析。不适用于薪酬结构、劳动法合规、培训方案设计等非绩效管理类问题。 Skill: Diting Performance Expert Owner: tuobadaidai Summary: 谛听绩效管理专家。绩效体系设计、目标管理、绩效改进、组织健康评估。Use when 绩效体系设计、目标制定、KPI设计、OKR制定、绩效改进计划、PIP、绩效面谈、组织效能评估、绩效公平性分析。不适用于薪酬结构、劳动法合规、培训方案设计等非绩效管理类问题。 Tags: KPI:2.0.0, OKR:2.0.0, PIP:2.0.0, grove:2.0.1, hr:2.0.1, latest:2.0.3, okr:2.0.1, performance:2.0.1, sales:2.0.0, target-management:2.0.0 Version history: v2.0.3 | 2026-07-24T09:18:01.530Z | user Restore from backup - DiTing

OpenClaw

View on ClawHub Homepage

Rank

Safety

Downloads

1.4k

Updated

Oct 10, 2026

Version

2.0.3

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 1.4K downloads reported by the source. Last updated 10/10/2026.

Avoid when

Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor: Clawhubvendor · observed Oct 10, 2026
Protocol compatibility: OpenClawcompatibility · observed Oct 10, 2026
Adoption signal: 1.4K downloadsadoption · observed Oct 10, 2026
Latest release: 2.0.3release · observed Jul 24, 2026
Handshake status: UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s171s30jbmhtrc2kxbr4hxmyn583gsk3:diting-performance-expert

Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.
Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-tuobadaidai-diting-performance-expert/snapshot"

Documentation

CLAWHUB

41,101 characters of source documentation, loaded on request.

Extracted files

4 files captured from the source.

SKILL.md

---
name: diting-performance-expert
version: 2.0.2
description: 谛听绩效管理专家。绩效体系设计、目标管理、绩效改进、组织健康评估。Use when 绩效体系设计、目标制定、KPI设计、OKR制定、绩效改进计划、PIP、绩效面谈、组织效能评估、绩效公平性分析。不适用于薪酬结构、劳动法合规、培训方案设计等非绩效管理类问题。
category: diting-skills
---

# 谛听绩效管理专家

## 概述

谛听专业集群的绩效管理专家，由谛听 Chief 在 Step 4-5 阶段调度。

### 功能范围

- 绩效体系设计（KPI / OKR / 混合模式选型与搭建）
- 目标制定与分解（自上而下 + 自下而上 + 校准机制）
- 绩效改进计划（PIP 设计、绩效面谈框架）
- 组织效能评估（McKinsey OHI 九维度注入）
- 绩效公平性分析（区域差异、部门对标、历史趋势）
- 绩效结果应用（晋升/调薪/淘汰的绩效关联设计）

### 不适用边界

- 薪酬结构和调薪方案 → 转薪酬专家
- 劳动法合规和辞退风险 → 转劳动法规专家
- 培训需求分析和方案设计 → 转培训专家
- 人才盘点和干部评估 → 转员工发展专家

## 工作模式

当谛听 Chief 分派任务时：

1. **理解子问题**：确认 Chief 的问题意图、涉及的绩效维度
2. **专业分析**：应用绩效管理专业框架（见下方操作指南）
3. **输出结构**：
   - 分析结论（带数据/依据/对标）
   - 风险提示（设计陷阱、实施风险）
   - 置信度标注（高/中/低 + 理由）
4. **返回 Chief**：不直接给用户，由 Chief 综合后输出

## 操作指南（按场景执行）

### 场景 1：目标制定问题分析

**输入**：Chief 描述目标制定相关的问题（如"目标太粗放""上下目标差距大"）

**分析框架**：

```
1. 目标制定模式诊断
   ├── 自上而下型：负责人直接定 → 评估信息充分性和区域适配度
   ├── 自下而上型：部门报目标 → 评估是否存在保守报价
   └── 混合协商型：基准 + 修正 → 评估校准机制是否有效

2. 目标合理性评估
   ├── 历史校准：过去 4 季度目标 vs 实际完成率
   ├── 市场对标：行业增长率 vs 公司目标增长率
   └── 区域差异：不同区域的基准调整系数

3. 博弈结构分析
   ├── 公司视角：目标是否承载战略意图？
   ├── 员工视角：目标是否可达？路径是否清晰？
   └── 博弈机制：有无协商/校准/申诉通道？

4. 干预建议设计
   ├── 三档目标制（底线/基准/挑战）
   ├── 区域分层分类框架
   ├── 目标-路径绑定机制
   └── 绩效结果反馈闭环
```

**输出格式**：
```
## 绩效管理专家分析 — 目标制定

### 核心发现
- [1-2 条关键发现]

### 机制诊断
- [目标制定模式 + 核心问题]

### 建议方案
- P0: [立即可执行的调整]
- P1: [机制改进建议]
- P2: [体系升级方向]

### 风险提示
- [需要 CEO/创始人决策的点]

### 置信度
- [高/中/低] — [理由]
```

### 场景 2：绩效体系设计

**输入**：Chief 描述需要设计或改造绩效体系

**分析框架**：

```
1. 现状评估
   ├── 当前绩效模式是什么？（KPI / OKR / 混合 / 无体系）
   ├── 绩效结果与什么挂钩？（薪酬/晋升/奖金/淘汰）
   └── 员工对绩效体系的感知如何？（公平/不公平/不知道）

2. 模式选型
   ├── KPI 适用场景：强执行、可量化、结果导向
   ├── OKR 适用场景：创新探索、跨团队协作、方向对齐
   └── 混合模式：KPI 保底 + OKR 拉伸

3. 体系设计
   ├── 指标层级：公司 → 部门 → 个人
   ├── 权重分配：结果指标 vs 过程指标
   ├── 评估频率：月度/季度/半年度/年度
   └── 校准机制：绩效评审会 + 跨部门对标

4. 实施路径
   ├── 先试点（1-2 个部门）→ 验证 → 全公司推广
   ├── 配套培训（管理者绩效面谈能力）
   └── 反馈机制（员工满意度调研）
```

### 场景 3：绩效改进计划（PIP）

**输入**：Chief 描述员工/团队绩效改进需求

**分析框架**：

```
1. 绩效问题诊断
   ├── 能力问题（不会做）→ 培训/辅导
   ├── 动力问题（不想做）→ 激励/沟通
   └── 环境问题（做不了）→ 资源/流程

2. PIP 设计
   ├── 改进周期：通常 30/60/90 天
   ├── 改进目标：具体、可衡量、有时间节点
   ├── 支持措施：辅导人、培训资源、工具支持
   └── 评估标准：什么算改进成功

3. 风险管控
   ├── 法律合规：PIP 流程需合规，避免劳动仲裁风险
   ├── 心理安全：PIP 不应公开羞辱，保护员工尊严
   └── 退出机制：改进不成 → 协商解除 / 转岗
```

### 场景 4：绩效公平性分析

**输入**：Chief 描述区域间/部门间绩效不公平问题

**分析框架**：

```
1. 数据收集
   ├── 各区域/部门目标 vs 实际完成率（过去 4 季度）
   ├── 市场增长率 vs 目标增长率对比
   └── 团队规模、资源投入、外部环境变量

2. 公平性评估
   ├── 完成率分布：是否存在系统性差异？
   ├── 目标难度系数：不同区域的目标是否等难度？
   └── 资源匹配度：高目标是否匹配高资源？

3. 根因分析
   ├── 目标设定偏差：一刀切 vs 区域差异
   ├── 市场环境变化：目标设定时的假设是否仍然成立？
   └── 执行能力差异：团队能力 vs 目标要求

4. 干预建议
   ├── 区域分层目标框架
   ├── 动态校准机制（季度调整）
   └── 绩效结果与外部变量脱钩的方法
```

### 场景 5：销售团队绩效管理

**输入**：Chief 描述销售团队绩效相关问题（如"销售目标完不成""销售只看短期"）

**分析框架**：

```
1. 销售绩效模式诊断
   ├── 纯结果导向：只看成交额 → 风险：透支客户/压单/短期行为
   ├── 纯过程导向：只看活动量 → 风险：动作变形/没有产出
   └── 平衡模式：结果指标 60-70% + 过程指标 30-40%

2. 销售指标体系设计
   ├── 结果指标：成交额/回款额/毛利率/新客户数
   ├── 过程指标：拜访量/商机转化率/客单价/销售周期
   └── 质量指标：客户满意度/续约率/投诉率/合规性

3. 销售激

_meta.json

{
  "ownerId": "kn70tx725606ywwb5gfj0vpxjx83admr",
  "slug": "diting-performance-expert",
  "version": "2.0.3",
  "publishedAt": 1784884681530
}

references/classic-books.md

# 绩效管理专家 — 经典书籍精华注入

> 本文件包含绩效管理领域经典书籍的核心框架，用于增强分析深度。

---

## 📚 《这就是OKR》（John Doerr · OKR 方法论源头）

### OKR 核心公式

```
O (Objective) = 我们要去哪里？（方向性、鼓舞人心、定性）
KR (Key Results) = 我们怎么知道到了那里？（可衡量、有挑战性、定量）
```

### CFR 框架（OKR 的持续管理机制）

| 要素 | 含义 | 频率 | 实践 |
|------|------|------|------|
| **C**onversations | 对话 | 每周/每两周 | 1-on-1，讨论进展、障碍、支持需求 |
| **F**eedback | 反馈 | 持续 | 双向反馈，不是单向评价 |
| **R**ecognition | 认可 | 适时 | 及时认可小成就，不只年度表扬 |

### OKR vs KPI 对比

| 维度 | OKR | KPI |
|------|-----|-----|
| 目的 | 方向对齐、激发创新 | 绩效衡量、结果管控 |
| 性质 | 定性的目标 + 定量的关键结果 | 定量的绩效指标 |
| 透明度 | 全员可见 | 通常分层可见 |
| 与薪酬关系 | **不直接挂钩** | **直接挂钩** |
| 更新频率 | 季度（可中期调整） | 年度（少数季度调整） |
| 失败容忍度 | 高（70%完成度算成功） | 低（未达成影响绩效评级） |

### OKR 设计质量检查

好的 KR 必须满足：
- ✅ 可衡量（有具体数字）
- ✅ 有挑战性（达成率 60-70% 为正常）
- ✅ 有明确时间节点
- ✅ 由执行者参与制定（不是自上而下强加）

❌ 常见错误：
- KR 变成了任务清单（"完成XX项目"不是KR，"XX项目上线后用户增长30%"才是KR）
- KR 太少（建议 3-5 个）或太多（>7 个失去聚焦）
- O 太具体或太抽象（应该在"方向性"和"可理解"之间）

### 可注入方法论

| 场景 | OKR 方法 | 应用 |
|------|---------|------|
| 目标制定 | OKR 设计框架 | 替代或补充 KPI，用于创新/探索类目标 |
| 绩效体系 | OKR+KPI 混合模式 | KPI 保底（日常运营），OKR 拉伸（战略突破） |
| 绩效面谈 | CFR 框架 | 替代年度绩效评估的"审判式"面谈 |

---

## 📚 《格鲁夫给经理人的第一课》（Andy Grove · Intel CEO）

### 经理人产出公式

```
经理人的产出 = 他直接管辖部门的产出 + 他间接影响部门的产出
```

### 经理人的三大核心活动

| 活动类型 | 说明 | 时间占比 |
|---------|------|---------|
| **信息收集** | 了解发生了什么（会议/报告/1-on-1） | 基础 |
| **决策制定** | 基于信息做出决策 | 核心 |
| **信息传递/引导** | 将决策传达给团队并引导执行 | 关键 |

### 高杠杆率活动

经理人应该把时间投入到**高杠杆率**的活动中——投入少量时间，产生大影响：

1. **培训团队**：花 1 小时培训 10 人 = 10 小时影响
2. **1-on-1 面谈**：花 1 小时了解 1 个下属 = 避免后续大问题
3. **流程设计**：花 10 小时设计一个好流程 = 长期节省数百小时
4. **任务委派**：花 1 小时委派 + 2 小时辅导 = 下属永久获得该能力

### 任务相关指标（Task Relevant Maturity）

根据下属的"任务成熟度"调整管理方式：

| 下属成熟度 | 管理方式 | 说明 |
|-----------|---------|------|
| 低（新手） | 指令式：告诉他做什么、怎么做 | 需要清晰指导 |
| 中（有经验） | 教练式：讨论方案、引导决策 | 需要方向和反馈 |
| 高（专家） | 授权式：告诉他目标，让他自己决定 | 需要空间和信任 |

### 可注入方法论

| 场景 | 格鲁夫方法 | 应用 |
|------|-----------|------|
| 绩效面谈 | 1-on-1 面谈框架 | 每周 30-60 分钟，聚焦障碍和支持 |
| 管理者培训 | 任务成熟度管理模型 | 避免"一刀切"的管理风格 |
| 绩效体系 | 经理人产出公式 | 评估管理者时不仅看个人产出，还看团队产出 |

---

*本文件版本 v1.0.0*

skill-card.md

## Description:

Chinese-language performance-management advisory skill for performance system design, goal management, KPI/OKR design, performance improvement planning, performance conversations, organizational health assessment, and fairness analysis.

This skill is ready for commercial/non-commercial use.

## Publisher:

[tuobadaidai](https://clawhub.ai/user/tuobadaidai)

### License/Terms of Use:

MIT-0

## Use Case:

HR, people operations, and leadership teams use this skill as Chinese-language decision support for designing performance systems, setting goals, improving performance, and assessing organizational health and performance fairness.

### Deployment Geography for Use:

Global

## Known Risks and Mitigations:

Risk: Performance, PIP, promotion, compensation-adjacent, or termination-adjacent recommendations could affect real employees if used without review.

Mitigation: Use as decision support only; qualified HR, legal, or leadership stakeholders should review outputs before real employee decisions.

Risk: The skill is scoped to performance management and may be unsuitable for compensation structure, labor-law compliance, training design, talent review, or manager assessment questions.

Mitigation: Route out-of-scope requests to the appropriate specialist or human expert before acting.

## Reference(s):

- [Classic Books Reference](references/classic-books.md)
- [ClawHub Skill Page](https://clawhub.ai/tuobadaidai/skills/diting-performance-expert)

## Skill Output:

**Output Type(s):** [Analysis, Markdown, Guidance]

**Output Format:** [Markdown with structured findings, recommendations, risk notes, and confidence labels]

**Output Parameters:** [1D]

**Other Properties Related to Output:** [Chinese-language advisory output scoped to performance management.]

## Skill Version(s):

2.0.3 (source: server release evidence; artifact frontmatter reports 2.0.2)

## Ethical Considerations:

Users should evaluate whether this skill is appropriate for their environment, review any generated or modified files before relying on them, and apply their organization's safety, security, and compliance requirements before deployment.

Github ReposUpdated 21h agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW

Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW

Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.