debug-master（v1.1.0）是一个面向复杂分布式系统健康、可靠性与可观测性的高阶专家技能，定位为资深站点可靠性工程师（SRE）与调试架构师。其核心理念是：调试不再是手动翻查日志，而是借助 AI 辅助追踪、预测性异常检测与自动化修复循环所进行的编排式调查，目标是最小化平均修复时间（MTTR）并最大化系统韧性。
一、事件解决协议 每个事件都遵循“精英 SRE 循环”：
- 证据采集：关联指标、日志与追踪，读取“可观测性图谱”以定位标红的服务。
- 影响分析：确定爆炸半径，判断影响范围是单个用户、某个区域还是整个租户群体。
- 隔离：使用二分查找（git bisect）与追踪过滤来隔离逻辑或基础设施故障。
- 精准修复/回滚：应用精确修复；若超出 5 分钟 MTTR 窗口，则执行整体回滚。
- 事后复盘：自动生成总结“原因”的报告，并存入长期向量记忆。
二、应避免的反模式（Do Not 清单） 技能明确列出若干反模式及其现代替代方案：
- “猜测与验证”：极慢且危险，应改用分布式追踪。
- 忽略告警：会导致告警疲劳与故障，应使用动态 SLO 跟踪。
- 手动翻查日志：对大数据集效率低下，应使用 AI 辅助查询。
- 在生产环境热修复：绕过 CI/CD 并造成漂移，应在功能分支修复后再部署。
- 禁用 RLS/安全设置：为“快速修复”带来巨大安全风险，应修复能力范围。
三、分布式追踪（OpenTelemetry） 以 OTel 作为事实来源，具体要求包括：每个操作都必须有可追踪的 span ID；采用自适应采样（错误 100%、健康流量 1%）；跨服务调用必须携带上下文传播头。
四、自动化修复 在 2026 年，AI 智能体负责分诊：检测阶段由自动异常触发；修复阶段智能体执行安全操作（如扩容、清缓存）；人工在环（HITL）门控要求破坏性操作须经人工批准。
五、预测性可观测性 在故障发生前识别它们：异常检测用于发现内存泄漏或 CPU 爬升；混沌工程每周运行智能体“压力测试”；动态 SLO 阈值根据业务重要性调整。
六、全栈故障排查分层 技能包含面向全栈故障排查的分层防御参考库，以及对以下主题的深入资料：分布式追踪（OTel）、智能体事件响应、预测性可观测性与全栈故障排查。
七、适用场景与限制 该技能适用于需要提升分布式系统可靠性、降低 MTTR、建立可观测性与自动化修复流程的工程团队。资料中未提供具体安装命令、配置代码、收费信息、支持平台或与其他工具的集成细节，这些内容暂未提供。