📌 一句话摘要

本文详细介绍了如何通过 MCP 协议和 Claude Code Skill，将日志查询、代码分析和根因定位的固定流程自动化，实现一键式 BUG 诊断。

📝 详细摘要

文章以得物技术团队的实际经验为基础，提出了一种利用 AI 自动化排查后端 BUG 的工程化方案。核心思路是将「查日志 → 提取关键信息 → 扫描代码 → 定位问题」这一固定且耗时的流程，通过 MCP（Model Context Protocol）和 Claude Code 的 Skill 机制进行封装。文章首先阐述了日志平台 MCP 的原理和配置方法，让 AI 能够实时获取动态日志数据。随后，重点介绍了 /log-diagnosis Skill 的设计，包括其完整的执行链路（从 traceId 推算时间、分页拉取日志、跨服务分析到代码定位）、核心能力（Token 自动管理、跨服务分析、代码联动）以及详细的安装配置步骤。文章通过一个真实的 SQL BUG 案例，展示了 AI 如何自动拉取日志、还原调用链路、提取 SQL 并发现因字段逻辑不一致导致的隐蔽问题，最终定位代码并给出修复方案。最后，文章总结了诊断效率的关键点，并升华了核心思想：将工程师的经验和流程转化为可复用的 AI 能力，是 AI 时代工程师的核心竞争力。

💡 主要观点

1. 通过 MCP 协议让 AI 能够实时调用外部日志平台，突破静态上下文限制。 MCP 作为标准化的工具调用协议，使 Claude Code 能通过 SSE 长连接与日志平台通信，实时获取动态日志数据，这是实现自动化诊断的基础。
2. 利用 Claude Code Skill 机制，将诊断流程固化为可复用的工程化能力。 Skill 本质上是给 AI 的一份操作手册（SOP），通过 .claude/skills/ 目录下的 Markdown 文件定义行为规范，将一次性对话转化为可重复执行的命令，确保执行质量的稳定性。
3. AI 在发现「同类字段逻辑不一致」这类横向对比 BUG 时表现优于人工。 案例中 AI 能通过对比 SQL 中多个字段的查询条件，发现 customer_tag 字段遗漏了空字符串判断，这种因经验偏见而容易被人工忽略的细节差异，AI 反而能精准识别。

💬 文章金句

• 调 BUG 的过程——查日志、提取关键信息、找代码、分析原因——逻辑固定，步骤繁琐，但并不需要太多创造性思维。这类工作恰好是 AI 最擅长接管的。
• Skill 的本质是「给 AI 写操作手册」。写得越细、约束越明确，AI 的执行质量越稳定。这和写给人看的文档本质上是一回事。
• AI 时代，工程师的核心竞争力不只是「能写代码」，更是「能把自己的经验和流程转化成可复用的 AI 能力」。

📊 文章信息

阅读完整文章