通过静态代码分析与测试结果分析，识别出非确定性或不可靠的测试用例。当 Claude 需要查找易失效的测试、评估测试可靠性，或排查间歇性测试失败问题时，可使用此功能。支持 Python（pytest、unittest）和 Java（JUnit、TestNG）等测试框架。当用户提及“易失效的测试”、“间歇性失败”、“非确定性测试”、“不可靠的测试”，或请求“查找易失效的测试”、“分析测试稳定性”、“探究为何测试会随机失败”时，即可触发该功能。
中级青少年小说的悬疑结构设计——线索链条的搭建、公平性验证、逐章布局的谜题架构。
借助 Zod 创建一致的校验模式。适用于添加表单校验、API 输入校验，或构建可复用的校验模式时使用。可确保类型安全的校验机制，并在前后端之间提供一致的错误提示信息。
Atlassian 实践
为现有 Autotask 资源新增一项特殊的自定义 AI 工具操作，覆盖所有 AI 工具层面的触点、节点 UI 连线，以及文档更新。
在不改变原有行为的前提下，对代码进行手术式重构，以提升代码的可维护性。涵盖函数提取、变量重命名、拆分“全能函数”、增强类型安全性、消除代码异味以及应用设计模式等操作。相较于彻底重写整个仓库，这种渐进式的改进方式更为温和，适合逐步优化代码质量。
建立标准化、基于假设的调试排查流程，用于应对意外行为、回归问题、突发事件、不稳定测试，或生产环境中的各类疑难杂症。通过这一流程，您可以科学规划监测点、以关键信号精准复现问题、对比多次运行结果，并在不预设任何供应商或基础设施的前提下，逐步缩小问题根源的排查范围。
当通过脑内执行来测试代码时使用——以具体输入值逐行跟踪代码，提前发现漏洞、逻辑错误、遗漏代码、边缘情况以及合约违规，从而在部署前解决问题。
开展严谨的两阶段史诗级需求评审：先进行 AC 验证，再进行质量评审。当用户请求“/epic-review”“评审史诗级需求”“这个史诗级需求是否已完成”，或在验证已完工的史诗级需求时，可使用此方法。第一阶段为第二阶段把关。
分析相互竞争的架构考量之间的权衡取舍
通过单一的 slug 和可衡量的成功标准，将模糊的需求转化为具体的行动方案规范，收录于 docs/specs 中。适用于开展非 trivial 任务之初使用。
将探索性提案精简为可规划的范围。从对话中提炼创意，获取用户的选择，奠定上下文基础，并为 /plan 编写简要说明。在充分探索多种方案之后、正式进入 /planning 前使用此技能。