CommunityProgramación y desarrollogithub.com

yaniv256/investigación-de-incidentes

Una metodología estructurada y basada en hipótesis para depurar incidentes de producción, construida en torno al principio del máximo dolor. Empaquetada como una habilidad de agente (MIT).

¿Qué es investigación-de-incidentes?

Esta habilidad del agente proporciona una metodología sistemática y guiada por hipótesis para que los desarrolladores (utilizando herramientas como Claude Code, Cursor o Codex) investiguen y depuren incidentes de producción de manera eficiente. Se basa en el 'principio del máximo dolor', priorizando los síntomas que causan mayor impacto en los usuarios o el sistema. La habilidad guía al usuario a través de un proceso estructurado que incluye la recopilación inicial de datos, la formulación de hipótesis, la prueba de cada una mediante comandos de depuración (logs, métricas, trazas), la eliminación o refinamiento, y la documentación de la causa raíz y la solución. Es particularmente útil en entornos complejos donde múltiples servicios pueden fallar, ayudando a los ingenieros a evitar el agotamiento mental y asegurando que se aborden primero los problemas más críticos. La habilidad es de código abierto (licencia MIT), lo que significa que se puede modificar libremente para adaptarse a stacks tecnológicos o flujos de trabajo específicos.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add yaniv256/incident-investigation

Installed? Explore more Programación y desarrollo skills: steipete/bluebubbles, steipete/eightctl, steipete/blucli · View all 6 →

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

¿Qué hace investigación-de-incidentes?

Una metodología estructurada y basada en hipótesis para depurar incidentes de producción, construida en torno al principio del máximo dolor. Empaquetada como una habilidad de agente (MIT).

¿Por qué?

Depurar incidentes de producción bajo presión de tiempo es difícil. Es fácil:

  • Sentirse abrumado por la gran cantidad de información.
  • Seguir pistas falsas mientras el verdadero problema se intensifica.
  • Olvidar pasos en el proceso.
  • Dejar documentación incompleta, lo que perjudica futuras investigaciones.

Esta habilidad estructura el proceso alrededor del principio del máximo dolor: abordar primero los síntomas que causan el mayor daño a los usuarios o al sistema. No solo acelera el diagnóstico, sino que también asegura que la investigación se alinee con el impacto en el negocio.

¿Qué hace?

Cuando activas esta habilidad durante un incidente, guía al agente a través de:

  1. Recopilación inicial de datos (métricas, logs, estado del servicio).
  2. Formulación de hipótesis sobre la causa raíz probable.
  3. Prueba de hipótesis mediante comandos y consultas específicos.
  4. Eliminación o refinamiento de hipótesis basado en los resultados.
  5. Documentación de la causa raíz, solución y tiempo de resolución.

Cómo usarlo

Requisitos

  • El agente debe tener acceso de solo lectura a tus sistemas de monitoreo y logging (por ejemplo, Datadog, Grafana, CloudWatch, Sumo Logic, etc.).
  • Acceso de lectura a tus repositorios de código (preferiblemente solo lectura).
  • Capacidad para ejecutar comandos de diagnóstico (por ejemplo, kubectl, curl, ping, traceroute, dig, etc.).

Activación

En tu prompt, invoca la habilidad explícitamente:

"Activa la habilidad de investigación de incidentes. Estamos viendo un aumento en errores 500 en el endpoint /api/orders."

El agente comenzará la fase de Recopilación de Datos y te guiará a través de los pasos.

Ejemplo de flujo de trabajo

  1. Recopilación de datos
    • El agente pide logs recientes del servicio afectado.
    • El agente solicita métricas (latencia, tasa de error, uso de CPU).
  2. Hipótesis
    • "Hipótesis 1: El servicio de base de datos está saturado."
    • "Hipótesis 2: Se implementó un cambio de código incorrecto."
  3. Prueba
    • El agente sugiere ejecutar: kubectl top pods o revisar la consola de CloudWatch.
    • El agente sugiere comparar un despliegue reciente con uno anterior.
  4. Resultado
    • Se confirma la Hipótesis 1.
    • El agente recomienda escalar horizontalmente las réplicas de la base de datos como mitigación temporal.
  5. Documentación
    • El agente pide una descripción de la causa raíz, la solución y el tiempo de resolución para guardarla.

Personalización

Dado que es MIT, puedes modificar las indicaciones y reglas para que se ajusten mejor a tu stack tecnológico, procesos de equipo o herramientas preferidas (por ejemplo, PagerDuty, Slack, OpsGenie).

Licencia

MIT - Siéntete libre de bifurcar, modificar y usar.

Skills relacionados