一個嚴謹、多階段的診斷循環，旨在透過結構化的複現和回饋循環來追蹤棘手的 Bug 和效能回退。
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 mp-diagnose
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 mp-diagnose。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 diagnose？
diagnose 技能為排查複雜的系統技術異常提供了一個嚴謹的框架，將 Debug 從憑空猜測轉變為結構化的工程學科。透過優先建立自動化的、確定性的回饋循環，它能確保開發人員和 AI 智能體高效隔離根本原因，而不是盲目地盯著程式碼。
該工作流程涵蓋了回饋建構、複現確認、多假設排序、精準插樁、迴歸測試和事後清理。它經過特別優化，旨在提高非確定性 Bug 的複現率，建立一個能夠可預測地擷取、分析並永久解決軟體錯誤的執行路徑。
diagnose 應用場景
- 偵錯難以複現的 Bug： 系統性地提高不穩定（Flaky）或非確定性軟體故障的複現率。
- 效能回退隔離： 使用精準的效能分析（Profiling）基準，測量、二分並診斷突然的速度下降或資源瓶頸。
- 根本原因分析 (RCA)： 制定並驗證多個可證偽的假設，以發現系統在特定條件下失敗的原因。
- 迴歸測試驗證： 透過建立正確的測試接縫並在合併程式碼變更前驗證修復程式，從而徹底鎖定 Bug。
diagnose 運作原理
- 建構回饋循環： 建構一個快速、確定性的成功/失敗訊號（例如失敗的測試、curl 腳本或 Headless 瀏覽器循環），以立即擷取 Bug。
- 複現： 運行該循環以確認準確的失敗模式與使用者描述相符，並記錄其獨特的症狀。
- 提出假設： 針對根本原因生成 3–5 個排好序的、可證偽的預測，並提交給使用者進行早期驗證。
- 插樁： 透過插入獨特的標記記錄（例如
[DEBUG-a4f2]）或利用互動式偵錯器來測試活動假設，從而針對特定的邊界進行排查。 - 修復與迴歸測試： 建立正確的測試接縫，將最小化的複現腳本轉化為失敗的測試，應用永久修復，並確保測試通過。
- 清理與事後總結： 清除所有臨時 Debug 程式碼，刪除拋棄式測試腳手架，記錄正確的假設，並評估架構改進。
diagnose 設定指南
要在 Openclaw Skills 中啟動診斷程序，請在您的儲存庫執行環境中調用該工具。
請確保當前工作目錄中備有相關的專案領域詞彙表和架構決策記錄 (ADRs)，以幫助智能體理解上下文邊界。
# Trigger the debugging and diagnostic agent flow
openclaw run diagnose --target="bug-description-or-issue-id"
# Grep and clean up temporary tagged instrumentation when complete
grep -rn "[DEBUG-" ./
diagnose 資料結構與分類體系
diagnose 技能透過以下產物和結構來組織其排錯生命週期：
| Phase Component | Artifact / Strategy Type | Description |
|---|---|---|
| Feedback Seams | Test Scripts / Mocks | 單元測試、整合測試、e2e、Playwright/Puppeteer 腳本，或用於暴露錯誤路徑的拋棄式腳手架。 |
| Hypothesis Format | Falsifiable String | 明確格式化為：*"If |
| Trace Elements | Unique Tagged Logs | 注入到整個程式碼庫分支中的臨時記錄結構，使用統一的、可被 grep 的前綴，如 [DEBUG-...]。 |
| Baseline Capture | Timing Harness / Profiler Maps | 高解析度時間戳記（performance.now()）、查詢執行計畫或 Profiler 狀態，用於追蹤效能指標。 |
diagnose 進階特性
- 提高非確定性 Flake 發生率： 循環觸發高達 100 次，增加並行系統壓力，注入策略性的 sleep 語句，並收窄時間窗口，將 1% 的 Flake 機率提升至可偵錯的 50%+ 門檻。
- 二分自動化腳手架： 透過確定不同程式碼庫版本或歷史資料集中的狀態，與
git bisect run等自動化執行路徑無縫整合。 - 人工介入 (HITL) 備援： 當環境需要實體使用者介面互動時，使用類似
scripts/hitl-loop.template.sh的範本退回到互動式使用者執行模式。 - 跨技能架構交接： 當糟糕的測試隔離或緊密耦合阻礙了正確的接縫注入時，直接將架構系統缺陷輸入到
/improve-codebase-architecture技能中。
SKILL.md
加載中
Openclaw 相關技能
Database Schema Designer
一個專業的資料庫建模技能，從架構上將業務需求轉化為生產就緒的 schema、ER 圖、索引策略和優化的 DDL 定義。
原始人模式 (Caveman Mode)
Caveman Mode 是一種超壓縮通訊協定，透過丟棄對話填充詞與冠詞，在保持 100% 技術準確性的同時，將 LLM Token 消耗減少高達 75%。
精選*
