一個嚴格的 7 階段協作工作流，專為人類與 AI 代理設計，旨在系統地識別和解決間歇性或多系統技術故障。
安裝與下載
1. ClawHub CLI
從來源直接安裝技能的最快方式。
npx clawhub@latest install complex-bug-debugging-with-ai
2. 手動安裝
將技能資料夾複製到以下位置之一
~/.openclaw/skills/ <project>/skills/ 優先級：工作區 > 本地 > 內建
3. 提示詞安裝
將此提示詞複製到 OpenClaw 即可自動安裝。
請幫我使用 Clawhub 安裝 complex-bug-debugging-with-ai。如果尚未安裝 Clawhub，請先安裝（npm i -g clawhub）。
想要直接下載？
取得包含原生技能檔案的ZIP壓縮檔。
什麼是 使用 AI 調試複雜 Bug？
此技能為診斷人類或 AI 都無法孤立解決的複雜 Bug 提供了一套高級工程框架。它將調試過程從混亂的搜尋轉變為規範的 7 階段工程工作流。透過對 AI 代理和開發人員實施相互約束，確保每個結論都有實證數據支持，每個決策都充分意識到生產風險。
在 Openclaw Skills 中使用此框架可確保高效利用 Opus 4.7 等高級模型，防止產生幻覺假設，並確保診斷路徑始終透過即時代碼和日誌分析進行驗證。它更像是一本診斷手冊而非單純的案例庫，定義了在初始嘗試失敗時如何調查問題。
使用 AI 調試複雜 Bug 應用場景
- 解決難以穩定復現的間歇性 Bug。
- 調試多服務架構、集群或分散式系統中的故障。
- 調查初始代碼更改未能修復問題 技術故障。
- 管理需要結合領域直覺與 AI 耐心的長期調試會話。
- 處理觀測數據與預期邏輯相矛盾的悖論症狀。
使用 AI 調試複雜 Bug 運作原理
- 在接觸任何代碼之前，就業務邏輯路徑和業務鏈的視覺映射達成一致。
- 完成結構化的症狀清單，涵蓋復現率、環境差異和近期變更以構建上下文。
- 運行自主邊界測試循環，由 AI 設計二分搜尋實驗以縮小診斷空間。
- 設計多個解決方案並將其呈現在風險評估表中，要求人類開發人員做出最終部署決策。
- 執行修復並利用並行數據對比立即重新驗證原始故障點。
- 如果提議的解決方案未能解決問題，則主動升級並分析失敗原因，防止陷入「現在應該已經修復了」的陷阱。
- 透過記錄 Bug 模式和反診斷特徵完成閉環知識沉澱，以供未來參考。
使用 AI 調試複雜 Bug 設定指南
為了有效使用此協議，請確保您的 Openclaw Skills 環境已正確配置高級模型及必要的工具存取權限。
- 確保活動模型為 Opus 4.7 或更高版本，以避免線性假設偏差。
- 驗證代碼讀取、日誌分析 (SSH/K8S) 和資料庫查詢的工具存取權限。
- 透過描述複雜症狀來激活協議。
# 使用 AI 代理觸發該技能的示例
"I have an intermittent 500 error in the checkout service that I've been tracking for two days. Let's use the complex-bug-debugging-with-ai protocol."
使用 AI 調試複雜 Bug 資料結構與分類體系
該技能生成結構化的診斷數據，並最終彙總為事後總結文檔，以提高未來 Openclaw Skills 的性能。
| 數據組件 | 描述 |
|---|---|
| 路徑圖 | 涉及的服務鏈的視覺或文本表示。 |
| 症狀矩陣 | 關於復現率、環境增量 (Deltas) 和近期變更的結構化表格。 |
| 實驗日誌 | 針對運行的每個診斷命令，對預期數據與實際數據進行側對側對比。 |
| 解決方案表 | 修復選項的對比，包括修復強度、生產影響和回滾成本。 |
| BUGxx.md | 包含症狀查表、負面特徵和 5 分鐘自檢指令的最終文檔。 |
使用 AI 調試複雜 Bug 進階特性
- 相互合規門禁：如果人類提供模糊數據或跳過關鍵對齊步驟，AI 將暫停工作流。
- 自主二分診斷：代理專門設計實驗以平分搜尋空間，而不是暴力執行命令。
- 主動失敗升級：如果修復失敗，代理會立即分析失敗證據，而不是默默嘗試另一種修復方法。
- 知識庫集成：自動將發現格式化為 Bug 模式診斷模板，以構建本地專家系統。
- 風險感知決策支持：透過量化影響和回滾複雜度，強制在生產變更中進行「人工干預」決策。
SKILL.md
加載中
Openclaw 相關技能
Job Auto-Apply 技能
一個 AI 驅動的自動化系統，使用 Clawdbot 和 SkillBoss API Hub 在多個平台搜尋職位並處理投遞。
精選*
