Melhores práticas de debugging e profiling para Python

"Considerando um cenário comum de desenvolvimento em Python onde um programador se depara com um erro inesperado em um script de tamanho médio (ex: 500-1000 linhas) que interage com uma API externa e um banco de dados local. O erro não gera um `Traceback` completo, mas sim um comportamento incorreto intermitente (ex: dados corrompidos no banco, requisições duplicadas na API) que ocorre apenas em certas condições de carga ou dados específicos.

Elabore um guia passo a passo, detalhado e prático, para identificar a causa raiz desse problema utilizando as ferramentas e técnicas de *debugging* e *profiling* nativas do Python (ou bibliotecas padrão como `pdb`, `cProfile`, `logging`). O guia deve incluir:

1.  **Estratégias iniciais de diagnóstico:** Como começar a investigar um erro sem um `Traceback` claro.
2.  **Uso eficaz de `logging`:** Exemplos de como configurar e usar `logging` para capturar informações relevantes sobre o fluxo de execução e estados variáveis.
3.  **Depuração interativa com `pdb`:** Cenários de uso de `pdb` para inspecionar variáveis, navegar pelo código e definir *breakpoints* condicionais.
4.  **Identificação de gargalos de performance ou *deadlocks* com *profiling*:** Como usar `cProfile` ou `profile` para identificar se o problema está relacionado a desempenho ou concorrência.
5.  **Técnicas avançadas:** Mencione brevemente outras ferramentas ou abordagens que poderiam ser úteis (ex: *mocking* para APIs externas, *unit tests* para reproduzir o erro).
6.  **Melhores práticas:** Recomendações gerais para evitar problemas semelhantes no futuro.

O tom deve ser didático e prático, como se estivesse ensinando um desenvolvedor júnior a abordar esse tipo de problema complexo. Utilize exemplos de código Python quando apropriado."