analyze-ci-failures

Analyser les échecs CI d'Azure DevOps pour vcpkg. Télécharge les journaux, identifie les causes racines des régressions, génère un rapport par package et triplet. UTILISER POUR : échec CI…

npx skills add https://github.com/microsoft/vcpkg --skill analyze-ci-failures

vcpkg CI Failures Analyzer

Overview

Consumes already-collected CI evidence, cross-references it with baselines, and produces a regression report. If evidence has not yet been collected, invoke fetch-vcpkg-ci-logs first, then return to this workflow. Do not duplicate its acquisition steps here.

MCP Tools

ToolPurpose
github-mcp-server-get_file_contentsRead baseline files

Prerequisites

  • Local failed step logs and relevant extracted failure-log artifacts.
  • Build metadata and full Azure build URL.
  • For PR builds, PR metadata and full PR URL.

Evidence Acquisition

When the required evidence is not already local, delegate acquisition to a subagent using fetch-vcpkg-ci-logs. Prefer a fast, low-cost model for this mechanical work. Ask the subagent to return only the evidence inventory and local paths; keep regression analysis and report generation in the main agent.

When the evidence is already available locally, proceed directly to analysis.

Workflow

OUTPUT RULE: This skill applies only when the user asked for triage or report output, so a report.md is always required once it is selected. Write it as soon as step-log analysis completes, then enhance it from artifacts. Your response MUST also contain the complete report content — not a summary.

URL RULE: Your response text (not just the report file) MUST include:

  • For scheduled/manual builds: the full Azure DevOps URL https://dev.azure.com/vcpkg/public/_build/results?buildId={buildId}
  • For PR builds: both the full PR URL https://github.com/microsoft/vcpkg/pull/{prNumber} AND the Azure DevOps build URL

Before analysis, read .\.github\skills\shared\azure-vcpkg-ci-notes.md.

Phase 1: Analyze failed step logs

  1. Inventory evidence — Confirm the build metadata, failed step-log paths, artifact paths, and triplets available from the acquisition step.

  2. Scan step logs — Extract every REGRESSION: line and retain exact failure type keywords: BUILD_FAILED, FILE_CONFLICTS, POST_BUILD_CHECKS_FAILED, and CASCADED_DUE_TO_MISSING_DEPENDENCIES. Capture 2-3 surrounding lines for context.

  3. PR feature-test logs — PR builds may not have REGRESSION: lines. Instead scan for FAIL:, failed with, and feature-test error: lines. Capture verbatim:

    • Compiler errors (missing headers, undefined symbols)
    • Post-build check failures (file path issues, misplaced files)
    • Version validation errors
    • Platform-specific feature guard messages

    Report each feature failure individually. Dependency ports that fail get their own entry.

  4. Version validation — Inspect the "Validate version files" evidence for version database errors.

  5. Write report immediately — Generate and save report.md using the step-log evidence.

Phase 2: Analyze artifacts and enhance

  1. Analyze artifacts — Read relevant stdout-{triplet}.log tails and supporting logs. Classify per references/vcpkg-failure-patterns.md.
  2. Baselines — Check both ci.baseline.txt and ci.feature.baseline.txt.
  3. Enhance report — Add root causes, downstream impact, and actionable recommendations supported by the evidence.

Report Requirements

Format per references/report-template.md:

  • Full build URL: [{buildNumber}](https://dev.azure.com/vcpkg/public/_build/results?buildId={buildId})
  • For PRs: [#{prNumber}](https://github.com/microsoft/vcpkg/pull/{prNumber})
  • List every triplet by full name (e.g., x64-windows, arm64-linux) — never "N triplets". Only include triplets that actually had failures for this specific build.
  • Use exact failure type keywords from logs: BUILD_FAILED, POST_BUILD_CHECKS_FAILED, FILE_CONFLICTS, CASCADED_DUE_TO_MISSING_DEPENDENCIES — never paraphrase
  • Include error messages verbatim — quote the exact text from logs for compiler errors, path issues, and validation failures
  • Dependency ports' failures as separate entries
  • Include baseline/known failures — report them with their failure types, but classify them separately from new regressions

Output Structure

Write reports under the session folder from the environment context, alongside the raw evidence, never into the repository working tree:

{session-folder}/files/ci-failure-analysis/
├── ci-129315/         ← scheduled build
│   └── report.md
└── pr-51202/          ← PR build
    └── report.md

Raw evidence stays where fetch-vcpkg-ci-logs placed it, in {session-folder}/files/ci-failure-logs/; reference those paths from the report instead of copying them.

Critical Rules

  • Do not fetch or download logs as part of this skill; use the acquisition skill first.
  • Scan step logs first because FILE_CONFLICTS may appear only there.
  • Check both baseline files
  • Never suggest <= version constraints or VCPKG_BUILD_TYPE release
  • Clearly distinguish proven root causes from hypotheses and requests for additional diagnostics.

Plus de skills de microsoft

oss-growth
microsoft
Persona de growth hacker OSS
agent-framework-azure-ai-py
microsoft
Créez des agents Azure AI Foundry à l’aide du SDK Python Microsoft Agent Framework (agent-framework-azure-ai). À utiliser lors de la création d’agents persistants avec AzureAIAgentsProvider, de l’utilisation d’outils hébergés (interpréteur de code, recherche de fichiers, recherche web), de l’intégration de serveurs MCP, de la gestion de fils de conversation ou de l’implémentation de réponses en streaming. Couvre les outils de fonction, les sorties structurées et les agents multi-outils.
development
airunway-aks-setup
microsoft
Configurez AI Runway sur AKS — du cluster nu au modèle en cours d'exécution. Couvre la vérification du cluster, l'installation du contrôleur, l'évaluation GPU, la configuration du fournisseur et le premier déploiement. QUAND : « configurer AI Runway », « intégrer un cluster AKS », « installer AI Runway », « configuration airunway », « déployer un modèle sur AKS », « inférence GPU sur AKS », « configuration KAITO sur AKS », « exécuter LLM sur AKS », « vLLM sur AKS », « configurer le service de modèles sur AKS », « contrôleur AI Runway ».
devops
appinsights-instrumentation
microsoft
Conseils pour instrumenter les applications web avec Azure Application Insights. Fournit des modèles de télémétrie, la configuration du SDK et des références de configuration. QUAND : comment instrumenter une application, SDK App Insights, modèles de télémétrie, qu'est-ce qu'App Insights, conseils sur Application Insights, exemples d'instrumentation, bonnes pratiques APM.
devops
applicationinsights-web-ts
microsoft
Instrumentez les applications navigateur/web avec le SDK JavaScript Application Insights (@microsoft/applicationinsights-web). Utilisez-le pour la surveillance des utilisateurs réels (RUM) — vues de page, clics, dépendances AJAX/fetch, exceptions, événements personnalisés et traces d’agents GenAI côté navigateur corrélées aux traces OpenTelemetry backend. Couvre le script de chargement du SDK et la configuration npm, les extensions de framework (React, React Native, Angular), Click Analytics, les initialiseurs de télémétrie et les conventions sémantiques OTel GenAI pour les spans d’agents/outils/modèles émises depuis le navigateur.
devops
azure-ai-anomalydetector-java
microsoft
Créez des applications de détection d'anomalies avec le SDK Azure AI Anomaly Detector pour Java. Utilisez-le lors de l'implémentation de la détection d'anomalies univariées/multivariées, de l'analyse de séries temporelles ou de la surveillance basée sur l'IA.
development
azure-ai-language-conversations-py
microsoft
Implémentez la compréhension du langage conversationnel (CLU) à l’aide du SDK Python azure-ai-language-conversations. Utilisez-le lorsque vous travaillez avec ConversationAnalysisClient pour analyser l’intention et les entités d’une conversation, créer des fonctionnalités de NLP ou intégrer la compréhension du langage dans des applications.
development
azure-ai-ml-py
microsoft
SDK v2 d’Azure Machine Learning pour Python. Utiliser pour les espaces de travail ML, les tâches, les modèles, les jeux de données, le calcul et les pipelines. Déclencheurs : « azure-ai-ml », « MLClient », « espace de travail », « registre de modèles », « tâches d’entraînement », « jeux de données ».
development