Compétences debugging-toolkit-smart-debug
🔍

debugging-toolkit-smart-debug

Sûr

Déboguer les problèmes de production avec une analyse de cause racine assistée par IA

Réduisez le temps moyen de résolution des incidents de production en combinant des flux de travail de débogage systématique avec une reconnaissance de motifs alimentée par l'IA. Bénéficiez d'une génération structurée d'hypothèses, d'une corrélation des données d'observabilité et de recommandations de correctifs validés.

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". Erreurs de timeout de checkout affectant 5% du traffic production, intermittent

Résultat attendu:

  • Résumé du problème : Timeouts de traitement de paiement survenant dans 5% des requêtes de checkout
  • Hypothèse principale (75%) : Motif de requête N+1 dans la vérification de méthode de paiement - soutenu par l'analyse de traces montrant 15+ appels séquentiels à la base de données
  • Stratégie de débogage : Ajouter des attributs de span pour le nombre de requêtes et l'ID de méthode de paiement, déployer un canari sur 10% du traffic
  • Validation : Comparer les percentiles de latence et les nombres de requêtes entre les groupes contrôle et canari

Utilisation de "debugging-toolkit-smart-debug". Fuite de mémoire suspectée dans le processeur de jobs en arrière-plan

Résultat attendu:

  • Résumé du problème : Croissance progressive de la mémoire dans les pods du processeur de jobs, redémarrage requis toutes les 6 heures
  • Hypothèse principale (60%) : Croissance de cache non bornée sans politique d'éviction
  • Stratégie de débogage : Activer le profilage de heap avec Pyroscope, capturer des instantanés de heap à intervalles
  • Validation : Surveiller les tendances de mémoire RSS après implémentation de limites de taille de cache

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

Tri des incidents de production

Analyser rapidement les alertes de production entrantes, corréler les erreurs entre les services et générer des hypothèses initiales pour que les ingénieurs de garde les investiguent

Investigation de bugs intermittents

Appliquer des techniques de débogage statistique pour identifier des motifs dans les échecs affectant un petit pourcentage d'utilisateurs ou de requêtes

Analyse de cause racine post-mortem

Reconstruire les chemins d'exécution, identifier les facteurs contributifs et générer des recommandations de prévention pour la documentation des incidents

Essayez ces prompts

Analyse d'erreur de base 
Analysez cette erreur et identifiez la cause racine la plus probable : [collez le message d'erreur ou la trace de pile]. Incluez le composant affecté et la première étape de débogage recommandée.
Génération d'hypothèses 
Générez 3 à 5 hypothèses classées pour ce problème : [décrivez les symptômes]. Pour chaque hypothèse, fournissez un score de probabilité, les preuves nécessaires à l'appui, et comment la falsifier.
Conception de requête d'observabilité 
Concevez des requêtes pour investiguer [problème spécifique] à travers [liste des plateformes : Sentry, DataDog, logs]. Incluez des filtres spécifiques, des plages temporelles et des clés de corrélation pour identifier les utilisateurs affectés et les motifs.
Plan de débogage adapté à la production 
Créez un plan de débogage pour [problème] qui peut être exécuté en production sans impacter les utilisateurs. Incluez les points d'instrumentation, la conception des feature flags, la stratégie d'échantillonnage et les critères de rollback.

Bonnes pratiques

  • Toujours corréler les erreurs avec les calendriers de déploiement pour identifier les changements récents comme causes potentielles
  • Utiliser une instrumentation conditionnelle et des feature flags pour activer la journalisation de débogage pour des cohortes d'utilisateurs spécifiques sans impacter les performances globales du système
  • Documenter le processus complet de test d'hypothèses incluant les hypothèses falsifiées pour empêcher les investigateurs futurs de répéter les mêmes chemins

Éviter

  • Ajouter une journalisation excessive sans échantillonnage ni limitation de débit, provoquant des pics de volume de logs qui obscurcissent le signal
  • Tenter de reproduire des problèmes de production complexes en développement sans d'abord collecter suffisamment de données d'observabilité
  • Implémenter des correctifs sans établir de critères de succès clairs et de plans de rollback avant le déploiement

Foire aux questions

Quelles plateformes d'observabilité ce skill supporte-t-il ?
Le flux de travail est indépendant de la plateforme et s'applique à tout outil d'observabilité. Les intégrations courantes incluent Sentry, DataDog, New Relic, Dynatrace, Jaeger, Zipkin, Honeycomb, ELK stack, Splunk, Loki, Pyroscope, LogRocket et FullStory.
Ce skill peut-il accéder directement à mes systèmes de production ?
Non. Ce skill fournit uniquement des conseils et de l'analyse. Vous contrôlez tout accès aux plateformes d'observabilité et exécutez toutes les commandes de débogage. Le skill vous aide à formuler des requêtes, interpréter les résultats et planifier les prochaines étapes.
Comment gérer les données sensibles dans les logs d'erreur pendant le débogage ?
Utilisez la journalisation contrôlée par feature flag pour activer la sortie de débogage uniquement pour des utilisateurs de test spécifiques ou des comptes internes. Assurez-vous que les logs sont purgés des PII avant analyse. Envisagez d'utiliser des techniques adaptées à la production comme des endpoints de débogage en lecture seule avec authentification.
Que faire si toutes les hypothèses générées par l'IA sont incorrectes ?
Le flux de travail inclut des critères de falsification pour chaque hypothèse. Si toutes les hypothèses initiales sont écartées, utilisez les preuves collectées pour générer de nouvelles hypothèses. L'approche structurée garantit que vous construisez des connaissances même à partir de résultats négatifs.
Comment savoir quand escalader au lieu de continuer l'investigation ?
Escaladez lorsque : l'impact dépasse votre seuil d'autorité, la cause racine s'étend sur plusieurs équipes, le correctif nécessite des changements architecturaux, ou l'investigation dépasse le budget temps. Documentez toutes les découvertes avant le transfert.
Ce skill peut-il aider à la prévention après que le correctif est déployé ?
Oui. Le flux de travail inclut des étapes de prévention : génération de tests de régression assistée par IA, mises à jour de la base de connaissances avec documentation de cause racine, configuration de monitoring et d'alertes pour des problèmes similaires, et mises à jour des runbooks pour les incidents futurs.

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