552건 · 관련도순
Implement distributed tracing with Jaeger and Tempo to track requests across microservices and identify performance bottlenecks. Use when debugging microservices, analyzing request flows, or implementing observability for distributed systems.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Understand how ideas evolved over time to find old solutions for new problems and avoid repeating past failures
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Systematically trace bugs backward through call stack to find original trigger
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Expert en observabilité des agents IA (tracing, logging, suivi des coûts, latence, métriques qualité)
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Guide for training outputs, metrics logging, logtree reports, tracing/profiling, and debugging training runs. Use when the user asks about training logs, metrics, debugging, tracing, profiling, timing, Gantt charts, or understanding training output files.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Expert in Langfuse - the open-source LLM observability platform. Covers tracing, prompt management, evaluation, datasets, and integration with LangChain, LlamaIndex, and OpenAI. Essential for debugging, monitoring, and improving LLM applications in production. Use when: langfuse, llm observability, llm tracing, prompt management, llm evaluation.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Provides guidance for performing causal interventions on PyTorch models using pyvene's declarative intervention framework. Use when conducting causal tracing, activation patching, interchange intervention training, or testing causal hypotheses about model behavior.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Open-source AI observability platform for LLM tracing, evaluation, and monitoring. Use when debugging LLM applications with detailed traces, running evaluations on datasets, or monitoring production AI systems with real-time insights.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Designs and validates quantitative targeted metabolomics assays (MRM/SRM on triple-quadrupole, PRM on high-resolution instruments) to report absolute concentrations. Covers the internal-standard strategy (external cal -> global IS -> standard addition -> stable-isotope-labeled IS), weighted calibration judged by back-calculated %RE not R-squared, ion-ratio quantifier/qualifier confirmation, matrix-effect/recovery characterization, and ICH M10 method validation. Use when quantifying a closed panel of known metabolites with units, building or validating an LC-MS/MS assay, choosing an IS or calibration weighting, or judging whether a reported concentration is trustworthy. For untargeted feature detection see metabolomics/xcms-preprocessing; for group statistics see metabolomics/statistical-analysis; for flux/MID/tracing see metabolomics/isotope-tracing.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Trace bugs backward through call stacks and execution flows to identify the original source of errors, invalid data, or incorrect behavior. Use when debugging complex issues, tracing error origins, investigating data corruption, following execution paths, identifying where invalid data enters the system, or finding root causes of cascading failures.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Implement comprehensive monitoring, logging, metrics, tracing, and alerting for production applications to ensure reliability and quick incident response. Use when setting up application monitoring, implementing structured logging, creating metrics and dashboards, setting up alerts, implementing distributed tracing, monitoring performance, tracking errors, or building observability into applications.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Configure an AI agent to send OpenTelemetry traces to Coval. Use when a user wants to add Coval tracing, instrument an agent for simulations or conversation monitoring, make traces show up in Coval, handle SIP/PSTN/WebSocket trace correlation, or replace the one-command wizard with a security-reviewable manual setup.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
OpenInference semantic conventions and instrumentation for Phoenix AI observability. Use when implementing LLM tracing, creating custom spans, or deploying to production.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
You are a debugging expert specializing in setting up comprehensive debugging environments, distributed tracing, and diagnostic tools. Configure debugging workflows, implement tracing solutions, and establish troubleshooting practices for development and production environments.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Implements comprehensive observability with OpenTelemetry tracing, Prometheus metrics, and structured logging. Includes instrumentation plans, sample dashboards, and alert candidates. Use for "observability", "monitoring", "tracing", or "metrics".
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Expert in Langfuse - the open-source LLM observability platform. Covers tracing, prompt management, evaluation, datasets, and integration with LangChain, LlamaIndex, and OpenAI. Essential for debugging, monitoring, and improving LLM applications in production. Use when: langfuse, llm observability, llm tracing, prompt management, llm evaluation.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Complete observability & reliability engineering system. Use when designing monitoring, implementing structured logging, setting up distributed tracing, building alerting systems, creating SLO/SLI frameworks, running incident response, conducting post-mortems, or auditing system reliability. Covers all three pillars (logs/metrics/traces), alert design, dashboard architecture, on-call operations, chaos engineering, and cost optimization.
한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.
Python 실행을 멈춰 변수와 코드 흐름을 살펴보며 버그 원인을 추적합니다. 예외 발생 당시의 상태와 실행 중인 프로세스도 확인할 수 있습니다.
재현 절차, 로그와 최근 변경 사항으로 버그, 테스트 실패와 예상 밖 동작의 원인을 조사합니다. 근거에 따라 가설을 검증하고 수정 후 테스트까지 진행합니다.
superpowers 작업 기록을 읽고 중복 작업, 계획 이탈, 시간과 토큰 사용량을 조사합니다. 기록 파일의 경로와 줄 번호를 근거로 경위를 보고서로 정리합니다.
ECC Tools의 GitHub App 코드를 추적해 PR 과다 생성, 사용 한도 우회, 의도치 않은 고가 모델 사용 원인을 찾고 비용 증가를 막는 수정 사항을 검증합니다.
인공지능 에이전트의 문제를 지시, 기억, 도구 실행, 화면 표시 등 12개 계층에서 조사합니다. 코드와 로그를 근거로 원인을 정리하고 심각도에 따른 지적 사항과 수정안을 제시합니다.
Python 실행을 멈추고 변수와 실행 흐름을 살펴 오류 원인을 찾습니다. 상황에 따라 pdb와 debugpy를 사용하며, 실패한 테스트와 실행 중인 프로세스도 조사합니다.
증상을 재현하는 테스트나 명령을 준비하고 원인 조사, 정상 사례 비교, 가설 검증, 수정의 네 단계를 진행합니다. 근본 원인을 찾고 회귀 테스트로 결과를 확인합니다.