parallel-debugging
Permite ao agente depurar problemas complexos com investigações paralelas e análise de causa raiz.
O que ela faz
Ajuda a encontrar a causa de problemas complicados em programas de computador, investigando várias explicações ao mesmo tempo. Ele organiza a busca por pistas e decide qual explicação é a mais provável.
Quando usar
- ✓Quando um erro tem várias causas possíveis.
- ✓Quando as primeiras tentativas de consertar o erro falharam.
- ✓Quando o problema afeta diferentes partes do programa.
Exemplo do que pedir para a IA
“Estou tendo um erro estranho no meu site, onde os botões às vezes não funcionam. Pode me ajudar a investigar as possíveis causas?”
Quer saber mais? Abra as seções abaixo.
Como usar
O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.
Link da skill
Mensagem pronta para colar
Como funciona
A IA vai pensar em várias razões para o problema, como erros de lógica, dados errados ou problemas de conexão. Ela pedirá para procurar por 'pistas' (evidências) que confirmem ou neguem cada razão e, no final, dirá qual é a causa mais provável.
Instalação
Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.
No terminal (Claude Code, Codex, Cursor), na pasta do projeto:
npx skills add wshobson/agents --skill parallel-debuggingOu baixe só o arquivo:
curl -L https://raw.githubusercontent.com/wshobson/agents/main/plugins/agent-teams/skills/parallel-debugging/SKILL.md -o SKILL.mdConteúdo técnico (SKILL.md)
Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.
Depuração Paralela
Framework para depurar problemas complexos usando a metodologia de Análise de Hipóteses Concorrentes (ACH) com investigação paralela por agentes.
Quando Usar Esta Habilidade
- O bug tem múltiplas causas raiz plausíveis
- Tentativas iniciais de depuração não identificaram o problema
- O problema abrange múltiplos módulos ou componentes
- Necessidade de análise sistemática da causa raiz com evidências
- Desejo de evitar viés de confirmação na depuração
Framework de Geração de Hipóteses
Gere hipóteses em 6 categorias de modos de falha:
1. Erro Lógico
- Lógica condicional incorreta (operador errado, caso ausente)
- Erros de "off-by-one" em loops ou acesso a arrays
- Tratamento de casos extremos ausente
- Implementação incorreta de algoritmo
2. Problema de Dados
- Dados de entrada inválidos ou inesperados
- Erro de incompatibilidade de tipo ou coerção
- Nulo/indefinido/nenhum onde um valor é esperado
- Problema de codificação ou serialização
- Truncamento ou estouro de dados
3. Problema de Estado
- Condição de corrida entre operações concorrentes
- Cache desatualizado retornando dados antigos
- Inicialização ou valores padrão incorretos
- Mutação não intencional de estado compartilhado
- Erro de transição de máquina de estados
4. Falha de Integração
- Violação de contrato de API (incompatibilidade de solicitação/resposta)
- Incompatibilidade de versão entre componentes
- Incompatibilidade de configuração entre ambientes
- Variáveis de ambiente ausentes ou incorretas
- Tempo limite de rede ou falha de conexão
5. Problema de Recurso
- Vazamento de memória causando degradação gradual
- Esgotamento do pool de conexões
- Vazamento de descritor de arquivo ou handle
- Espaço em disco ou cota excedida
- Saturação de CPU por processamento ineficiente
6. Ambiente
- Dependência de tempo de execução ausente
- Versão incorreta de biblioteca ou framework
- Diferença de comportamento específica da plataforma
- Problema de permissão ou controle de acesso
- Comportamento relacionado a fuso horário ou localidade
Padrões de Coleta de Evidências
O Que Constitui Evidência
| Tipo de Evidência | Força | Exemplo |
|---|---|---|
| Direta | Forte | O código em file.ts:42 mostra que if (x > 0) deveria ser if (x >= 0) |
| Correlacional | Média | A taxa de erro aumentou após o commit abc123 |
| Testemunhal | Fraca | "Funciona na minha máquina" |
| Ausência | Variável | Nenhuma verificação de nulo encontrada no caminho do código |
Formato de Citação
Sempre cite evidências com referências de arquivo:linha:
**Evidence**: The validation function at `src/validators/user.ts:87`
does not check for empty strings, only null/undefined. This allows
empty email addresses to pass validation.
Níveis de Confiança
| Nível | Critérios |
|---|---|
| Alto (>80%) | Múltiplas evidências diretas, cadeia causal clara, nenhuma evidência contraditória |
| Médio (50-80%) | Algumas evidências diretas, cadeia causal plausível, ambiguidades menores |
| Baixo (<50%) | Principalmente evidências correlacionais, cadeia causal incompleta, algumas evidências contraditórias |
Protocolo de Arbitragem de Resultados
Após todos os investigadores relatarem:
Etapa 1: Categorizar Resultados
- Confirmado: Alta confiança, evidências fortes, cadeia causal clara
- Plausível: Confiança média, algumas evidências, cadeia causal razoável
- Falsificado: Evidências contradizem a hipótese
- Inconclusivo: Evidências insuficientes para confirmar ou falsificar
Etapa 2: Comparar Hipóteses Confirmadas
Se múltiplas hipóteses forem confirmadas, classifique por:
- Nível de confiança
- Número de peças de evidência de apoio
- Força da cadeia causal
- Ausência de evidências contraditórias
Etapa 3: Determinar a Causa Raiz
- Se uma hipótese claramente dominar: declare como causa raiz
- Se múltiplas hipóteses forem igualmente prováveis: pode ser um problema composto (múltiplas causas contribuintes)
- Se nenhuma hipótese for confirmada: gere novas hipóteses com base nas evidências coletadas
Etapa 4: Validar Correção
Antes de declarar o bug corrigido:
- A correção aborda a causa raiz identificada
- A correção não introduz novos problemas
- O caso de reprodução original não falha mais
- Casos extremos relacionados são cobertos
- Testes relevantes são adicionados ou atualizados
Perguntas frequentes
O que são 'hipóteses'?
São as possíveis explicações ou causas para o problema que a IA vai investigar.
O que são 'evidências'?
São as pistas ou informações concretas (como trechos de código ou mensagens de erro) que ajudam a provar ou refutar uma hipótese.
Como a IA decide qual é a causa principal?
Ela compara as hipóteses com as evidências encontradas. A hipótese com as melhores e mais fortes evidências, e que explica o problema sem contradições, é considerada a causa principal.
Detalhes
Descrição original do autor
Debug complex issues using competing hypotheses with parallel investigation, evidence collection, and root cause arbitration. Use this skill when debugging bugs with multiple potential causes, performing root cause analysis, or organizing parallel investigation workflows.
repo: wshobson/agents
Popularidade
- Estrelas no GitHub
- 41 mil
- Posição no ranking
- #4795
- Licença
- MIT
- Atualizada em
- 15/10/2026
Comentários
- …
Mais skills deste repositório
screen-reader-testing
Faz seu agente testar sites usando leitores de tela para garantir que sejam acessíveis.
wshobson/agents
wcag-audit-patterns
Ajuda seu agente a auditar sites para acessibilidade e corrigir problemas de acordo com as diretrizes WCAG.
wshobson/agents
multi-reviewer-patterns
Faz seu agente coordenar revisões de código paralelas, deduplicando achados e consolidando relatórios.
wshobson/agents
parallel-feature-development
Coordena o desenvolvimento de novas funcionalidades por vários agentes. Ajuda a evitar conflitos quando vários agentes trabalham juntos.
wshobson/agents
Skills parecidas
carrier-relationship-management
Gerencia relacionamentos com transportadoras. Ajuda a negociar fretes, avaliar desempenho e construir estratégias de transporte.
affaan-m/ECC
cost-tracking
Monitora e informa o uso de tokens e custos do agente. É útil para controlar gastos e orçamentos de forma eficiente.
affaan-m/ECC
plan-canvas
Abre planos e artefatos em uma janela do navegador para você comentar. Facilita dar feedback visual sobre mudanças necessárias.
affaan-m/ECC