Compétences debugging-toolkit-smart-debug
🔍

debugging-toolkit-smart-debug

Sûr

Depurar problemas de producción con análisis de causa raíz asistido por IA

Reduce el tiempo medio de resolución de incidentes de producción combinando flujos de trabajo de depuración sistemáticos con reconocimiento de patrones potenciado por IA. Obtén generación estructurada de hipótesis, correlación de datos de observabilidad y recomendaciones de corrección validadas.

Prend en charge: Claude Codex Code(CC)
🥉 75 Bronze
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "debugging-toolkit-smart-debug". Errores de timeout de checkout afectando el 5% del tráfico de producción, intermitente

Résultat attendu:

  • Resumen del problema: Tiempos de espera en el procesamiento de pagos occurring in 5% de solicitudes de checkout
  • Hipótesis principal (75%): Patrón de consulta N+1 en la verificación del método de pago - respaldado por análisis de trazas mostrando 15+ llamadas secuenciales a la base de datos
  • Estrategia de depuración: Agregar atributos de span para conteo de consultas e ID de método de pago, desplegar canary al 10% del tráfico
  • Validación: Comparar percentiles de latencia y conteos de consultas entre grupos control y canary

Utilisation de "debugging-toolkit-smart-debug". Sospecha de fuga de memoria en el procesador de jobs en segundo plano

Résultat attendu:

  • Resumen del problema: Crecimiento gradual de memoria en pods del procesador de jobs, reinicio requerido cada 6 horas
  • Hipótesis principal (60%): Crecimiento ilimitado de caché sin política de evicción
  • Estrategia de depuración: Habilitar profiling de heap con Pyroscope, capturar instantáneas de heap a intervalos
  • Validación: Monitorear tendencias de memoria RSS después de implementar límites de tamaño de caché

Audit de sécurité

Sûr
v1 • 2/24/2026

All static analysis findings were determined to be false positives. The flagged patterns are markdown syntax (backticks for inline code), YAML frontmatter, and documentation examples - not executable code. Line 23 uses backticks for file path reference in markdown. Lines 147-184 contain TypeScript documentation examples illustrating the debugging workflow. No actual command execution, cryptographic operations, or network reconnaissance code exists in this skill.

1
Fichiers analysés
200
Lignes analysées
0
résultats
1
Total des audits
Aucun problème de sécurité trouvé
Audité par: claude

Score de qualité

38
Architecture
100
Maintenabilité
87
Contenu
50
Communauté
100
Sécurité
100
Conformité aux spécifications

Ce que vous pouvez construire

Triaje de incidentes de producción

Analizar rápidamente las alertas de producción entrantes, correlacionar errores entre servicios y generar hipótesis iniciales para que los ingenieros de guardia investiguen

Investigación de errores intermitentes

Aplicar técnicas de depuración estadística para identificar patrones en fallos que afectan a un pequeño porcentaje de usuarios o solicitudes

Análisis de causa raíz post-mortem

Reconstruir rutas de ejecución, identificar factores contribuyentes y generar recomendaciones de prevención para la documentación del incidente

Essayez ces prompts

Análisis básico de errores 
Analyze this error and identify the most likely root cause: [paste error message or stack trace]. Include the affected component and recommended first debugging step.
Generación de hipótesis 
Generate 3-5 ranked hypotheses for this issue: [describe symptoms]. For each hypothesis, provide probability score, supporting evidence needed, and how to falsify it.
Diseño de consultas de observabilidad 
Design queries to investigate [specific issue] across [list platforms: Sentry, DataDog, logs]. Include specific filters, time ranges, and correlation keys to identify affected users and patterns.
Plan de depuración seguro para producción 
Create a debugging plan for [issue] that can be executed in production without impacting users. Include instrumentation points, feature flag design, sampling strategy, and rollback criteria.

Bonnes pratiques

  • Siempre correlaciona los errores con las líneas de tiempo de despliegue para identificar cambios recientes como causas potenciales
  • Usa instrumentación condicional y feature flags para habilitar logging de depuración para cohortes de usuarios específicas sin impactar el rendimiento general del sistema
  • Documenta todo el proceso de prueba de hipótesis incluyendo las hipótesis falsificadas para evitar que futuros investigadores repitan los mismos caminos

Éviter

  • Agregar logging excesivo sin muestreo o limitadores de tasa, causando picos de volumen de logs que obscurecen la señal
  • Intentar reproducir problemas complejos de producción en desarrollo sin primero recopilar suficientes datos de observabilidad
  • Implementar correcciones sin establecer criterios claros de éxito y planes de rollback antes del despliegue

Foire aux questions

¿Qué plataformas de observabilidad soporta esta skill?
El flujo de trabajo es agnóstico a la plataforma y se aplica a cualquier herramienta de observabilidad. Las integraciones comunes incluyen Sentry, DataDog, New Relic, Dynatrace, Jaeger, Zipkin, Honeycomb, ELK stack, Splunk, Loki, Pyroscope, LogRocket y FullStory.
¿Puede esta skill acceder directamente a mis sistemas de producción?
No. Esta skill solo proporciona guía y análisis. Tú controlas todo el acceso a las plataformas de observabilidad y ejecutas todos los comandos de depuración. La skill te ayuda a formular consultas, interpretar resultados y planificar los siguientes pasos.
¿Cómo manejo datos sensibles en los logs de errores durante la depuración?
Usa logging con feature flags para habilitar salida de depuración solo para usuarios de prueba o cuentas internas específicas. Asegúrate de que los logs se limpien de PII antes del análisis. Considera usar técnicas seguras para producción como endpoints de depuración de solo lectura con autenticación.
¿Qué pasa si las hipótesis generadas por IA son todas incorrectas?
El flujo de trabajo incluye criterios de falsificación para cada hipótesis. Si todas las hipótesis iniciales se descartan, usa la evidencia recopilada para generar nuevas hipótesis. El enfoque estructurado asegura que construyas conocimiento incluso de resultados negativos.
¿Cómo sé cuándo escalar en lugar de continuar la investigación?
Escala cuando: el impacto excede tu umbral de autoridad, la causa raíz abarca múltiples equipos, la corrección requiere cambios arquitectónicos, o la investigación excede el presupuesto de tiempo. Documenta todos los hallazgos antes de la transferencia.
¿Puede esta skill ayudar con la prevención después de que se despliega la corrección?
Sí. El flujo de trabajo incluye pasos de prevención: generación asistida por IA de pruebas de regresión, actualizaciones de la base de conocimientos con documentación de causa raíz, configuración de monitoreo y alertas para problemas similares, y actualizaciones de runbooks para incidentes futuros.

Détails du développeur

Auteur

sickn33

Licence

MIT

Dépôt

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/debugging-toolkit-smart-debug

Réf

main

Structure de fichiers

📄 SKILL.md