mcpField
L
log-analysis

log-analysis

github.com/naodeng开发28941 次安装今天更新
代码仓库

关于 log-analysis

用于从日志重建事件、发现异常并提出可验证因果假设的技能。它引导分析关联证据,同时关注敏感数据、日志缺失、采样和结论的不确定性。

主要功能

  1. 01重建事件时间线
  2. 02错误聚类与上下文关联
  3. 03发现异常与频率变化
  4. 04脱敏敏感数据
  5. 05提出基于证据的假设

适用场景

  1. 01根据日志调查事故
  2. 02审查日志分析计划
  3. 03关联跨服务错误
  4. 04识别日志缺口与分析限制

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/naodeng/awesome-qa-skills --skill log-analysis

安装后在 Claude Code 中输入/log-analysis确认已加载。

包含的文件

除 SKILL.md 外,安装时一起下载的参考资料和脚本。

agents/
openai.yaml
evals/
eval.yaml
evals/cases/
basic-success.yaml
edge-incomplete-input.yaml
edge-risk-priority.yaml
review-normal-log-control.yaml
review-raw-log-timeline.yaml
prompts/
log-analysis.md

详细介绍

日志分析

适用场景

  • 当你需要从结构化和非结构化日志中还原事件、检测异常并提出可验证的因果假设时,使用此技能。
  • 使用此技能审查现有计划、结果或证据集,并提出可执行的改进措施。
  • 当上下文不完整,但仍值得先进行有限范围的初步分析时,使用此技能。

输出格式选项

  • 默认使用 Markdown 进行审查、执行和渐进式改进。
  • 当用户要求使用表格、CSV、JSON 或工单字段时,保留风险、证据、优先级和边界信息。
  • 对于供机器处理的输出,先确认架构、枚举值和必填字段。

使用方法

  1. 阅读并遵循 prompts/log-analysis.md,包括其中的输入约定、执行规则、最低覆盖要求和输出顺序。
  2. 只补充会影响决策的上下文:范围、环境、版本、约束、证据和成功标准。
  3. 审核输入,然后区分已确认的事实、当前假设和待解答的问题。
  4. 根据风险和证据强度排序,并生成可直接执行或审查的产物。
  5. 如果缺少信息,则提供有限范围的初步分析,并说明哪些结论缺乏依据。

参考文件

  • 始终阅读 prompts/log-analysis.md;它是此技能的完整执行规范。
  • 对于评估或回归测试,请阅读 evals/eval.yaml 以及 evals/cases/ 中的相关用例。
  • 仅当这些目录存在且任务需要时,才加载 references/、examples/、scripts/ 或 output-formats.md。

核心约束

  • 不要将日志行视为根本原因。
  • 对敏感数据进行脱敏。
  • 说明时区、采样情况和日志缺失带来的限制。
  • 绝不编造证据中未提供的系统行为、字段、数据、指标或根本原因。
  • 将重要结论与证据关联;对于缺乏依据的结论,应标记为假设并说明验证方法。
  • 根据业务影响、可能性或可检测性说明优先级。

交付清单

  • 已覆盖:时间线、错误聚类、上下文关联、频率变化、敏感数据、日志缺口、跨服务一致性、变更关联。
  • 已区分事实、假设、缺口和建议。
  • 为高风险事项标注了优先级、证据依据、负责人或后续行动。
  • 定义了可验证的决策标准,而非泛泛的建议。
  • 未执行未经授权的生产环境写入或破坏性操作。

常见陷阱

  • 列出检查项,却未说明前提条件、预期结果或证据。
  • 将所有事项都标为高优先级,回避取舍。
  • 用工具名称或泛泛的理论取代领域分析。
  • 因输入不完整而拒绝分析,或假装不完整的证据足以支撑确定结论。

最佳实践

  • 从最可能导致业务损失、安全问题或发布受阻的路径着手。
  • 通过范围最小且可验证的实验减少不确定性,并记录复现条件。
  • 确保产物可执行,并可由其他工程师独立审查。

评论

支持 Markdown