| name | systematic-debugging |
| description | Use when encountering any bug, test failure, or unexpected behavior, before proposing fixes - four-phase framework (root cause investigation, pattern analysis, hypothesis testing, implementation). NO FIXES WITHOUT ROOT CAUSE INVESTIGATION FIRST. |
| metadata | {"short-description":"系统化调试与根因分析","keywords":["systematic-debugging","调试","Bug 修复","根因分析","问题诊断","堆栈追踪","生产环境调试","root cause","debugging"],"category":"调试","author":"Bensz Conan","platform":"Claude Code | OpenAI Codex | ChatGPT","iron-law":"NO FIXES WITHOUT ROOT CAUSE INVESTIGATION FIRST\n"} |
Systematic Debugging - 系统化调试
与 bensz-collect-bugs 的协作约定
- 因本 skill 设计缺陷导致的 bug，先用
bensz-collect-bugs 规范记录到 ~/.bensz-skills/bugs/，不要直接修改用户本地已安装的 skill 源码；若有 workaround，先记 bug，再继续完成任务。
- 只有用户明确要求“report bensz skills bugs”等公开上报时，才用本地
gh 上传新增 bug 到 huangwb8/bensz-bugs；不要 pull / clone 整个仓库。
铁律
NO FIXES WITHOUT ROOT CAUSE INVESTIGATION FIRST
违反规则的信件就是违反规则的精神。
无例外：
- 不跳过根因调查直接修复
- 不基于猜测进行修复
- 不尝试多个更改同时测试
- 不在不完全理解的情况下修复
常见合理化
| 借口 | 现实 |
|---|
| "快速修复现在，稍后调查" | 永不会有"稍后"。技术债积累 |
| "尝试改变 X，看是否有效" | 猜测不是调试。可能碰巧修复但未理解 |
| "添加多个更改，运行测试" | 无法确定哪个更改有效。浪费调试时间 |
| "可能大概差不多是 X" | 模糊理解导致错误修复 |
| "不完全理解但可能有效" | 理解不完全=修复不完整 |
红色标志 - 停止并重新开始
- "快速修复现在，稍后调查"
- "尝试改变 X，看是否有效"
- "添加多个更改，运行测试"
- "可能大概差不多是 X，让我修复"
- "不完全理解但可能有效"
- 基于猜测而非证据的修复
所有这些意味着：停止修复。回到根因调查阶段。
四阶段框架
阶段 1：根因调查
任何修复前：
-
仔细阅读错误消息
-
一致复现
-
检查最近变更
-
多组件系统收集证据
- 记录进入组件的数据
- 记录退出组件的数据
- 验证环境/配置传播
- 检查每层状态
运行一次以收集显示何处中断的证据
然后分析证据以识别失败组件
然后调查该特定组件
-
追踪数据流
阶段 2：模式分析
- 找到工作示例
- 与参考对比
- 识别差异
- 理解依赖
阶段 3：假设与测试
- 形成单一假设："我认为 X 是根本原因，因为 Y"
- 最小化测试：进行最小可能更改
- 验证后再继续
- 3+ 次修复失败时：质疑架构
阶段 4：实现
- 创建失败测试用例
- 实施单一修复：只改验证该假设所需的最小范围
- 验证修复：一次只验证一个假设，不把多个修复混在同一次验证里
- 收敛范围：避免顺手重构、无关格式化或新增未证明必要的抽象
- 如果 3+ 次修复失败：质疑架构
核心理念
系统化调试 不是碰运气，而是方法化地解决问题的科学流程。
┌─────────────────────────────────────────────────────────┐
│ 收集证据 → 形成假设 → 系统验证 → 定位根因 → 实施修复 │
└─────────────────────────────────────────────────────────┘
核心原则：
- 基于证据，而非猜测
- 治疗根本原因，而非症状
- 一次验证一个假设
- 记录整个过程
何时使用本技能
在以下场景时激活：
- 出现错误、异常、Bug
- 需要分析堆栈追踪（Stack Trace）
- 提到"调试"、"排查问题"、"定位根因"
- 生产环境问题分析
- 跨文件或跨模块的问题追踪
- 间歇性 Bug（时有时无）
调试工作流程
步骤 1：收集证据 📋
信息收集清单：
| 证据类型 | 收集方法 | 重要性 |
|---|
| 完整堆栈追踪 | 复制完整错误信息 | ⭐⭐⭐⭐⭐ |
| 相关日志 | 查看应用日志 | ⭐⭐⭐⭐⭐ |
| 复现步骤 | 记录如何触发问题 | ⭐⭐⭐⭐ |
| 环境信息 | OS、版本、依赖 | ⭐⭐⭐ |
| 代码变更 | 最近的 Git 提交 | ⭐⭐⭐⭐ |
| 用户输入 | 触发问题的数据 | ⭐⭐⭐ |
堆栈追踪分析示例：
Traceback (most recent call last):
File "app.py", line 45, in process_order
result = payment_service.charge(amount)
File "payment.py", line 78, in charge
return api_client.post("/charge", data)
File "api.py", line 23, in post
response = self.session.request(method, url, **kwargs)
ssl.SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed
分析要点：
- 从下往上读：最下面是根本原因
- 追踪调用链：app.py → payment.py → api.py
- 识别错误类型：SSL 证书验证失败
- 定位失败点：api.py 第 23 行
步骤 2：形成假设 💡
假设生成规则：
- 基于证据：不要凭空猜测
- 优先考虑最近变更
- 从简单到复杂排序
- 一次只关注一个假设
假设模板：
假设：[问题描述] 的原因是 [根本原因]
触发条件：[什么情况下会出现]
验证方法：[如何证明或否定]
假设示例：
假设：SSL 错误的原因是生产环境缺少证书文件
触发条件：部署到生产环境后首次调用 API
验证方法：检查 /etc/ssl/certs/ 目录是否存在证书
常见根因分类：
| 类别 | 典型原因 | 检查方法 |
|---|
| 配置问题 | 环境变量、配置文件错误 | 检查 .env、config |
| 依赖问题 | 版本冲突、缺失依赖 | 检查 requirements.txt |
| 数据问题 | 空值、格式错误、边界值 | 检查输入数据 |
| 并发问题 | 竞态条件、死锁 | 检查锁、线程安全 |
| 资源问题 | 内存泄漏、连接池耗尽 | 检查资源使用 |
| 逻辑错误 | 边界条件、空值处理 | 代码审查 |
步骤 3：系统验证 🔍
验证原则：
- 一次验证一个假设（控制变量）
- 设计最小化验证实验
- 记录验证过程和结果
- 用排除法缩小范围
验证方法：
def process_order(order_id):
logger.info(f"Processing order: {order_id}")
order = get_order(order_id)
logger.debug(f"Order data: {order}")
import pdb; pdb.set_trace()
def test():
process_order({"id": 1, "amount": 0})
验证记录模板：
## 假设验证记录
### 假设 1：证书文件缺失
- **验证方法**：检查文件是否存在
- **验证结果**：❌ 文件存在
- **结论**：假设不成立，排除
### 假设 2：证书过期
- **验证方法**：检查证书有效期
- **验证结果**：✅ 证书已于 3 天前过期
- **结论**：假设成立，定位根因
步骤 4：定位根因 🎯
区分症状与根因：
使用五问法（5 Whys）深入挖掘：
问题：订单处理失败
Why 1: 为什么失败？
→ API 调用返回 500 错误
Why 2: 为什么 API 返回 500？
→ 数据库查询超时
Why 3: 为什么查询超时？
→ 缺少索引导致全表扫描
Why 4: 为什么缺少索引？
→ 新增字段时未同步添加索引
Why 5: 为什么未添加索引？
→ 没有 Code Review 流程
根因：缺少 Code Review 机制（而非"API 返回 500"）
根因特征：
- ✅ 可操作：可以采取措施
- ✅ 可预防：可以防止再次发生
- ✅ 系统级：不是个人失误
步骤 5：实施修复 🔧
修复原则：
- 最小化修复范围
- 添加回归测试
- 修复后验证
- 更新文档
修复清单：
## 修复计划
### 代码修复
- [ ] 修改代码：[具体位置]
- [ ] 添加测试：[测试用例]
- [ ] 运行测试确认通过
### 预防措施
- [ ] 添加检查机制
- [ ] 更新文档
- [ ] 团队分享经验
### 验证
- [ ] 本地验证
- [ ] 测试环境验证
- [ ] 生产环境验证
调试技巧库
技巧 1：二分法调试
当问题可能出现在多个位置时：
def complex_function(data):
logger.info("Step 1: Start")
result1 = step1(data)
logger.info(f"Step 1 result: {result1}")
logger.info("Step 2: Start")
result2 = step2(result1)
logger.info(f"Step 2 result: {result2}")
logger.info("Step 3: Start")
result3 = step3(result2)
logger.info(f"Step 3 result: {result3}")
return result3
技巧 2：最小化复现
def test_minimal_reproduction():
order = {"amount": 100}
result = process_payment(order)
assert result.success
技巧 3：对比法调试
def test_working_vs_broken():
result_working = old_api_call(data)
try:
result_broken = new_api_call(data)
except Exception as e:
print(f"Broken: {e}")
compare_results(result_working, result_broken)
技巧 4：环境隔离
docker run -it python:3.11 bash
python -m venv debug_env
source debug_env/bin/activate
常见问题模式
模式 1：时序问题
症状：间歇性失败，时好时坏
根因：竞态条件、异步操作未正确等待
调试方法：
from tenacity import retry, stop_after_attempt, wait_fixed
@retry(stop=stop_after_attempt(3), wait=wait_fixed(1))
def flaky_operation():
pass
模式 2：内存问题
症状：性能逐渐下降，最终崩溃
根因：内存泄漏
调试方法：
import tracemalloc
tracemalloc.start()
snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno')
for stat in top_stats[:10]:
print(stat)
模式 3：状态污染
症状：测试单独通过，批量运行失败
根因：测试间共享状态
调试方法：
@pytest.fixture(autouse=True)
def reset_state():
reset_database()
reset_cache()
yield
cleanup()
验证清单
修复完成后，检查：
相关参考
