К основному содержанию
скилл CX Codex

benchmark-checklist — скилл для Claude Code: проверка замеров

Скилл задаёт агенту список вопросов, которые нужно закрыть доказательствами из прогона, прежде чем докладывать об ускорении или регрессии.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add backnotprop/pstack --skill benchmark-checklist -a claude-code
Открыть на GitHub

Что делает benchmark-checklist

Скилл включается, когда вы собираетесь назвать число производительности: до и после в PR, заявка о регрессии, стенд для подбора конфигурации или библиотеки. Агент отвечает на каждый вопрос фактами из прогона, а не догадками по коду.

Внутри семь вопросов. Первый требует назвать ограничитель и профилировать в отдельном прогоне, потому что профилировщики сами замедляют работу. Дальше проверка, что обе стороны запускались как в продакшене, арифметика против пропускной способности диска и сети, подсчёт ошибок и неверных ответов, повторяемость минимум по 5 прогонов в чередовании A, B, A, B, и подтверждение, что работа вообще попала в замеренный участок. Отдельный вопрос — про долю микрозамера в сквозном пути, который ждёт пользователь.

Перед запуском скилл советует записать ожидаемое утверждение теми словами, в которых вы его отправите, прочитать скрипт замера и проверить uptime и nproc. Если машина занята и остановить нагрузку нельзя, стороны чередуются, чтобы шум достался обеим, и это отмечается в отчёте. Для быстрой прикидки по просьбе пользователя хватает одного прогона, но проверить ошибки и факт выполнения работы всё равно нужно, и в отчёте надо сказать, что прогон один. Выбор между вариантами прикидкой не считается.

Какие задачи решает

  • отличить реальное ускорение от шума между прогонами
  • найти ограничитель, который объясняет, почему число не сдвинулось
  • поймать замер, где работа вообще не выполнялась
  • сравнить реализации, а не настройки по умолчанию
  • посчитать ошибки и таймауты, которые искажают среднее

Примеры запросов агенту

  • проверь мой бенчмарк перед тем, как я напишу в PR про ускорение экспорта
  • я замерил регрессию p50 на 60k строк, прогони чек-лист
  • сравниваю две библиотеки парсинга, что нужно проверить в замерах

Как установить benchmark-checklist

1Через Skills CLI (Vercel)

npx skills add backnotprop/pstack --skill benchmark-checklist -a claude-code

2Вручную: положить файлы

~/.claude/skills/benchmark-checklist/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/benchmark-checklist/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Из того же набора44

principle-separate-before-serializing-shared-state Правило проектирования для параллельных процессов: сначала разделяет изменяемое состояние между исполнителями, а блокировки и очереди применяет только при строгой необходимости. CX Codex +1 5 100установок principle-attack-the-premise Скилл помогает проверить общую предпосылку после нескольких неудачных исправлений. Он нужен, когда новые фиксы проходят тот же барьер и снова ломаются. CX Codex +1 5 100установок principle-foundational-thinking Набор принципов на этап до написания логики: выбрать типы и структуры данных, навести порядок в каркасе, проверить общее состояние у конкурентных акторов. CX Codex +1 5 100установок correct Находит повторяющиеся ошибки агентов в репозитории и устраняет их через архитектуру, типы или линтеры. Пригодится, когда ИИ раз за разом наступает на одни и те же грабли. CX Codex +1 4 200установок principle-explain-the-number Скилл для проверки измеренных чисел: заставляет назвать лимитер и отмести версии, что замер поймал не ту работу. Пригодится до того, как ускорение или регрессия уедут в отчёт. CX Codex +1 4 100установок poteto-help Отвечает на вопросы про pstack: как настроить, как запустить /poteto-mode, какой скилл взять под задачу. Сама работу не начинает — выдаёт готовый промпт. CX Codex +1 3 700установок ketchup Пересказывает изменения в чате с момента последней реплики пользователя и собирает список решений, которые зависят только от человека. CX Codex +1 2 900установок sharpen Скилл разбирает вашу формулировку задачи по четырём вопросам и переписывает промпт так, чтобы работа шла глубже, а не шире. CX Codex +1 2 200установок

Похожие

android-benchmark-comparison chrisbanes Скилл задаёт протокол для экспериментов с бенчмарками на физических Android-устройствах. Пригодится, когда нужно выбрать конфигурацию по умолчанию или разобрать спорные замеры. CX Codex +1 329установок benchmark affaan-m Скилл измеряет скорость страниц, API и сборки, а затем сравнивает показатели до и после изменений. Пригодится перед релизом или когда страницу считают медленной. CX Codex +1 4 500установок cost-benchmark ruvnet Запускает бенчмарки на локальном корпусе задач и сравнивает затраты с базовыми моделями Gemini и Claude. Пригодится для проверки точности и расходов перед релизом. CX Codex +1 679установок golang-benchmark samber Скилл помогает писать и запускать бенчмарки Go, разбирать профили и сравнивать результаты. Пригодится для поиска регрессий и анализа узких мест. CX Codex +1 39 500установок best-ai-marketing-platform-benchmark reason-machines Скилл собирает сравнительный обзор платформ, которые отслеживают упоминания бренда в ответах ChatGPT, Perplexity и Google AI Overviews. Пригодится, когда выбираете, чем мониторить видимость в ИИ-поиске. CX Codex +1 903установок benchmark-model modular Гоняет нагрузку на запущенный max serve и выдаёт tokens/sec, TTFT и TPOT. Нужен, когда надо понять, сколько модель держит и где проседает latency. CX Codex +1 887установок

Рядом в теме «Тесты и QA»

Всё по теме «Тесты и QA» →

Вопросы о benchmark-checklist

Как установить benchmark-checklist в Claude?

Выполните npx skills add backnotprop/pstack --skill benchmark-checklist -a claude-code. Скилл окажется в ~/.claude/skills/benchmark-checklist/SKILL.md.

Что делает benchmark-checklist?

Прогоняет замер производительности через семь вопросов: ограничитель, тюнинг, пределы, ошибки, повторяемость, значимость для сквозного пути и факт выполнения работы. На выходе — вердикт с числом, разбросом и названным ограничителем.

Когда вердикт считается неубедительным?

Если разница заявлена, а ограничитель не назван, если одна сторона шла на настройках по умолчанию или если не удалось проверить ошибки и факт выполнения работы. В этих случаях скилл требует назвать пробел прямо.

Исходный текст

SKILL.md · MIT
---
name: benchmark-checklist
description: "Vet a perf measurement (limiter, tuning, limits, errors, repeatability, relevance, and whether the work happened) before you report or act on it. Use when you run a benchmark or report a speedup or regression you measured."
disable-model-invocation: true
---

# Benchmark checklist

Use this when you produce a performance number: a PR's before and after, a regression claim, a hillclimb harness, or a library or config choice. Answer each question with evidence from a run, not a guess about the code.

For a quick ballpark the user asked for, one run is enough. Still check questions 4 and 7, and say that it is one run. Skip the rest unless that run looks wrong. A choice between options is never a ballpark.

## Before you run anything

- Write down the claim you expect to make, in the words you would ship ("export is 30% faster at p50 on the 60k-row dataset"). The questions test that sentence.
- Read the measurement script. Note what it times, counts, and ignores.
- Check the load average with `uptime` and the core count with `nproc`. If the machine is busy, find out what is running. If you cannot stop it, interleave the sides so both see the same noise, and say so in the report.

## The questions

1. **Why not double?** Name the limiter. Profile in a run you do not report, because profilers and tracers slow the work down. Use CPU per process (`top`, `pidstat`), a runtime profiler (`node --cpu-prof`, `py-spy`, `perf`), I/O wait, and syscall counts (`strace -c` on Linux), then map the hot spot to source. Watch the load generator too: if it saturates first, you measured the load generator. If a change did not move the number, the limiter explains why, so find it before you call the change useless.
2. **Was it tuned?** Run every side the way production runs it: release builds, production flags and env, batching and transaction settings, connection pools, caches as warm or cold as production sees them, and the same versions and data. If one side runs on defaults, you compared configurations, not implementations. A limiter that is a setting (a commit per row, a debug build, a missing index) means that side is untuned. Tune it and measure again before you pick a winner. If you cannot tune it, do not pick a winner from that run. When the user is choosing what to adopt, narrowing the claim to the code as it ships today does not fix this, because they adopt the option, not today's settings.
3. **Did it break limits?** Do the arithmetic. Compare bytes per second with disk and network bandwidth, operations per second times cost per operation with your cores, and the time saved with the time the changed piece took. Removing a piece that takes 10% of the run can make the run at most about 11% faster. A result past a limit measured something other than the work, such as a cache, a no-op, or a bug.
4. **Did it error?** Count failures and non-success responses, and check that outputs are correct, not just present. Rejections are often fast, and timeouts and retries are slow. If the script does not count errors, add the count.
5. **Does it reproduce?** Run each side at least 5 times, alternating (A, B, A, B, and so on) so warmup, lazy initialization, caches, and drift favor neither. Report the median and range. A gap smaller than the run-to-run variation is no measurable difference. When the call is close, use a rank-sum test or the harness's own statistics.
6. **Does it matter?** Next to any micro result, measure the end-to-end path a user waits on, with realistic data sizes and concurrency, and report the micro result as a share of the whole. A helper that takes 1% of a request can make the request at most 1% faster, however fast the helper gets.
7. **Did it even happen?** Confirm the work ran inside the timed region: the request reached the server, the rows were written, the bytes were read, and the code used the result. Lazy code (generators nobody iterates, promises nobody awaits, results the JIT can discard) and timeouts produce numbers for work that never happened.

## Report

- Lead with the verdict: faster, slower, no measurable difference, or inconclusive.
- Give the number with its unit, the run count, the range, and the limiter. For example, "p50 41 ms → 33 ms, median of 7 runs per side, range 32 to 35 ms after, bound by JSON parsing on one core."
- Call the verdict inconclusive when you claim a difference but cannot name the limiter, when a side ran untuned, or when you could not check questions 4 and 7. Name the gap.
- Keep a PR body to one primary number, per the **Opening a PR** playbook. Put the runs, range, and limiter evidence in a linked artifact or notes file.

## Other perf material

- Vet the **Perf issue** playbook's baseline before the playbook plans from it, and every number after that.
- Vet the **Hillclimb** playbook's harness before it is frozen. The frozen harness then prints error and work counts, so each keep-or-revert checks questions 4 and 7 for free.

© backnotprop · MIT · backnotprop/pstack

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой