人工智能AI 技能AI 插件开发工具【免费下载链接】pstack-claudeClaude Code, Codex, Copilot, Pi, OpenCode, Gemini, and Prime Agent versions of Potetos pstack. Rigorous agent workflows with Cursor primitives translated for other harnesses.项目地址https://gitcode.com/GitHub_Trending/ps/pstack-claude点击查看免费下载导读当你在代码里看到一段防御性逻辑、一个被硬编码的阈值如“clamp 到 100”或一次重试策略时最自然的疑问是“这段代码为什么要这样写”答案往往不在源码里而在代码落地那一刻的生产环境中。本文以 pstack 的why技能中 datadog.md 源文档为主体系统讲解如何把 Datadog 当作“基础设施可观测性证据源”通过监控指标、Dashboard、APM Trace、日志、事故记录等遥测数据还原代码被写出来时的生产现实从而推断其设计动机。读完本文你将掌握一套完整的 Datadog MCP 检索路径、证据判定标准与常见陷阱规避方法并了解它在 pstack 并行调查体系中的角色定位。Datadog 在why技能中的定位pstack 是一个面向 Claude Code、Codex 等 Agent 运行时的技能栈。其中why技能见 SKILL.md专门回答“代码为什么是现在这个样子”一类问题——设计理由、权衡、触发它的边界场景、外部约束或废弃代码的历史成因。why技能的默认姿势是并行派生子 Agentinvestigator每个 investigator 只负责一类证据源证据类别对应 playbook示例 MCP源码控制历史code-archaeology.mdgit、gh工单/票据追踪linear.mdLinear可适配 Jira、GitHub Issues长文档notion.mdNotion可适配 Confluence、Google Docs实时团队聊天slack.mdSlack可适配 Discord、Teams基础设施可观测性datadog.mdDatadog可适配 New Relic、Honeycomb、Grafana、Splunk错误/异常追踪sentry.mdSentry可适配 Rollbar、Bugsnag产品分析数仓databricks.mdDatabricks SQL可适配 Snowflake、BigQuery类别索引见 source-playbook.md。Datadog 对应的就是“基础设施可观测性”这一类当目标代码在响应超时、重试、限流、熔断等基础设施信号时这个来源往往藏着真正的动机。从源码结构看investigator 的提示词由 investigator-prompt.md 模板拼装而成模板给出通用调查纪律再追加与证据类别匹配的单一 playbook 文件——即本文主角datadog.md。也就是说这份文档在真实调查流程中会原样进入 Datadog investigator 的上下文成为它的操作手册。Datadog 里有什么七类可当证据的遥测资产datadog.md开篇就点明 Datadog 的核心价值它保存的是运行时记录——生产环境里实际发生过什么而不是计划或讨论过什么。这种“现实 vs 计划”的对比正是它区别于工单、文档、聊天记录的证据价值所在。文档列出了七类可检索的遥测资产Metrics指标。团队埋点的计数器、Gauge、直方图。文档特别强调一个指标的存在本身就是证据——有人觉得这个数字值得被盯着看。Monitors alerts监控与告警。团队决定“值得半夜把人叫醒”的条件。例如一个在rate_limit_hit 10/min时触发的监控直接证明团队担心过这个阈值。Dashboards仪表盘。人工编排的视图图表揭示团队认为某个子系统里什么重要。APM traces spans链路追踪。请求级运行时数据回答“为什么这么慢”“为什么这里超时”。Logs日志。高吞吐事件记录常常包含促使防御性代码诞生的错误条件。Incidents事故记录。带时间线的正式事故档案以及链接的事后复盘postmortem。Notebooks笔记本。探索性调查记录常含假设与分析。一句话总结这份证据源的“为什么”价值Datadog 回答“代码被写出来时生产现实是什么样”而这往往解释了代码为什么会是现在这个形状。例如代码里频繁出现的空值检查、重试逻辑、超时处理、限流保护其动机几乎总能在某个时段的监控尖峰、告警触发或事故时间线里找到对应物。检索路径六步从宽到窄的搜索流程datadog.md给出的检索方法论是“先宽后窄”start broad, then narrow通过 Datadog MCP 工具完成。完整流程如下第 1 步识别目标所属的服务search_datadog_services (按名称或团队过滤) search_datadog_service_dependencies (查看上游/下游依赖)先确定代码归属的服务及其依赖关系后续所有检索才有正确的限定范围。第 2 步先看 Dashboard 和 Monitor——它们告诉你团队在乎什么search_datadog_dashboards (query: 功能名、服务名、符号名) search_datadog_monitors (同样的查询词)当某个 Dashboard 或 Monitor 覆盖了目标时记下它的查询语句和被盯的阈值。文档给出一条关键洞察“阈值”往往是“为什么这里被 clamp 在 N”的答案。例如代码把某值限制为 100而监控在请求超过 100/min 时告警——二者一一对应动机就浮出水面了。第 3 步检索目标周围的指标search_datadog_metrics (按名称模式如功能名或符号名) get_datadog_metric_context (元数据描述、单位、tags) get_datadog_metric (时序数据PR 合并日期前后有没有尖峰)将指标轨迹与目标代码的增改日期做关联是强有力的旁证。文档给出的示例句式是payment_timeout指标在 2023-11-03 出现尖峰而重试逻辑在 2023-11-06 合并——时间上的咬合构成了“指标异常驱动代码变更”的推断链。第 4 步日志——要窄不要倾倒search_datadog_logs (用符号、错误串、功能名检索设置 use_log_patternstrue) analyze_datadog_logs (SQL 式聚合仅在需要计数时使用)日志体量巨大文档强烈建议使用带时间边界的查询例如变更前后各 30 天。无约束的全量搜索浪费时间还可能直接超时。能用analyze_datadog_logs做聚合时不要倾倒原始日志。第 5 步APM spans 与 tracesaggregate_spans (统计这个端点多久失败一次) search_datadog_spans (检查单条 span) get_datadog_trace (按 trace ID 获取具体链路)适用于超时、重试、慢路径与跨服务行为分析。第 6 步事故记录search_datadog_incidents (按标题、团队、日期范围) get_datadog_incident (获取单条事故的完整详情)如果目标代码看起来是防御性的防守型就检索它新增时间前后的事故。一条时间线里包含“为 X 添加了防御性检查”字样的事故记录几乎是直接证据。什么算这里的“好证据”datadog.md给出了五类强证据形态供 investigator 在调查中识别一条监控的查询与阈值正好匹配代码强制的约束代码 clamp 到 100监控在请求超过 100/min 时告警一个由目标代码作者创建的 Dashboard其 widget 与代码度量或防御的内容对应一个在代码合并前出现生产尖峰、合并后趋于平稳的指标一条引用目标代码、相同符号或相同错误串的事故记录在变更前的窗口期、被时间戳固定下来的日志显示防御性代码恰好要阻止的特定错误模式。五类常见陷阱datadog.md用较大篇幅列出误用这份证据的典型错误是全文最具实操价值的部分相关性不等于因果Correlation is not causation。PR 前的尖峰与 PR 后的平稳只是提示性证据不是定论——同一窗口期可能有其他变更同时落地。务必检查邻近的 PR。对找到的图表过度拟合Overfitting to the chart you found。Datadog 可视化是人做的反映了那个人的视角。名为“retry success rate”的图表只能证明团队关心重试成功率不能证明某一行代码存在的理由。遥测消失Vanished telemetry。指标可能被重命名、删除或只有很短的保留期。找不到相关窗口的数据是一个“缺口gap”而不是“空结果null result”。大规模噪声Noise at scale。检索常见字符串会命中成千上万条日志。要用服务、tag、时间积极收窄用analyze_datadog_logs聚合而非倾倒原始日志。埋点不等于成因Instrumented ! caused。一个指标的存在说明有人觉得值得测量某件事不代表代码因为它而被加入。要用提交/PR 日期交叉印证。这五条陷阱与why技能的置信度框架高度同构epistemics.md见 epistemics.md把每条结论划分到 Direct / Supported / Inferred / Speculative / Unknown 五级而 Datadog 证据天然偏向“Inferred”——指标尖峰与代码日期咬合是强间接证据但必须用“appears to”“likely”“suggests”等措辞呈现不能写成 “because”。与事故复盘交叉角度的配合在why技能的调查设计中datadog.md不是孤立使用的。当目标代码呈现防御性特征空值检查、重试逻辑、超时处理、限流、特性开关、出口防护、OOM 处理时investigator 还会额外拿到一份交叉角度文档 incident-postmortem.md。该文档明确要求 Datadog 侧做这样一件事用search_datadog_incidents检索正式事故记录带时间线并留意“作为 postmortem action item 而创建的 Dashboard 与 Monitor”——事故后的整改动作往往直接催生新的监控与代码变更。当一个 Datadog 事故 ID 出现在 Linear 工单里、又出现在 Notion 复盘里、再在 Slack 线程中被链接到目标 PR且修复后产品分析侧的错误事件计数下降时跨来源的相互印证会让证据强度显著提升。Investigator 的输出要求datadog.md结尾规定了 Datadog investigator 对每个相关条目应返回的内容格式类型dashboard / monitor / metric / log pattern / trace / incident / notebook标题或名称链接或标识符dashboard ID、monitor ID、metric 名称、incident ID所有者/作者与创建、修改日期与问题相关的具体条件、查询或引文尽可能逐字引用相关性它对目标代码说明了什么以及连接强度如何这一输出结构与 investigator-prompt.md 要求的“What I Searched / Direct Evidence Found / Indirect Evidence / Contradictions / Gaps”格式衔接investigator 只负责如实收集证据、记录查询词与空缺不做结论结论由 synthesizer-prompt.md 定义的合成器在 “The Question / What We Found / What We Can Reasonably Infer / Competing Hypotheses / What We Dont Know / Sources Consulted / Confidence Summary” 结构中产出。因此Datadog investigator 的返回应保持“枯燥而精确”一条带精确引用的逐字引文胜过一段听起来合理的概括。适配套件同一 playbook 迁移到其他可观测性平台source-playbook.md明确说明datadog.md是“基础设施可观测性”类别的示例 playbook可适配到同类 MCPNew Relic、Honeycomb、Grafana、Splunk。迁移时保持证据类别不变——你要找的还是“基础设施与运行时现实如何驱动了代码”——只需把 MCP 工具名替换为目标平台对应的检索工具检索策略先宽后窄、先 Dashboard/Monitor 再指标、时间边界约束日志、事故记录兜底与证据判定标准均可原样复用。小结把datadog.md放在整个why技能中看它的角色非常清晰当代码形状疑似被生产现实塑形时Datadog 是“运行时真相”的唯一保管者。掌握这六步检索流程、五类强证据形态与五条陷阱你就能在并行调查中高效提取出“指标尖峰驱动重试逻辑”“监控阈值解释 clamp 数值”“事故时间线催生防御性检查”这类高价值推断并诚实地标注它们的证据强度——这正是 pstackwhy技能区别于普通代码考古的地方它不仅找到“发生了什么”还清楚地告诉你“我们凭什么这么推断”。赞分享人工智能AI 技能AI 插件开发工具【免费下载链接】pstack-claudeClaude Code, Codex, Copilot, Pi, OpenCode, Gemini, and Prime Agent versions of Potetos pstack. Rigorous agent workflows with Cursor primitives translated for other harnesses.项目地址https://gitcode.com/GitHub_Trending/ps/pstack-claude点击查看免费下载相关推荐pstack 的 why 技能置信度框架如何在碎片化历史证据上诚实回答「代码为什么这样写」pstack 的 why 技能置信度框架如何在碎片化历史证据上诚实回答「代码为什么这样写」 导读 本篇文章深入解析 pstack 开源仓库中 why 技能的人工智能AI 技能AI 插件开发工具pstack 项目 why 技能 Investigator 提示词模板深度解析如何让子代理并行取证代码背后的动机pstack 项目 why 技能 Investigator 提示词模板深度解析如何让子代理并行取证代码背后的动机 导读 investigator prompt人工智能AI 技能AI 插件开发工具pstack-claude 的 why 技能实战用 Databricks 作为产品分析证据源完成代码溯源调查pstack claude 的 why 技能实战用 Databricks 作为产品分析证据源完成代码溯源调查 本文是 pstack claude 技能栈中 w人工智能AI 技能AI 插件开发工具上一篇angular/router常见问题解答新手必知的10个路由陷阱下一篇OpenProject 13.1.0 版本解析动态会议、OneDrive/SharePoint 集成与工作包外部共享创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考