디버그: 증거 우선 진단

무엇을 해주나

• 학습 런이 실패·발산·OOM·행(hang)·느려짐 등으로 깨졌을 때, 원인을 바로 단정하지 않고 증거부터 수집하도록 Claude의 진행 순서를 고정합니다.
• 5단계 프로토콜을 강제합니다: ① 저비용 탐침(프로세스 상태, dmesg, nvidia-smi, 디스크, 로그 스크롤백, 체크포인트) → ② 가설을 '가설'이라고 명시 → ③ 30초짜리 스모크 런으로 검증 → ④ 변수 하나만 바꾼 대조 실험 → ⑤ 도구 출력 인용과 함께 원인 선언.
• 가설별 스모크 레시피(OOM이면 batch_size=1, 옵티마이저 의심이면 lr=0, 분산 의심이면 단일 GPU 등)를 제공합니다.
• 증거가 부족하면 "아직 모르겠다"고 말하고 다음 탐침을 제안하도록 합니다.

이런 분께 추천

• PyTorch/torchrun/accelerate로 학습을 돌리는 ML 엔지니어, 연구자
• GPU 서버나 클러스터에서 긴 학습을 돌리다 원인 모를 중단을 자주 겪는 분
• "일단 재시작해보기"로 시간을 낭비한 경험이 있는 분

활용 예시

1. "학습 로그에서 loss가 NaN이 됐어, 왜 그런지 봐줘" → 로그 마지막 수백 줄과 grad_norm 패턴을 먼저 읽고, lr=0 스모크로 손실 함수 자체 문제인지 분리.
2. "3시간째 GPU util이 0인데 프로세스는 살아있어" → ps aux, nvidia-smi, dmesg로 데이터로더 블로킹 여부를 확인한 뒤 합성 데이터셋 스모크로 데이터 경로를 검증.
3. "어제 밤 런이 그냥 죽었어" → dmesg의 oom-kill 기록과 마지막 체크포인트 타임스탬프/크기를 대조해 커널 OOM인지 NFS 타임아웃인지 구분.

이 파일의 지시를 읽고 그대로 따라서 나를 도와줘:
https://raw.githubusercontent.com/fcakyon/labrat/HEAD/plugin/skills/debug/SKILL.md

내가 원하는 것: (여기에 하고 싶은 일을 쓰세요)

AI 스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 fcakyon/labrat 의 plugin/skills/debug 폴더를 내 ~/.claude/skills/fcakyon-debug-2/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.