$ loading_
帮助开发者诊断报错堆栈、给出精确修复并生成可复用处理方案。
复制安装指令，让 AI 自动完成配置 · 推荐新手
请帮我安装 askskill 上的 "CyberHuaTuo" MCP 服务： 执行：claude mcp add 'io-github-jinning6-cyberhuatuo' -- uvx cyberhuatuo
请分析这段报错堆栈，定位根因，并给出精确修复步骤与验证方法：<粘贴 traceback>
返回根因判断、可执行修复建议，以及修复后如何验证的说明。
根据这次故障信息，总结成一份可复用的排障处方，包含症状、根因、修复动作和验证清单：<粘贴错误信息>
输出结构化的排障模板，便于团队后续重复使用。
我已经按建议完成修复，请根据修复前后的日志与结果，判断问题是否真正解决，并指出还需检查的项：<粘贴前后信息>
给出修复有效性判断、剩余风险与进一步验证建议。
开发者在遇到程序报错或异常堆栈时，可用它快速定位根因，并获得更精确的修复与验证建议。
团队处理完一次故障后，可将诊断过程整理为可复用处方，方便后续相似问题快速处理。
在完成修复后，可进一步核对日志、现象和验证结果，确认问题是否真正解决，而不是只消除表面报错。
它是一个用于 traceback 诊断的 MCP 工具，强调先做高质量诊断，再提供精确修复、验证方法和可复用处方。
从描述看，它最适合开发者和 DevOps 场景，尤其是需要定位报错根因、验证修复效果的人。
当前未提供文档节选，安装方式、运行环境或密钥要求无法确认；见源码仓库。
为 AI 智能体失败提供结构化自检、诊断与恢复流程
让 AI 读取运行时堆栈、日志与参数证据，定位并修复问题根因。
探测线上 API 故障并给出根因、证据与置信度
为 Claude Code 代理检索历史修复方案并沉淀新解法，提升排错效率。
分析 AI 代理执行链路，诊断失败原因、评估表现并给出可执行修复建议
通过统一 MCP 接口运行可追踪 AI 代理，并支持知识库与 Kubernetes 运维操作。