debug-investigator

Structured debugging methodology that replaces ad-hoc exploration with hypothesis-driven investigation. Captures symptoms, analyzes evidence (stacktraces, logs, state), generates ranked hypotheses, designs bisection strategies, identifies instrumentation points, and produces minimal reproductions — documenting every step so dead ends are never revisited.

When to use this skill vs native debugging: The base model handles straightforward debugging (clear stacktraces, obvious errors) natively. Use this skill for non-obvious bugs requiring systematic investigation: intermittent failures, bugs with no clear stacktrace, performance regressions, or issues requiring git bisection and hypothesis ranking.

| references/stacktrace-patterns.md | Exception taxonomy, traceback reading, common Python/JS error signatures | Stacktrace or exception present | | references/hypothesis-templates.md | Bug category catalog, probability ranking, confirmation/refutation tests | Always |

Hypothesengesteuerte Debugging-Methodik: Rangfolge von Hypothesen mit bestätigenden/widerlegenden Tests, Git-Bisect-Strategie, Protokollanalyse, Instrumentierungspunktplanung und minimales Reproduktionsdesign. Auslöser bei: „Systematisch debuggen“, „Ursachenanalyse“, „Diesen Fehler halbieren“, „Hypothesen für diesen Fehler bewerten“, „Hilf mir, dieses Problem zu isolieren“, „Eine minimale Reproduktion erstellen“, „Instrumentierungsplan für diesen Fehler“, „Warum schlägt das immer wieder fehl“. Das Unterscheidungsmerkmal ist die strukturierte Untersuchungsmethodik (Hypotheseranking, Halbierungsstrategie, Instrumentierungspunkte) – nutzen Sie diese Fähigkeit für nicht offensichtliche Fehler, die eine systematische Untersuchung erfordern, und nicht für einfache Fehler, die das Modell direkt diagnostiziert. NICHT für abstraktes Denken oder Problemzerlegung ohne einen bestimmten Fehler – das Modell verarbeitet allgemeines Denken nativ. Quelle: mathews-tom/praxis-skills.