Pular para o conteúdo
Skillpedia
APIs e servidores (backend)40 mil · #5263

phoenix-cli

Ajuda seu agente a depurar aplicações de IA. Ele permite analisar erros e dados para entender falhas e melhorar o desempenho.

O que ela faz

Esta ferramenta ajuda a entender e corrigir problemas em aplicações de inteligência artificial (IA). Ela permite ver os detalhes de como a IA funcionou, analisar erros e organizar essas informações para encontrar a causa dos problemas.

Quando usar

  • ✓Quando uma aplicação de IA não está funcionando como esperado.
  • ✓Ao tentar entender por que a IA cometeu um erro específico.
  • ✓Para organizar e categorizar falhas comuns em sistemas de IA.

Exemplo do que pedir para a IA

“Analise os últimos erros da minha aplicação de IA e me ajude a encontrar um padrão.”

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

https://github.com/github/awesome-copilot/blob/main/skills/phoenix-cli/SKILL.md

Mensagem pronta para colar

Use esta skill para me ajudar: https://github.com/github/awesome-copilot/blob/main/skills/phoenix-cli/SKILL.md Leia o arquivo SKILL.md desse link e siga as instruções dele na minha tarefa.
Como funciona

Você usa comandos no terminal para buscar informações sobre o funcionamento da IA, como 'rastros' (traces) e 'segmentos' (spans). Depois, pode adicionar notas ou organizar essas informações para criar um relatório de erros.

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 github/awesome-copilot --skill phoenix-cli

Ou baixe só o arquivo:

curl -L https://raw.githubusercontent.com/github/awesome-copilot/main/skills/phoenix-cli/SKILL.md -o SKILL.md
Conteúdo técnico (SKILL.md)

Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.

Phoenix CLI

Invocação

px <resource> <action>                          # if installed globally
npx @arizeai/phoenix-cli <resource> <action>    # no install required

A CLI usa comandos de recurso singular com subcomandos como list e get:

px trace list
px trace get <trace-id>
px trace annotate <trace-id>
px trace add-note <trace-id>
px trace-annotations delete
px span list
px span annotate <span-id>
px span add-note <span-id>
px span-annotations delete
px session list
px session get <session-id>
px session annotate <session-id>
px session add-note <session-id>
px session-annotations delete
px dataset list
px dataset get <name>
px project list
px project get <name>
px annotation-config list
px auth status
px profile list
px profile show [name]
px profile create <name>
px profile use <name>
px profile edit <name>
px profile delete <name>

Configuração

export PHOENIX_HOST=http://localhost:6006
export PHOENIX_PROJECT=my-project
export PHOENIX_API_KEY=your-api-key  # if auth is enabled

Sempre use --format raw --no-progress ao enviar para jq.

Referência Rápida

Tarefa Arquivos
Olhar rastros, spans ou sessões amostrados e escrever notas específicas sobre o que deu errado (sem taxonomia ainda) references/open-coding
Agrupar essas notas em uma taxonomia de falhas estruturada e quantificar o que importa references/axial-coding

Ambos os estágios marcam cada artefato com um identificador de anotação de codificação compartilhado (forma descritiva, por exemplo, coding-run:chatbot-context-loss-2026-05-06) para que a execução seja consultável, reversível e visualizável como uma unidade. Passe --identifier <value> explicitamente em cada chamada px — o herança do shell é não confiável entre os harnesses do agente. A codificação aberta escreve notas via px ... add-note e registra um pequeno arquivo JSONL local em .px/coding/<sanitized-identifier>.jsonl; a codificação axial lê esse arquivo como a entrega determinística e registra rótulos em .px/coding/<sanitized-identifier>-axial.jsonl. Escolha o identificador uma vez por execução (veja references/open-coding.md), depois compartilhe o link da UI do Phoenix da seção de resumo. A reversão é opcional e executa três exclusões vinculadas ao identificador somente após confirmação explícita do usuário.

Termo do fluxo de trabalho vs. nome da anotação do servidor. A prosa da habilidade chama esse valor de identificador de anotação de codificação (dica de variável de shell: CODING_ANNOTATION_IDENTIFIER). O NOME da anotação do lado do servidor usado para o filtro da UI permanece inalterado — coding_session_id — para compatibilidade de dados com linhas já escritas por execuções anteriores. Não tente renomear a anotação do lado do servidor; trate a assimetria como um ponto de carga.

Fluxos de Trabalho

"O que faço depois de instrumentar?" / "Onde devo focar?" / "O que está dando errado?" open-coding → axial-coding → construir avaliações para as categorias principais.

Categorias de Referência

Prefixo Descrição
references/open-coding Notas em formato livre contra rastros, spans ou sessões amostrados — use-o sempre que o usuário quiser entender o tráfego do LLM, mas ainda não tiver categorias de falha. Inclui um diagnóstico de unidade de análise para que o fluxo de trabalho seja executado no nível em que os modos de falha realmente residem (rastros para chamadas de tiro único sem estado, sessões para agentes de múltiplos turnos, spans para falhas mecânicas/isoladas).
references/axial-coding Agrupamento indutivo de notas em uma taxonomia MECE com contagens — use-o sempre que o usuário tiver observações e precisar de categorias ou alvos de avaliação

Autenticação

px auth status                                # check connection and authentication
px auth status --endpoint http://other:6006   # check a specific endpoint
px auth status --profile staging              # check a named profile's connection

Perfis

Perfis nomeados permitem alternar entre várias instâncias do Phoenix (local, staging, nuvem) sem ter que gerenciar variáveis de ambiente. Os perfis são armazenados em ~/.px/settings.json (ou $XDG_CONFIG_HOME/px/settings.json).

Prioridade de configuração (mais alta para mais baixa): flags da CLI > variáveis de ambiente > perfil ativo > padrões integrados.

px profile list                              # listar todos os perfis (mostra o perfil ativo)
px profile show                              # mostrar as configurações do perfil ativo

…
Perguntas frequentes

O que são 'traces' e 'spans'?

'Traces' mostram o caminho completo de uma requisição pela aplicação de IA, e 'spans' são partes menores desse caminho que detalham operações específicas.

Como eu configuro a ferramenta?

Você precisa definir onde a ferramenta deve se conectar (PHOENIX_HOST) e qual projeto analisar (PHOENIX_PROJECT), além de uma chave de API se necessário.

Posso usar a ferramenta sem instalar nada?

Sim, você pode usar o comando `npx @arizeai/phoenix-cli ...` que executa a ferramenta diretamente do navegador de pacotes.

Detalhes

Descrição original do autor

Debug LLM applications using the Phoenix CLI. Fetch traces, analyze errors, structure trace review with open coding and axial coding, inspect datasets, review experiments, query annotation configs, and use the GraphQL API. Use whenever the user is analyzing traces or spans, investigating LLM/agent failures, deciding what to do after instrumenting an app, building failure taxonomies, choosing what

repo: github/awesome-copilot

Popularidade

Estrelas no GitHub
40 mil
Posição no ranking
#5263
Licença
MIT
Atualizada em
15/10/2026

Essa skill é útil?

0

Entre para votar.

Comentários

  • …

Mais skills deste repositório

Skills parecidas