Przejdź do treści
Biblioteka skilli
Programowanie · Analiza

complexity-optimizer

/complexity-optimizer

Analizuje i poprawia złożoność kodu oraz wąskie gardła wydajności bez szerokich przepisań: zagnieżdżone pętle, powtarzane skanowanie, zapytania N+1, nadmiarowe renderowanie i wolne testy.

Licencja
MIT
Ostatnia zmiana repozytorium
14.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
3
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 14.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Analizuje i poprawia złożoność kodu oraz wąskie gardła wydajności bez szerokich przepisań: zagnieżdżone pętle, powtarzane skanowanie, zapytania N+1, nadmiarowe renderowanie i wolne testy.

Oryginalny opis (EN)

Analyze or improve codebase complexity and performance hotspots without broad rewrites. Use when reviewing nested loops, repeated scans, N+1 queries, rendering churn, excessive recomputation, slow tests, large-input paths, memory pressure, or requests to reduce complexity while preserving behavior and tests.

Jak działa

  1. Modes
  2. Workflow
  3. Safety Checklist
  4. Final Report
Sekcje z nagłówków SKILL.md, w oryginale · 54 linii, 311 słów
Podgląd SKILL.md
---
name: complexity-optimizer
description: Analyze or improve codebase complexity and performance hotspots without broad rewrites. Use when reviewing nested loops, repeated scans, N+1 queries, rendering churn, excessive recomputation, slow tests, large-input paths, memory pressure, or requests to reduce complexity while preserving behavior and tests.
license: MIT
metadata:
  abvx_status: experimental
  abvx_origin: adapted
---

# Complexity Optimizer

Optimize only when behavior is understood and can be preserved. A small measured improvement beats a clever rewrite.

## Modes

- Report mode: rank opportunities and do not edit.
- Implementation mode: change scoped code after identifying a repro, test, benchmark, or reviewable invariant.
- Audit mode: scan broad areas, then inspect only the highest-impact leads.

## Workflow

1. Establish scope: language, framework, hot paths, data sizes, tests, build command, and user-facing risk.
2. Find leads: nested scans, repeated filtering, loops inside render paths, N+1 database/API calls, redundant serialization, unbounded recursion, cache misses, and avoidable work in hooks or lifecycle methods.
3. Rank by likely impact and blast radius. Treat static findings as leads, not proof.
4. For each serious finding, record:
   - file and location;
   - current pattern;
   - estimated current complexity;
   - proposed change;
   - expected complexity after change;
   - correctness risk;
   - verification needed.
5. Before editing, preserve behavior with existing tests, a focused regression test, a fixture, or a clear invariant.
6. Optimize conservatively:
   - replace repeated linear lookup with maps or sets when equality is stable;
   - pre-index or group data before joins;
   - batch database/API access while preserving tenant, permission, filtering, ordering, and pagination;
   - memoize derived UI data only when inputs are stable;
   - virtualize or paginate large rendered collections;
   - avoid caches without invalidation strategy.
7. Run narrow checks first, then broader relevant checks.

## Safety Checklist

Before finalizing:

- output ordering is preserved or intentionally changed;
- duplicates and null/missing values are handled;
- mutation and object identity assumptions are not broken;
- authorization and tenant filters survive batching;
- cache invalidation is explicit;
- the original performance or failure signal was rerun.

## Final Report

Include:

- top findings or changed files;
- before/after complexity estimates;
- verification commands and results;
- residual risks and missing measurement gaps.
Pliki w paczce (3)
  • SKILL.md 3 KB
  • SKILL_CARD.md 1 KB
  • agents/openai.yaml 1 KB

Wersje

RepozytoriumWynikLicencja
Ta strona · markoblogo/abvx-agent-skills100MIT
sebastianbreguel/agent-complexity-optimizer100MIT
pproenca/dot-skills100MIT

Migawka bazy z 13.11.2026 · wersja paczki e7fd8d62852f (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100time-complexity
    Szacuje złożoność czasową kodu Big-O na podstawie analizy statycznej, wskazując gorące punkty wydajności.
  • 100algorithmic-complexity-review
    Przegląda kod pod kątem przypadkowych problemów ze złożonością Big-O, takich jak zagnieżdżone pętle, zapytania N+1, rekursja wykładnicza i kwadratowe budowanie ciągów.
  • 100code-complexity-analysis
    Ocenia wydajność kodu przez złożoność czasową i pamięciową oraz wskazuje wąskie gardła i sposoby optymalizacji.
  • 95swiftui-performance
    Audytuje i poprawia wydajność SwiftUI: wolne renderowanie, szarpane przewijanie, wysokie zużycie CPU i pamięci, nadmiarowe aktualizacje widoków oraz profilowanie w Instruments.
  • 100database-optimizer
    Analizuje wolne zapytania, optymalizuje wydajność baz danych w wielu systemach i wdraża strategie indeksowania przyspieszające wykonanie zapytań.
  • 100database-optimizer
    Analizuje wolne zapytania, optymalizuje wydajność baz danych w wielu systemach i wdraża strategie indeksowania przyspieszające wykonanie zapytań.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.