Pipeline de evidências em 8 fases para falhas em Playwright, pytest, Jest, Cypress, Newman, k6 e JUnit. Escaneia histórico de git, logs de aplicação e configuração para gerar hipóteses de causa raiz com pontuação de confiança. Exposto como servidor MCP, CLI e interface web de streaming.
Este skill, chamado aks-builds/ai-test-failure-analyzer, implementa um pipeline de evidências em 8 fases projetado para analisar falhas em testes automatizados de frameworks populares como Playwright, pytest, Jest, Cypress, Newman, k6 e JUnit. Ele combina a análise de múltiplas fontes de dados — incluindo histórico de commits do git, logs de aplicação e arquivos de configuração — para gerar hipóteses de causa raiz, cada uma com uma pontuação de confiança que indica a probabilidade de estar correta. O skill é extremamente útil para desenvolvedores e equipes de QA que lidam com grandes suítes de testes, pois automatiza a investigação de falhas, reduzindo o tempo gasto em depuração manual. Ele suporta múltiplas interfaces de interação: pode ser executado como um servidor MCP (Model Context Protocol), como uma ferramenta de linha de comando (CLI), ou através de uma interface web com streaming de resultados em tempo real. Isso facilita a integração com ambientes de CI/CD e ferramentas de desenvolvimento, tornando-se uma adição versátil para qualquer stack de engenharia de software.
npx skills add aks-builds/ai-test-failure-analyzerInstalled? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Pipeline de evidências em 8 fases para falhas em Playwright, pytest, Jest, Cypress, Newman, k6 e JUnit. Escaneia histórico de git, logs de aplicação e configuração para gerar hipóteses de causa raiz com pontuação de confiança. Exposto como servidor MCP, CLI e interface web de 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.