de spoon-awesome-skill13
Décode et explique les transactions EVM échouées : raisons du revert, profilage du gaz, analyse des événements et correctifs exploitables sur 7 chaînes EVM majeures.
La compétence EVM Transaction Debugger fournit une analyse forensique étape par étape des transactions de type Ethereum. À partir d'un hash de transaction (0x...), elle décode les données d'entrée pour identifier les méthodes appelées et les paramètres, classifie les raisons du revert et les modes d'échec, profile l'utilisation du gaz (y compris la décomposition EIP-1559) et analyse les logs d'événements en résumés lisibles par l'humain. La compétence produit un rapport de débogage structuré comprenant une vue d'ensemble, une classification des erreurs, des métriques de gaz, des événements décodés et des recommandations exploitables.
Utilisez cette compétence lorsque vous avez besoin de : déboguer une transaction échouée (revert), comprendre pourquoi une transaction a utilisé un gaz excessif, décoder quelle méthode de contrat a été invoquée et avec quels paramètres, ou extraire et interpréter des logs d'événements à des fins d'audit et de dépannage. Elle supporte les flux multi-chaînes sur Ethereum, BSC, Polygon, Arbitrum, Base, Optimism et Avalanche.
Cette compétence s'adresse aux runtimes d'agents pouvant exécuter des scripts Python et accéder aux explorateurs de blockchain publics (Claude Code / runtimes similaires, harnais d'agents compatibles Python). Elle ne nécessite pas de clés API et s'appuie sur des services publics pour les recherches ABI et 4byte.
Compétence de débogueur de transactions EVM pour décoder les transactions blockchain échouées sur 7 chaînes EVM. Le SKILL.md est bien structuré avec des déclencheurs, des paramètres et un format de sortie clairs. Référence 4 scripts Python (tx_decoder, error_classifier, gas_profiler, event_parser) mais aucun n'a été récupéré du dépôt — probablement absents du répertoire. Aucune préoccupation de sécurité ; toutes les API sont gratuites et ne nécessitent aucune authentification. Les instructions sont approfondies et spécifiques.
Compétence propre sans problèmes de sécurité. Pas d'identifiants codés en dur, pas de commandes destructrices, pas de télémétrie. La préoccupation principale est que les 4 scripts Python référencés sont absents des données récupérées — le corps de la compétence les décrit mais ils ne sont pas groupés, donc la compétence est effectivement limitée aux instructions. La qualité du code est pénalisée par l'absence de scripts annoncés comme disponibles. L'architecture est bonne : frontmatter approprié, paramètres clairs, conception composable, mais la section scripts référence des fichiers inexistants.
