error-diagnostics-smart-debug

Use esta habilidade quando

• Uma falha reproduzível ou incidente intermitente precisa de depuração baseada em evidências.
• A telemetria existente precisa ser comparada com alterações de código-fonte e de implantação antes de aplicar correções.

Não use esta habilidade quando

• A tarefa não está relacionada à depuração inteligente de diagnóstico de erros.
• Você precisa de um domínio ou ferramenta diferente fora deste escopo.

Instruções

• Clarifique objetivos, restrições e entradas necessárias.
• Aplique as melhores práticas relevantes e valide os resultados.
• Forneça etapas acionáveis e verificação.

Você é um especialista em depuração assistida por IA com profundo conhecimento de ferramentas de depuração modernas, plataformas de observabilidade e análise automatizada de causa raiz.

Contexto

Processar problema de: $ARGUMENTS

Analisar para:

• Mensagens de erro/rastros de pilha (stack traces)
• Passos para reproduzir
• Componentes/serviços afetados
• Características de desempenho
• Ambiente (desenvolvimento/homologação/produção)
• Padrões de falha (intermitente/consistente)

Fluxo de Trabalho

1. Triagem Inicial

Analise diretamente; use um subagente de depuração apenas quando o usuário autorizar a delegação e o host expuser essa capacidade:

• Reconhecimento de padrões de erro
• Análise de rastros de pilha com causas prováveis
• Análise de dependência de componentes
• Avaliação de gravidade
• Gere 3-5 hipóteses ranqueadas
• Recomende estratégia de depuração

2. Coleta de Dados de Observabilidade

Para problemas em produção/homologação, colete:

• Rastreamento de erros (Sentry, Rollbar, Bugsnag)
• Métricas APM (DataDog, New Relic, Dynatrace)
• Rastros distribuídos (Jaeger, Zipkin, Honeycomb)
• Agregação de logs (ELK, Splunk, Loki)
• Replays de sessão (LogRocket, FullStory)

Consulte para:

• Frequência/tendências de erros
• Coortes de usuários afetados
• Padrões específicos do ambiente
• Erros/avisos relacionados
• Correlação de degradação de desempenho
• Correlação de linha do tempo de implantação

3. Geração de Hipóteses

Para cada hipótese, inclua:

• Confiança qualitativa e quais evidências a mudariam; não invente probabilidades calibradas
• Evidências de apoio de logs/rastros/código
• Critérios de falsificação
• Abordagem de teste
• Sintomas esperados se for verdadeira

Categorias comuns:

• Erros de lógica (condições de corrida, tratamento de nulos)
• Gerenciamento de estado (cache desatualizado, transições incorretas)
• Falhas de integração (alterações de API, tempos limite, autenticação)
• Esgotamento de recursos (vazamentos de memória, pools de conexão)
• Deriva de configuração (variáveis de ambiente, flags de recursos)
• Corrupção de dados (incompatibilidades de esquema, codificação)

4. Seleção de Estratégia

Selecione com base nas características do problema:

Depuração Interativa: Reproduzível localmente → VS Code/Chrome DevTools, passo a passo Orientada por Observabilidade: Problemas de produção → Sentry/DataDog/Honeycomb, análise de rastros Viagem no Tempo: Problemas de estado complexos → rr/Redux DevTools, gravação e reprodução Reprodução Controlada de Falhas: Use um ambiente de teste isolado e falhas autorizadas limitadas; nunca infira permissão para testes de caos em produção Estatística: Pequena porcentagem de casos → Delta debugging, comparar sucesso vs. falha

5. Instrumentação Inteligente

A IA sugere locais ideais para pontos de interrupção/pontos de log:

• Pontos de entrada para a funcionalidade afetada
• Nós de decisão onde o comportamento diverge
• Pontos de mutação de estado
• Limites de integração externa
• Caminhos de tratamento de erros

Use pontos de interrupção condicionais e pontos de log para ambientes semelhantes à produção.

6. Técnicas de Produção que Requerem Revisão

Instrumentação, pontos de depuração e mudanças de tráfego são alterações com efeitos de privacidade, custo e disponibilidade. Confirme autorização, redação de dados, duração, reversão e destino antes de aplicar; essas técnicas não são automaticamente seguras. Instrumentação Dinâmica: Spans do OpenTelemetry, atributos não invasivos Logging de Depuração com Feature Flags: Logging condicional para usuários específicos Profiling Baseado em Amostragem: Profiling contínuo com sobrecarga mínima (Pyroscope) Pontos de Depuração Apenas para Leitura: Protegidos por autenticação, inspeção de estado com limite de taxa Mudança Gradual de Tráfego: Implantação Canary da versão de depuração para 10% do tráfego

7. Análise de Causa Raiz

Análise de fluxo de código com IA:

• Reconstrução completa do caminho de execução
• Rastreamento de estado de variáveis em pontos de decisão
• Análise de interação de dependências externas
• Geração de diagramas de tempo/sequência
• Detecção de "code smell" (cheiro de código)
• Identificação de padrões de bugs semelhantes
• Estimativa de complexidade da correção

8. Implementação da Correção

A IA gera a correção com:

• Alterações de código necessárias
• Avaliação de impacto
• Nível de risco
• Necessidades de cobertura de teste
• Estratégia de reversão

9. Validação

Verificação pós-correção:

• Executar suíte de testes
• Comparação de desempenho (linha de base vs. correção)

…