Encontrar a causa raiz: stack traces, logs, incidentes e fugas de memória.
Um bug raramente chega com etiqueta. Chega como um teste que falha apenas na integração contínua, um pedido que devolve erro 500 uma vez em cada mil, ou a memória que cresce durante a noite até o processo morrer. A parte difícil não é escrever a correção. É provar qual das dez hipóteses plausíveis está certa antes de tocar no código.
Os componentes desta página dão ao Claude Code um método em vez de palpites: reproduzir primeiro, ler o stack trace de baixo para cima, correlacionar logs entre serviços, isolar a alteração com git bisect e só depois propor a correção. Alguns investigam várias hipóteses em paralelo e citam ficheiro e linha como prova. Outros ligam a sessão aos dados reais de produção, no Sentry, no Grafana ou no Datadog.
Comece pelo mais simples. Se o erro é local e reprodutível, uma skill de método mais um agente depurador chegam para a maioria dos casos. Se o problema só acontece em produção, precisa de acesso às provas, portanto, instale primeiro o conetor da ferramenta que já usa. Investigação em paralelo e comandos de incidente fazem sentido quando o custo de estar parado é alto.
21 componentes escolhidos à mão, de 4 ângulos diferentes.
Componentes que impõem uma ordem ao diagnóstico: reproduzir, formular hipóteses, recolher provas e só depois corrigir. É por aqui que se começa.
Pega no erro concreto, logs e stack trace incluídos, e trabalha até identificar a causa raiz em vez de sugerir uma correção baseada no sintoma visível.
Usa este agente quando precisares de diagnosticar e corrigir bugs, identificar causas raiz de falhas ou analisar logs de erros e stack traces para res
Funciona como travão: aplica-se assim que aparece um bug, uma falha de teste ou comportamento inesperado, e impõe-se antes de qualquer proposta de correção.
Use ao encontrar qualquer bug, falha de teste ou comportamento inesperado, antes de propor correções
Percorre a metodologia completa passo a passo, desde recolher a mensagem de erro e montar um caso mínimo reprodutível até ler o stack trace da base para o topo.
Lembre-se de manter notas detalhadas ao longo do processo de depuração e considere as implicações mais amplas quer do erro, quer da correção.
Indicado para bugs em que existem várias causas possíveis e nenhuma óbvia: levanta hipóteses concorrentes, investiga-as em paralelo e arbitra qual sobrevive às provas.
Depura problemas complexos recorrendo a hipóteses concorrentes com investigação paralela, recolha de evidências e arbitragem da causa raiz. Usa esta s
Cada instância investiga uma única hipótese e devolve provas com ficheiro e linha, mais um nível de confiança. Serve para separar factos de suposições dentro da equipa.
Investigador de depuração baseado em hipóteses que investiga uma hipótese atribuída, reunindo provas para a confirmar ou falsificar com citações file:
Mantém o estado da investigação mesmo quando o contexto da sessão é reiniciado, o que conta em bugs que levam horas ou vários dias a fechar.
Depuração sistemática com estado persistente entre reinicializações de contexto
Para quando o erro só acontece no servidor e as únicas provas disponíveis são logs, métricas e traces. Aqui a limitação costuma ser o acesso aos dados, não o raciocínio.
Correlaciona erros entre serviços em vez de olhar para um de cada vez, o que ajuda quando a falha visível num sítio tem origem noutro completamente diferente.
Use este agente quando precisar de diagnosticar a causa da ocorrência de erros no seu sistema, correlacionar erros entre serviços, identificar causas
Cobre o lado operacional, com análise de logs, falhas de deployment e configuração de monitorização, para quando a suspeita recai na infraestrutura e não na aplicação.
Especialista em resolução de problemas em produção e resposta a incidentes. Usa PROATIVAMENTE para depurar (debug) problemas, análise de logs, falhas
Lê mensagens de erro, stack traces e padrões de falha para chegar à causa, e sugere além da correção os passos de observabilidade que estavam em falta.
Debugging inteligente assistido por IA: analisa mensagens de erro, stack traces e padrões de falha para identificar causas-raiz e produzir uma correçã
Conetor MCP do Sentry, pensado para fluxos de programação com supervisão humana. Dá à sessão acesso aos erros já registados, em vez de os ter de descrever à mão.
Este serviço implementa o Model Context Protocol (MCP) para interagir com o Sentry, com foco em agentes de codificação human-in-the-loop e em fluxos d
Liga o Claude Code aos painéis e à monitorização do Grafana, em instância própria ou no Grafana Cloud, para consultar o estado do sistema durante a investigação.
Um servidor Model Context Protocol para interagir com dashboards e monitorização do Grafana. Suporta tanto instâncias do Grafana auto-hospedadas como
Pesquisa logs, consulta métricas e segue traces de pedidos pela linha de comandos do Datadog. Faz sentido para quem já tem a observabilidade concentrada nessa ferramenta.
Datadog CLI para pesquisar logs, consultar métricas, rastrear pedidos e gerir dashboards. Use isto ao fazer debugging de problemas em produção ou ao t
Com o sistema em baixo, o problema deixa de ser apenas técnico: é preciso classificar a gravidade, coordenar a resposta e registar depois o que se aprendeu.
Feito para o momento em que a produção vai abaixo: coordena a depuração, aplica a correção e deixa o post-mortem documentado em vez de o adiar indefinidamente.
Gere incidentes de produção com urgência e precisão. Use IMEDIATAMENTE quando ocorrerem problemas em produção. Coordena o debugging, implementa correç
Traz o enquadramento SRE completo, com classificação de severidade, reconstrução da linha temporal e revisão pós-incidente. Também serve para montar escalas de prevenção num serviço novo.
Estrutura abrangente de resposta a incidentes desde a deteção até à resolução e revisão pós-incidente. Práticas de SRE/DevOps testadas em combate: cla
Escreve post-mortems sem procurar culpados, com causa raiz, cronologia e ações concretas. É a peça que evita repetir o mesmo incidente dentro de três meses.
Escrever postmortems eficazes e isentos de culpa com análise de causa raiz, cronogramas e itens de ação. Usar ao realizar revisões de incidentes, escr
Para equipas que já recebem alertas via PagerDuty: cruza o contexto do incidente com as alterações recentes de código e propõe a correção em pull request no GitHub.
Responde a incidentes do PagerDuty analisando o contexto do incidente, identificando alterações recentes de código e sugerindo correções através de PR
Três famílias de bugs com diagnóstico próprio, onde a pergunta não é o que está errado, mas desde quando, ou onde é que a memória fica presa.
Conduz sessões de git bisect automatizadas com execução de testes em cada passo, para responder à pergunta de qual foi o commit que causou a falha.
Usar PROATIVAMENTE para guiar sessões automatizadas de git bisect para encontrar commits de regressão com execução inteligente de testes
Corre a suite, lê os resultados e diagnostica a causa das falhas, entregando correções concretas em vez de um relatório com testes a vermelho.
Executa testes, analisa resultados, identifica falhas, diagnostica as causas raiz e fornece correções acionáveis para testes que falham
Especializado em testes Playwright instáveis ou a falhar, com uma taxonomia sistemática que separa um teste mal escrito de um bug verdadeiro na aplicação.
Diagnostica testes do Playwright inconstantes (flaky) ou falhados utilizando uma taxonomia sistemática. Invocado por /pw:fix quando um teste necessita
Ataca estrangulamentos de desempenho e fugas de memória com testes de carga e monitorização, para quando a aplicação não rebenta, mas se vai degradando ao longo do dia.
Especialista em análise e otimização de desempenho. Use PROATIVAMENTE para estrangulamentos de desempenho, fugas de memória (memory leaks), testes de
Deteção de fugas, afinação da recolha de memória (garbage collection) e análise de perfil de memória reunidos num só comando. Aplica-se quando o processo cresce até ter de ser reiniciado.
Otimização abrangente do uso de memória com deteção de fugas, tuning de garbage collection e profiling de memória
Agentes, skills e comandos são ficheiros Markdown que vivem no seu repositório, dentro de .claude/agents/, .claude/skills/ e .claude/commands/. Copie o ficheiro para a pasta certa e o Claude Code passa a reconhecê-lo na sessão seguinte: agentes e skills ativam-se pela descrição, os comandos invocam-se com barra. Os conetores MCP funcionam de outra maneira, exigem uma entrada no ficheiro de configuração e credenciais próprias, por exemplo o URL da instância e um token de conta de serviço no caso do Grafana. Comece por um agente depurador e uma skill de método. Acrescente conetores só quando precisar mesmo de dados de produção dentro da sessão.
A ordem importa mais do que a ferramenta escolhida. Primeiro reproduza: sem um caso mínimo que falhe de forma consistente, qualquer correção é um palpite. Depois recolha as provas: o stack trace completo, os logs de antes e depois do erro, o ambiente em que acontece. Só então formule hipóteses, e se houver mais do que uma plausível vale a pena investigá-las em paralelo em vez de as testar por ordem. Se o problema é recente e o código antigo funcionava, o bisect responde mais depressa do que a leitura do código. A correção fica para o fim, acompanhada de um teste que falhava antes e passa agora.
Nenhum destes componentes vê aquilo que não lhe for dado. Um agente depurador trabalha sobre o código, os logs e os testes a que tem acesso. Se o erro só se manifesta com dados reais ou sob carga, terá de ligar a sessão à sua ferramenta de observabilidade ou reproduzir o cenário localmente. Os conetores MCP levantam ainda a questão do acesso: um token do Sentry ou do Grafana dá leitura sobre informação sensível, portanto, utilize contas de serviço com permissões mínimas. E desconfie sempre de uma causa raiz apresentada sem prova, peça o ficheiro, a linha e o teste que a confirma.
O agente é um executor com contexto próprio: recebe o problema, investiga e devolve um diagnóstico. A skill é conhecimento que altera a forma como o Claude Code aborda a tarefa, por exemplo, ao obrigar a reproduzir o erro antes de propor correções. Na prática usam-se em conjunto, a skill define o método e o agente faz o trabalho.
Prompts e recursos curados de fontes internacionais, normalizados e categorizados: mais de 11 mil. Um robô do Doutor AI verifica as fontes todos os dias e traz o que há de novo.
Precisa de uma solução à medida?
Não sabe por onde começar a usar IA no seu negócio? Receba uma avaliação gratuita e um plano à medida - sem compromisso.
O Doutor AI dá-lhe 1859 prompts de IA prontos a copiar, por indústria e em português simples - mais uma biblioteca técnica completa para quem quer ir mais longe.
