Przejdź do treści
Biblioteka skilli
Programowanie · Analiza

performance-optimization

/performance-optimization

Przyspiesza kod mierzalnie: najpierw profilowanie, potem naprawa rzeczywistego wąskiego gardła, gdy coś działa wolno, zużywa zbyt dużo pamięci lub musi obsłużyć większe obciążenie.

Repozytorium
AI-SKILLS ↗
Licencja
MIT
Ostatnia zmiana repozytorium
05.09.2026

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
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 05.09.2026, bez odwołań do wycofanych modeli i API.

Licencja

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

Co robi i kiedy

Przyspiesza kod mierzalnie: najpierw profilowanie, potem naprawa rzeczywistego wąskiego gardła, gdy coś działa wolno, zużywa zbyt dużo pamięci lub musi obsłużyć większe obciążenie.

Oryginalny opis (EN)

Make code measurably faster by profiling first and fixing the actual bottleneck. Use when something is slow, uses too much memory, or needs to handle more load.

Jak działa

  1. Method
  2. Rules
Sekcje z nagłówków SKILL.md, w oryginale · 46 linii, 341 słów
Podgląd SKILL.md
---
name: performance-optimization
description: Make code measurably faster by profiling first and fixing the actual bottleneck. Use when something is slow, uses too much memory, or needs to handle more load.
---

# Performance optimization

The rule that outranks every technique: measure, change one thing, measure
again. Optimization without a profile is guessing with extra steps, and the
guess is usually wrong.

## Method

1. **Define fast enough before starting.** A target with units: "page loads
   under 800 ms on the median device", "the import handles 100k rows in
   under a minute". Without a target, optimization never ends and every
   trade-off is unjustifiable.
2. **Measure the real workload.** Profile the actual slow case with
   realistic data volume, not a toy benchmark. Capture where time or memory
   actually goes; the bottleneck is nearly always one or two spots, and
   nearly never where intuition points.
3. **Fix in order of leverage:**
   - Do less work: cache repeated computation, skip work whose result is
     unused, exit early, paginate instead of loading everything.
   - Do work fewer times: hoist the query out of the loop (the N+1 pattern
     hides everywhere), batch requests, debounce repeated triggers.
   - Do work with the right complexity: the list scan inside a loop is
     quadratic; a set or map makes it linear. Algorithmic wins dwarf
     micro-tuning.
   - Do work at a better time: precompute, defer off the hot path, move it
     to the background, stream instead of buffering.
   - Only then micro-optimize, and only with the profiler confirming the
     hot spot.
4. **Verify against the target with the same measurement,** then check what
   the change cost: memory for speed, freshness for caching, complexity for
   everything. State the trade honestly.
5. **Guard the win.** A performance fix without a regression check (a
   benchmark, a budget in CI, an alert) is a temporary loan.

## Rules

- Caching gets an invalidation story before it ships, or it is a
  correctness bug with good latency.
- Never trade correctness for speed silently; if a fast path returns
  slightly different results, that is a decision for the requester.
- Readable-but-fast beats clever-but-fragile; note when the optimized
  version costs clarity and quarantine the cleverness behind a well-named
  function.
- Report numbers, not adjectives: before, after, workload, machine.

Wersje

RepozytoriumWynikLicencja
Ta strona · Amey-Thakur/AI-SKILLS100MIT
zeative/satgas100AGPL-3.0
TheAstroByte/astrobyte-agent-skills100MIT
FrancoStino/opencode-skills-collection100MIT
sanity-io/sanity100MIT
magnus919/agent-skills100MIT
drvoss/everything-copilot-cli100MIT
atc-net/atc-agentic-toolkit100MIT
DnsQueen/orcinus-skills100MIT

Migawka bazy z 13.11.2026 · wersja paczki 00b02b82d61d (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

  • 95matlab-performance-optimizer
    Przyspiesza kod MATLAB przez wektoryzację, zarządzanie pamięcią i profilowanie, gdy kod działa za wolno.
  • 100performance-optimizer
    Optymalizuje wydajność aplikacji React Native: most, renderowanie list (FlatList), zarządzanie pamięcią i profilowanie, gdy aplikacja działa wolno, tnie lub zużywa za dużo pamięci.
  • 100python-performance
    Profiluje i optymalizuje kod Pythona przy użyciu cProfile i profilerów pamięci, gdy aplikacja działa wolno lub zużywa za dużo pamięci.
  • 80performance:profile
    Pomaga ustalić, dlaczego program, skrypt lub strona działa wolno albo zużywa dużo pamięci, zanim zaczniesz cokolwiek zmieniać.
  • 100performance-profiling
    Mierzy przed optymalizacją: Core Web Vitals, profilowanie pakietów i środowiska uruchomieniowego oraz Lighthouse, gdy coś działa wolno.
  • 100performance-review
    Analizuje optymalizację wydajności: profilowanie CPU i pamięci, cache, zapytania do bazy, pule połączeń, współbieżność i wycieki pamięci, przed wydaniem lub gdy kod jest wolny.

Uwagi i zgłoszenia

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