SuperAPI AI 工具集
合作ENAI 行业资讯收藏

Skill 广场

找到适合任务的 Agent Skill，阅读介绍并复制安装命令。

更新于 10-28 00:17

部署与运维

12,676 个结果

mlflow-trace-analysis

MLflow Trace Analysis 是 MLflow 技能库中的一个诊断技能，用于分析 MLflow 追踪（trace）、智能体失败和多轮聊天会话，帮助解释错误、异常输出、质量问题、延迟问题以及跨轮次传播等问题。该技能以追踪 ID 或会话 ID 为输入，结合已配置的后端、报告的行为和预期结果开展分析。其流程包括：获取完整追踪 JSON、检查跨度树（span tree）与状态、读取反馈（区分 HUMAN、LLM_JUDGE、CODE 等来源及其有效性）、沿根跨度追踪输入输出至首个分歧点、检查异常事件与性能、必要时关联源码或配置。技能强调优先复用已有证据，仅在安全情况下经正常插桩入口复现一次；不因诊断而修改代码、创建打分器或运行评估。最终输出应包含观察到的与预期的行为对比、追踪 ID 与关键跨度 ID、证据链、置信度和最小可行修复建议，并区分观察事实、可能原因与缺失证据。

部署与运维6 次安装

python-observability-patterns

python-observability-patterns 是一套面向 Python 应用的可观测性模式集合，内容涵盖结构化日志、指标采集与分布式追踪三个方向。它演示了如何使用 structlog 进行结构化日志记录与请求上下文传播，使用 prometheus-client 定义 Counter、Histogram、Gauge 等指标并通过中间件记录 HTTP 请求数据、暴露 /metrics 端点，以及使用 OpenTelemetry 搭建 TracerProvider、通过 OTLP 导出链路数据并做手动埋点。资料还提供速查表（库用途、指标类型适用场景）与参考文档、示例资源索引。该技能在触发条件上关联 logging、metrics、tracing、opentelemetry、prometheus、monitoring、structlog 等关键词，适合需要为生产环境 Python 服务补充日志、指标与链路追踪能力的场景。

部署与运维6 次安装