指导如何将直觉转化为可交付的修复方案，涵盖证据标准、假设预测及分析技巧。用于评估漏洞机制、验证结论可信度或证明修复有效性。
用于自动诊断并修复CI流水线中的失败检查。通过定位失败任务、本地复现问题、最小化范围修复根因，并处理分支合并策略，最终推动CI重新运行直至通过，保障代码质量与发布流程。
基于GitNexus的代码调试技能，通过query、context、trace等工具追踪错误来源、调用链和代码执行流程，辅助定位Bug根因。
通过 Executor MCP 查询生产环境遥测数据（Axiom 追踪、Postgres、PostHog），用于排查错误、延迟、用户流失及验证部署，包含字段布局与查询配方。
通过查询 GitHub Commit 的 Check-runs 而非 Run 结论，准确诊断 CI 失败状态。解决因并发取消导致的漏报问题，提供标准化的排查命令与分页陷阱规避指南。
诊断技能，检查本地 @metaharness/kernel 版本与脚手架 manifest.json 中记录版本的偏差。通过对比版本输出匹配、警告或失败状态，并在版本不一致时提供修复命令，确保跨机器兼容性并快速定位问题。
自动分析用户报告的网站广告与反拦截机制，通过浏览器子代理提取DOM特征并生成BlockAds规则，更新报告状态。
解析CI失败日志，识别故障作业与步骤，按flake、regression、env或config分类，并建议最小修复、观察或人工升级。适用于CI巡检循环中在尝试修复前进行初步排查和决策。
用于排查运行时依赖和环境漂移，检查OpenCV/Kornia等库的导入失败、pyproject元数据及环境差异，提供诊断命令。
