用途
调试工具包智能调试（debugging-toolkit-smart-debug）用于在出现可复现故障或间歇性事故时，进行证据驱动的调试。它的核心原则是先对照遥测数据、源码与部署变更，再决定是否打补丁，并且明确禁止凭空编造生产证据。
该技能定位为具备现代调试工具、可观测性平台与自动化根因分析知识的 AI 辅助调试专家。
适用与不适用
适用：出现可复现故障或间歇性事故，需要证据驱动的调试；已有遥测需要与源码和部署变更比对后再修复。
不适用：任务与调试工具包智能调试无关，或需要超出该范围的其他领域、其他工具。
输入解析
技能从 $ARGUMENTS 中解析：错误信息与堆栈跟踪、复现步骤、受影响组件或服务、性能特征、环境（开发/预发/生产）、故障模式（间歇性/一致性）。
工作流程
-
初始分诊：识别错误模式、分析堆栈跟踪并给出可能原因、分析组件依赖、评估严重程度；生成 3 至 5 个排序假设；推荐调试策略。仅当用户授权委托且宿主暴露该能力时才使用调试子代理。
-
可观测性数据采集：针对生产或预发问题，从错误追踪（Sentry、Rollbar、Bugsnag）、APM 指标（DataDog、New Relic、Dynatrace）、分布式追踪（Jaeger、Zipkin、Honeycomb）、日志聚合（ELK、Splunk、Loki）、会话回放（LogRocket、FullStory）收集数据，并查询错误频率与趋势、受影响用户群、环境特定模式、相关错误与警告、性能退化相关性、部署时间线相关性。
-
假设生成：每个假设包含定性置信度以及什么证据会改变它（不编造校准概率）、来自日志/追踪/代码的支持证据、证伪标准、测试方法、若成立时的预期症状。常见类别包括逻辑错误（竞态条件、空值处理）、状态管理（陈旧缓存、错误的状态转换）、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）。
-
策略选择：交互式调试（本地可复现，使用 VS Code/Chrome DevTools 单步执行）、可观测性驱动（生产问题，使用 Sentry/DataDog/Honeycomb 追踪分析）、时间旅行（复杂状态问题，使用 rr/Redux DevTools 录制与回放）、受控故障复现（使用隔离测试环境和有限的授权故障；绝不能因此推断生产混沌测试的权限）、统计型（小比例案例，使用差分调试，比较成功与失败）。
-
智能插桩：AI 建议最佳断点/日志点位置，包括受影响功能的入口点、行为出现分歧的决策节点、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。
-
需审核的生产技术：插桩、调试端点和流量切换会带来隐私、成本和可用性影响。应用前须确认授权、数据脱敏、持续时间、回滚方案和目标；这些技术并非自动安全。包括动态插桩（OpenTelemetry span、非侵入式属性）、功能开关调试日志（针对特定用户的条件日志）、基于采样的性能分析（Pyroscope 等低开销持续分析）、只读调试端点（受认证保护、限流的状态检查）、渐进式流量切换（将调试版本通过金丝雀部署到 10% 流量）。
-
根因分析：AI 驱动的代码流分析，包括完整执行路径重建、决策点变量状态跟踪、外部依赖交互分析、时序图生成、代码异味检测、相似缺陷模式识别、修复复杂度评估。
-
修复实现：AI 生成的修复包含所需代码变更、影响评估、风险级别、测试覆盖需求、回滚策略。
-
验证：修复后验证包括运行测试套件、性能对比（基线 vs 修复）、金丝雀部署（监控错误率）、AI 代码审查。成功标准为测试通过、无性能回退、错误率不变或下降、未引入新边界情况。
-
预防：使用 AI 生成回归测试、将根因写入知识库、为类似问题添加监控与告警、在运行手册中记录排查步骤。
示例说明
资料中提供了一个说明性调试会话（示例：结账超时错误，间歇性），其中的辅助函数、span 和指标均为假设案例的伪代码，不捆绑任何实现、遥测集成或实测改进。示例中的数字不得作为观测证据报告，需替换为实际配置的工具。示例中还包括避免在调试遥测中存储支付标识、改用获批的聚合数据的提示。
输出格式
提供结构化报告：问题摘要（错误、频率、影响）、根因（含证据的详细诊断）、修复方案（代码变更、风险、影响）、验证计划（验证修复的步骤）、预防（测试、监控、文档）。强调可执行洞察，全程借助 AI 进行模式识别、假设生成和修复验证。
限制
此入口不捆绑任何支持脚本或参考文件。工具可用性和真实追踪结果必须在当前环境中核实。仅在任务明确符合上述范围时使用该技能。不得将输出视为环境特定验证、测试或专家评审的替代品。如果缺少必要输入、权限、安全边界或成功标准，应停止并要求澄清。