スキル error-diagnostics-smart-debug
🔍

error-diagnostics-smart-debug

安全

Depurar Erros com Diagnóstico Impulsionado por IA

Esta skill ajuda desenvolvedores a diagnosticar rapidamente erros de software, analisando mensagens de erro, stack traces e dados de desempenho para identificar causas raiz e sugerir correções.

対応: Claude Codex Code(CC)
🥉 74 ブロンズ
1

スキルZIPをダウンロード

2

Claudeでアップロード

設定 → 機能 → スキル → スキルをアップロードへ移動

3

オンにして利用開始

テストする

「error-diagnostics-smart-debug」を使用しています。 Analise este erro: 'Connection timeout after 30000ms' ocorrendo em 5% das requisições de checkout em produção

期待される結果:

  • Resumo do Problema: Timeout de conexão intermitente no serviço de checkout
  • Análise de Causa Raiz: Causas prováveis - (1) Latência da API de pagamento externa 60%, (2) Esgotamento do pool de conexões de banco de dados 25%, (3) Problema de infraestrutura de rede 15%
  • Estratégia Recomendada: Consultar traces do DataDog para duração do serviço de pagamento, verificar métricas do pool de conexões durante janelas de erro
  • Proposta de Correção: Implementar padrão circuit breaker com timeout de 10s, adicionar retry com backoff exponencial
  • Validação: Deploy para tráfego canary, monitorar redução da taxa de erro

「error-diagnostics-smart-debug」を使用しています。 Analise este stack trace: TypeError: Cannot read property 'id' of undefined at UserService.getProfile (/src/user/service.js:42:15)

期待される結果:

  • Causa Raiz: Referência nula no objeto user - provavelmente condição de corrida ou verificação nula ausente
  • Hipótese 1 (75%): Registro de usuário ausente do banco de dados - verifique o fluxo de autenticação
  • Hipótese 2 (20%): Problema de timing assíncrono - getProfile chamado antes dos dados do usuário serem carregados
  • Hipótese 3 (5%): Incompatibilidade de schema - estrutura do objeto user foi alterada
  • Correção Recomendada: Adicionar guarda nula: const userId = user?.id ?? throw new Error('User not found')

セキュリティ監査

安全
v1 • 2/24/2026

All static findings are false positives. The skill is a legitimate debugging assistant that provides guidance on error diagnostics. No external commands, cryptographic algorithms, or network reconnaissance are present. The reported patterns were markdown formatting (backticks for code) and benign workflow descriptions.

1
スキャンされたファイル
200
解析された行数
3
検出結果
1
総監査数
中リスクの問題 (1)
SKILL.md:23SKILL.md:147
Markdown Code Formatting Misidentified
Static scanner incorrectly flagged backticks (`) as Ruby/shell backtick execution. These are markdown code formatting delimiters, not shell commands.
低リスクの問題 (2)
SKILL.md:3SKILL.md:94
False Positive: Cryptographic Algorithm Detection
Static scanner incorrectly detected 'weak cryptographic algorithms'. The content contains no cryptographic code.
SKILL.md:134
False Positive: Network Reconnaissance Detection
Static scanner incorrectly flagged network-related discussion as reconnaissance. The skill discusses legitimate observability data collection.
監査者: claude

品質スコア

38
アーキテクチャ
100
保守性
87
コンテンツ
50
コミュニティ
96
セキュリティ
100
仕様準拠

作れるもの

Resposta a Incidentes de Produção

Diagnosticar rapidamente erros de produção analisando padrões de erro e recomendando estratégias de depuração para engenheiros de plantão.

Depuração durante Desenvolvimento

Obter orientação assistida por IA sobre técnicas de depuração local, posicionamento de breakpoints e estratégias de execução passo a passo.

Análise de Problemas de Performance

Analisar traces de performance e dados de APM para identificar gargalos, consultas N+1 e problemas de esgotamento de recursos.

これらのプロンプトを試す

Análise Básica de Erro 
Analise este erro: $ERROR_MESSAGE. Qual pode ser a causa raiz?
Análise de Stack Trace 
Analise este stack trace e identifique a provável fonte do problema: $STACK_TRACE. Forneça 3 hipóteses classificadas por probabilidade.
Depuração de Problema em Produção 
Ajude a depurar este problema de produção: $ISSUE_DESCRIPTION. A frequência do erro é $FREQUENCY no ambiente $ENVIRONMENT. Recomende uma estratégia de depuração.
Validação de Correção 
Revise esta correção proposta para o erro: $ERROR e $PROPOSED_FIX. Avalie o nível de risco e sugira passos de validação.

ベストプラクティス

  • Forneça contexto completo de erro incluindo stack traces, passos de reprodução e detalhes do ambiente
  • Use dados de observabilidade para validar hipóteses antes de implementar correções
  • Aplique depuração incremental: comece com explicações mais simples antes das complexas
  • Sempre valide correções com testes e deployments canary antes do rollout completo

回避

  • Aplicar correções cegamente sem entender a causa raiz
  • Ignorar frequência e impacto do erro ao priorizar esforços de depuração
  • Pular coleta de dados de observabilidade e confiar apenas em inspeção de código
  • Fazer deploy de correções sem validação ou estratégia de rollback

よくある質問

Que informações devo fornecer para os melhores resultados de depuração?
Forneça a mensagem completa do erro, stack trace completo, passos de reprodução, detalhes do ambiente (dev/staging/production), e quaisquer logs ou métricas relevantes.
Esta skill pode corrigir os erros automaticamente?
Não. A skill analisa erros e sugere possíveis correções, mas você deve validar e implementá-las. Julgamento humano é necessário para sistemas de produção.
Esta skill funciona com todas as linguagens de programação?
Sim. A skill analisa padrões de erro e estratégias de depuração que se aplicam amplamente. Detalhes específicos de linguagem podem ser incluídos no contexto do erro.
Posso usar isto para vulnerabilidades de segurança?
A skill pode ajudar a analisar padrões de erro, mas vulnerabilidades de segurança requerem revisão de segurança especializada. Não dependa desta skill para auditoria de segurança.
Como a skill escolhe a estratégia de depuração?
Ela analisa características do problema: reprodutibilidade, ambiente, frequência de erro e componentes afetados. Depuração interativa funciona para problemas locais; depuração orientada por observabilidade é ideal para produção.
Quais ferramentas de observabilidade esta skill integra?
A skill referencia Sentry, Rollbar, Bugsnag (rastreamento de erros), DataDog, New Relic, Dynatrace (APM), Jaeger, Zipkin, Honeycomb (tracing) e ELK, Splunk, Loki (logging).

開発者の詳細

作成者

sickn33

ライセンス

MIT

リポジトリ

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/error-diagnostics-smart-debug

参照

main

ファイル構成

📄 SKILL.md