mcpField
I
issue-triage

issue-triage

github.com/yunshu0909開発78879 回インストール3 週間前に更新
リポジトリ

issue-triage について

issue-triageは、GitHub Issueに対応するプロジェクト保守担当者向けのスキルです。コードの呼び出し経路を追って根本原因を調べ、対応の要否を評価して返信を作成します。判断や公開の前にユーザーの確認を得ます。

主な機能

  1. 01Issueの全内容を取得して確認
  2. 02コード経路を追って根本原因を特定
  3. 03バグ、制約、機能要望を分類
  4. 04範囲、影響、テスト条件を評価
  5. 05承認後に公開する返信を作成
  6. 06ラベル付けとバックログ記録を提案

活用シーン

  1. 01GitHub Issueで報告された不具合を調査
  2. 02機能要望の実装コストとリスクを評価
  3. 03対応しない問題の回避策を説明
  4. 04Issueへの返信を作成して公開

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/yunshu0909/yunshu_skillshub --skill issue-triage

インストール後、Claude Code で/issue-triageを入力して読み込まれたか確認します。

詳細

プロジェクトの README より

用户收到了一个 GitHub Issue(bug 报告、疑问、feature request),需要 AI 协助分析问题、判断是否要做、起草回复。AI 全程主导推进,用户只在关键节点做判断。

核心原则

  • 先诊断后开口 — 没看完代码不下结论,没找到根因不定性
  • 对用户诚实 — 是 bug 就认,是架构限制就说清楚,不甩锅也不画饼
  • 量化成本 — "成本高"不是结论,要说清楚高在哪:改几个文件、涉及哪些模块、有没有测试条件
  • 给替代方案 — 不做不等于不管,要告诉用户现在怎么绕过

工作流程

第 1 步:获取 Issue 内容

目标: 拿到 issue 的完整信息。

方法:

  1. 用户提供 issue 链接或仓库地址
  2. 通过 gh issue view 或 WebFetch 获取 issue 详情
  3. 提取关键信息:用户环境、复现步骤、期望行为、实际行为、用户的猜测

输出: 向用户简要转述 issue 内容,确认理解无误。

禁止: 只看标题就开始分析。必须读完 issue 全文。

第 2 步:代码诊断

目标: 在代码中找到根因。

方法:

  1. 从 issue 描述中提取关键词(功能名、错误信息、页面名等)
  2. 在代码中定位相关链路:从前端入口 → IPC 调用 → 后端处理 → 底层实现
  3. 画出完整调用链,标注每个环节的文件和行号
  4. 确认根因:代码哪里出了问题,或者代码为什么不支持用户的场景

输出: 向用户展示:

  • 完整调用链(文件 + 行号)
  • 根因的一句话总结
  • 必要时附关键代码片段

禁止:

  • 没读代码就猜原因
  • 只看一个文件就下结论(要追完整条链路)
第 3 步:定性

目标: 判断这个 issue 属于哪种类型。

类型判断标准应对策略
Bug在产品设计范围内,行为不符合预期排期修复
架构限制用户场景超出产品的设计前提解释现状,评估是否值得扩展
Feature Request产品本身没问题,用户想要新能力评估成本和优先级
使用问题用户操作方式不对,但产品可以做得更友好回复指引,考虑优化体验

关键判断: 区分"该做但做错了"(bug)和"没打算做"(架构限制/feature)。

输出: 向用户说明定性结论和理由,等用户确认后再往下走。

第 4 步:决策(做还是不做)

目标: 基于根因和定性,给出做/不做的建议。

评估四个维度
  1. 改动范围 — 改几行 / 改一个模块 / 新增一个模块
  2. 影响面 — 只动一个文件 / 要改多个文件的调用链 / 要重构
  3. 测试条件 — 有没有环境能复现和验证(没环境 = 高风险)
  4. 用户绕过成本 — 用户自己能不能用其他方式解决
决策矩阵
改动范围有测试条件用户可绕过建议
小(几行)有—直接修
中(一个模块)有—排期做
大(新模块/重构)有否评估后排期
大(新模块/重构)没有是记下需求,暂不做
任意没有是告知绕过方案,需求记下

输出: 向用户说明建议和理由。如果建议不做,要量化成本(改几个文件、涉及哪些模块、为什么没法测)。

等用户确认决策后,再进入回复环节。

第 5 步:起草回复

目标: 写一条专业、得体、有信息量的 issue 回复。

回复结构(三层)
  1. 解释场景定位 — 这个功能是为什么场景设计的,让用户理解"为什么当前不支持"
  2. 给出实际影响 — 对用户来说,没有这个功能影响大不大,有没有替代方案
  3. 说明后续计划 — 如果做,给方向;如果不做,诚实说明成本和原因
语气原则
  • 感谢反馈 — 用户花时间提 issue 值得尊重
  • 不甩锅 — 不说"你用错了",说"这个场景我们还没覆盖到"
  • 给具体建议 — 不只说"不行",要告诉用户现在怎么办
  • 量化成本 — 让用户理解不是不想做,是客观上成本高
回复模板
Hi @{用户名},感谢反馈!

**1. 功能定位**
{这个功能是为什么场景设计的,为什么当前不支持用户的场景}

**2. 对你的实际影响**
{用户现在能不能绕过,怎么绕过,核心功能是否受影响}

**3. 关于{用户期望的能力}**
{成本说明 + 后续计划}

输出: 回复草稿,等用户确认后发布。

禁止:

  • 不经用户确认就直接发布到 GitHub
  • 用技术黑话回复非技术用户
  • 只说结论不解释原因
第 6 步:发布

用户确认回复内容后:

  1. 通过 gh issue comment 发布评论
  2. 根据定性结果打标签(bug / enhancement / wontfix / question)
  3. 如果需要记录为需求,提醒用户是否要加到需求池

过程中的沟通规范

AI 主导的节奏
  1. 每一步完成后主动推进到下一步
  2. 关键结论让用户确认后再往下走(定性、决策、回复内容)
  3. 技术细节 AI 自己搞定,只向用户展示结论
必须等用户确认的节点
步骤确认什么
第 1 步"issue 内容我理解的对吗?"
第 3 步"这个定性你认同吗?"
第 4 步"这个决策你同意吗?"
第 5 步"回复内容可以发吗?"
不需要问用户的
事项直接做
代码怎么查AI 自己追链路
根因怎么分析AI 自己判断
成本怎么量化AI 自己评估

コメント