Pipeline de diagnostic en 8 phases pour les échecs de tests Playwright, pytest, Jest, Cypress, Newman, k6 et JUnit. Analyse l'historique Git, les logs applicatifs et la configuration pour générer des hypothèses de cause racine avec scores de confiance. Exposé en tant que serveur MCP, CLI et interface web en streaming.
Ce skill, nommé aks-builds/ai-test-failure-analyzer, est un pipeline de diagnostic en 8 phases conçu pour analyser les échecs de tests dans des frameworks populaires tels que Playwright, pytest, Jest, Cypress, Newman, k6 et JUnit. Il est utile car il automatise l'identification des causes racines des échecs de tests en combinant plusieurs sources de données : l'historique Git (pour détecter les commits récents suspects), les logs applicatifs (pour repérer des erreurs ou des anomalies) et la configuration (pour vérifier les dépendances ou les changements d'environnement). Chaque hypothèse de cause racine est assortie d'un score de confiance, ce qui permet aux développeurs de prioriser leurs investigations. Le skill peut être utilisé via un serveur MCP (Model Context Protocol) pour intégration avec des agents IA, une interface en ligne de commande (CLI) pour un usage automatisé dans des pipelines CI/CD, ou une interface web en streaming pour une visualisation en temps réel. Il est maintenu par aks-builds et est compatible avec les environnements de développement modernes.
npx skills add aks-builds/ai-test-failure-analyzerInstalled? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Pipeline de diagnostic en 8 phases pour les échecs de tests Playwright, pytest, Jest, Cypress, Newman, k6 et JUnit. Analyse l'historique Git, les logs applicatifs et la configuration pour générer des hypothèses de cause racine avec scores de confiance. Exposé en tant que serveur MCP, CLI et interface web en streaming.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.