用于根因分析的技能，专注于识别问题发生的原因而非修复方法。通过调用Python脚本自动编排调查过程，避免手动探索，直接执行并遵循输出结果以定位故障根源。
TensorBoard是用于机器学习可视化的工具，支持训练指标监控、模型调试、实验对比、架构可视化及性能分析。
Protocol D 是一套系统化调试方法论，指导开发者通过阅读错误、隔离问题、查阅文档和假设验证等步骤，有序排查代码故障。适用于遇到报错或陷入困境时，提供结构化的排错思路与操作指南。
Ralph Wiggum 是自主调试与代码优化专家，专注于根因分析与修复现有逻辑缺陷。通过自动化测试循环、反思机制及策略性回滚，确保代码质量并消除症状式修补，严禁开发新功能。
用于检测 Entra ID 用户账户的权限或行为范围漂移，通过构建基线并对比近期活动，识别渐进式异常访问及潜在安全风险。
指导调试AReaL分布式训练问题，涵盖死锁、结果错误、OOM及通信故障。提供最小复现策略、环境配置及具体排查步骤，辅助快速定位分布式训练中的技术瓶颈。
提供Kubernetes YAML清单的只读验证工作流，涵盖语法检查、Schema校验、Dry-run测试及CRD文档查询。严格禁止修改文件，仅生成包含修复建议的报告供用户决策。
修复因对比度审计失败导致的 PageSpeed Insights/Lighthouse 错误，解决 CSS 滤镜、透明度及渐变文本等引发的可访问性问题，提升 SEO 评分。
用于处理 OpenKnowledge 故障报告与调试。通过 ok bug-report CLI 自动收集并脱敏诊断日志、系统信息及 IPC 错误，生成结构化 ZIP 包供用户提交 GitHub Issue，并提供版本过低时的更新建议及手动排查回退方案。
指导性能优化、剖析技术及瓶颈识别。用于提升应用速度、降低资源消耗或诊断性能问题，涵盖测量基线、定位热点及实施修复流程。
提供一套严谨的科研式方法论，用于将直觉转化为可验证的结论。涵盖证据评估、假设预测及追溯分析等技巧，适用于Bug机制排查、修复方案验证及提升调查可信度。
专注于SQL查询优化、索引策略及EXPLAIN分析，旨在解决慢查询问题，提升数据库性能与响应速度，减少负载成本。适用于调试慢查询、设计高性能Schema及优化应用性能等场景。
针对顽固Bug和性能回归的诊断技能，核心在于构建紧密的反馈循环以复现问题。提供从编写测试到自动化二分查找等多种手段，强调通过快速、确定性的信号定位根因，适用于报告故障或缓慢的场景。
用于调试和修复CI检查失败的技能。通过定位分支、分析日志、本地复现及最小化修复，解决构建或测试问题，并支持release分支的cherry-pick与合规发布流程。
