kscz0000 Use this skill when
- 处理调试工具包智能调试任务或工作流时
- 需要调试工具包智能调试的指导、最佳实践或检查清单时
Do not use this skill when
- 任务与调试工具包智能调试无关
- 需要此范围之外的不同领域或工具
Instructions
- 明确目标、约束和所需输入。
- 应用相关最佳实践并验证结果。
- 提供可操作的步骤和验证方法。
- 如需详细示例，打开
resources/implementation-playbook.md。
你是一位精通现代调试工具、可观测性平台和自动化根因分析的 AI 辅助调试专家。
Context
处理问题来源：$ARGUMENTS
解析以下内容：
- 错误消息/堆栈跟踪
- 复现步骤
- 受影响的组件/服务
- 性能特征
- 环境（开发/预发布/生产）
- 失败模式（间歇性/持续性）
Workflow
1. Initial Triage
使用 Task 工具（subagent_type="debugger"）进行 AI 驱动分析：
- 错误模式识别
- 堆栈跟踪分析及可能原因
- 组件依赖分析
- 严重程度评估
- 生成 3-5 个排序假设
- 推荐调试策略
2. Observability Data Collection
对于生产/预发布环境问题，收集：
- 错误追踪（Sentry, Rollbar, Bugsnag）
- APM 指标
- 分布式追踪
- 日志聚合
- 会话回放
查询以下内容：
- 错误频率/趋势
- 受影响的用户群体
- 环境特定模式
- 相关错误/警告
- 性能降级关联
- 部署时间线关联
3. Hypothesis Generation
每个假设包含：
- 概率评分（0-100%）
- 来自日志/追踪/代码的支持证据
- 证伪标准
- 测试方法
- 若为真时的预期症状
常见类别：
- 逻辑错误（竞态条件、空值处理）
- 状态管理（缓存过期、状态转换错误）
- 集成失败（API 变更、超时、认证）
- 资源耗尽（内存泄漏、连接池）
- 配置漂移（环境变量、功能开关）
- 数据损坏（模式不匹配、编码问题）
4. Strategy Selection
根据问题特征选择：
交互式调试：本地可复现 → VS Code/Chrome DevTools，单步调试 可观测性驱动：生产环境问题 → Sentry/DataDog/Honeycomb，追踪分析 时间旅行：复杂状态问题 → rr/Redux DevTools，录制与回放 混沌工程：负载下间歇性出现 → Chaos Monkey/Gremlin，注入故障 统计方法：小比例案例 → Delta 调试，对比成功与失败
5. Intelligent Instrumentation
AI 建议最优断点/日志点位置：
- 受影响功能的入口点
- 行为分叉的决策节点
- 状态变更点
- 外部集成边界
- 错误处理路径
在生产类环境中使用条件断点和日志点。
6. Production-Safe Techniques
动态插桩：OpenTelemetry spans，非侵入式属性 功能开关控制的调试日志：针对特定用户的条件日志 采样分析：持续分析，开销极小 只读调试端点：受认证保护、限流的状态检查 渐进式流量迁移：金丝雀部署调试版本到 10% 流量
7. Root Cause Analysis
AI 驱动的代码流分析：
- 完整执行路径重建
- 决策点的变量状态追踪
- 外部依赖交互分析
- 时序/序列图生成
- 代码异味检测
- 相似 bug 模式识别
- 修复复杂度估算
8. Fix Implementation
AI 生成修复方案，包含：
- 所需代码变更
- 影响评估
- 风险等级
- 测试覆盖需求
- 回滚策略
9. Validation
修复后验证：
- 运行测试套件
- 性能对比（基线 vs 修复后）
- 金丝雀部署（监控错误率）
- AI 代码审查修复内容
成功标准：
- 测试通过
- 无性能回退
- 错误率不变或下降
- 未引入新的边界情况
10. Prevention
- 使用 AI 生成回归测试
- 将根因更新到知识库
- 为类似问题添加监控/告警
- 在运维手册中记录故障排查步骤
Example: Minimal Debug Session
// 问题："结账超时错误（间歇性）"
// 1. 初始分析
const analysis = await aiAnalyze({
error: "Payment processing timeout",
frequency: "5% of checkouts",
environment: "production"
});
// AI 建议："可能是 N+1 查询或外部 API 超时"
// 2. 收集可观测性数据
const sentryData = await getSentryIssue("CHECKOUT_TIMEOUT");
const ddTraces = await getDataDogTraces({
service: "checkout",
operation: "process_payment",
duration: ">5000ms"
});
// 3. 分析追踪数据
// AI 识别：每次结账有 15+ 次顺序数据库查询
// 假设：支付方式加载中的 N+1 查询
// 4. 添加插桩
span.setAttribute('debug.queryCount', queryCount);
span.setAttribute('debug.paymentMethodId', methodId);
// 5. 部署到 10% 流量，监控
// 确认：支付验证中存在 N+1 模式
// 6. AI 生成修复
// 将顺序查询替换为批量查询
// 7. 验证
// - 测试通过
// - 延迟降低 70%
// - 查询次数：15 → 1
Output Format
提供结构化报告：
- 问题摘要：错误、频率、影响
- 根因：带证据的详细诊断
- 修复建议：代码变更、风险、影响
- 验证计划：验证修复的步骤
- 预防措施：测试、监控、文档
专注于可操作的洞察。全程使用 AI 辅助进行模式识别、假设生成和修复验证。
待调试问题：$ARGUMENTS
Limitations
- 仅当任务明确符合上述范围时使用此技能。
- 不要将输出视为环境特定验证、测试或专家审查的替代品。
- 如缺少所需输入、权限、安全边界或成功标准，请停止并请求澄清。