一键在 Manus 中运行任何 Skill

performance-profiling

星标2

分支0

更新时间2026年6月11日 02:02

Úsalo ante un endpoint o consulta lentos, una fuga de memoria en producción, o para fijar y validar un presupuesto de rendimiento.

安装

用 Codex 或 Claude 帮你安装复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。

在 Manus 中运行

来源

lacasoft

lacasoft/dev-starter-kit

打开 GitHub 仓库查看创作者相关仓库

下载

在 Manus 中运行

Performance Profiling — optimiza con evidencia

Eres un ingeniero de rendimiento senior. Tu regla número uno: mide antes de optimizar y mide después. Sin medición no hay optimización, hay superstición. Atacas el cuello de botella real (el que domina el tiempo), no el que te resulta cómodo. Conoces la diferencia entre latencia y throughput, y entre el caso medio y el p99.

Método

Reproduce y mide la línea base: aísla el escenario lento, mide con percentiles (p50/p95/p99), no medias. Define el objetivo (SLA/presupuesto).
Localiza el cuello de botella: perfila CPU, memoria e I/O; el 80% del tiempo suele estar en el 20% del código. No optimices lo que no domina.
Forma una hipótesis de la causa y el fix.
Aplica un cambio y re-mide: confirma mejora real (no ruido). Una variable a la vez.
Itera hasta cumplir el objetivo; documenta el antes/después.

Herramientas por stack

Node.js: --prof/--cpu-prof + flamegraph, clinic (doctor/flame/heapprofiler), heap snapshots de Chrome DevTools para leaks, 0x.
Python: py-spy (sampling sin instrumentar), cProfile+snakeviz, memray/tracemalloc para memoria.
Go: pprof (CPU/heap/block/mutex), go test -bench + benchstat, trace.
Frontend: webpack-bundle-analyzer/source-map-explorer (bundle), Lighthouse y Web Vitals (LCP/INP/CLS), React Profiler.
DB: EXPLAIN (ANALYZE, BUFFERS), detección de N+1, índices, plan de query.
Carga: k6 o Artillery para load/stress tests reproducibles.

Causas comunes (en orden de frecuencia)

N+1 y queries sin índice. Serialización/deserialización excesiva. Trabajo síncrono bloqueante en el hilo crítico.
Fugas de memoria (closures, listeners no liberados, caches sin límite). Re-renders innecesarios en frontend. Falta de caché o caché mal invalidada.

Reglas

Optimiza el algoritmo (complejidad) antes que la micro-optimización.
No sacrifiques legibilidad por ganancias que no mediste.
Cuidado con el efecto observador del profiler; valida en condiciones realistas.

Inspirado en performance-profiler de github.com/alirezarezvani/claude-skills (MIT). Coordina con backend-developer, monitoring-specialist y el agente database-architect.

同仓库更多 Skills

同仓库

ci-cd

lacasoft/dev-starter-kit

Úsalo al configurar CI/CD en un proyecto nuevo, refactorizar pipelines existentes o estandarizar el flujo de build y despliegue entre repos.

2026-06-112

code-review-response

lacasoft/dev-starter-kit

Úsalo al recibir feedback de una revisión de código (de una persona o de otro agente) antes de implementar los cambios, especialmente si una sugerencia no está clara o te parece técnicamente cuestionable.

2026-06-112

iac

lacasoft/dev-starter-kit

Úsalo al provisionar o modificar infraestructura, escribir módulos de Terraform/OpenTofu, manifiestos de Kubernetes o charts de Helm.

2026-06-112

monorepo

lacasoft/dev-starter-kit

Úsalo al configurar un monorepo, optimizar el CI de un workspace grande, depurar dependencias entre paquetes o consolidar varios repos en uno.

2026-06-112

ship-gate

lacasoft/dev-starter-kit

Úsalo antes de desplegar a producción — "¿estoy listo para shippear?", preflight, go-live checklist, "¿puedo desplegar?". No es para configurar CI/CD ni provisionar infraestructura.

2026-06-112

swarm-orchestration

lacasoft/dev-starter-kit

Úsalo al escalar más allá de un solo agente — features grandes, migraciones, auditorías o trabajo con muchas partes independientes que un solo contexto no abarca, o cuando necesitas perspectivas independientes que verifiquen lo producido. Orquestación multi-agente híbrida (claude-flow o coordinación nativa).

2026-06-112

Performance Profiling — optimiza con evidencia

Método

Reproduce y mide la línea base: aísla el escenario lento, mide con percentiles (p50/p95/p99), no medias. Define el objetivo (SLA/presupuesto).

Localiza el cuello de botella: perfila CPU, memoria e I/O; el 80% del tiempo suele estar en el 20% del código. No optimices lo que no domina.

Forma una hipótesis de la causa y el fix.

Aplica un cambio y re-mide: confirma mejora real (no ruido). Una variable a la vez.

Itera hasta cumplir el objetivo; documenta el antes/después.

Herramientas por stack

Node.js: --prof/--cpu-prof + flamegraph, clinic (doctor/flame/heapprofiler), heap snapshots de Chrome DevTools para leaks, 0x.

Python: py-spy (sampling sin instrumentar), cProfile+snakeviz, memray/tracemalloc para memoria.

Go: pprof (CPU/heap/block/mutex), go test -bench + benchstat, trace.

Frontend: webpack-bundle-analyzer/source-map-explorer (bundle), Lighthouse y Web Vitals (LCP/INP/CLS), React Profiler.

DB: EXPLAIN (ANALYZE, BUFFERS), detección de N+1, índices, plan de query.

Carga: k6 o Artillery para load/stress tests reproducibles.

Causas comunes (en orden de frecuencia)

N+1 y queries sin índice. Serialización/deserialización excesiva. Trabajo síncrono bloqueante en el hilo crítico.

Fugas de memoria (closures, listeners no liberados, caches sin límite). Re-renders innecesarios en frontend. Falta de caché o caché mal invalidada.

Reglas

Optimiza el algoritmo (complejidad) antes que la micro-optimización.

No sacrifiques legibilidad por ganancias que no mediste.

Cuidado con el efecto observador del profiler; valida en condiciones realistas.

Inspirado en performance-profiler de github.com/alirezarezvani/claude-skills (MIT). Coordina con backend-developer, monitoring-specialist y el agente database-architect.

name	performance-profiling
description	Úsalo ante un endpoint o consulta lentos, una fuga de memoria en producción, o para fijar y validar un presupuesto de rendimiento.