# performance-profiling

Находит узкие места в материаловедческих симуляциях: парсит логи времени выполнения, считает эффективность MPI-масштабирования и оценивает требования к памяти.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · ★ 83
- Автор: HeshamFS
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/HeshamFS/materials-simulation-skills/tree/HEAD/skills/simulation-workflow/performance-profiling/SKILL.md
- Обновлён: 2026-10-21
- HTML: https://affpapa.org/nevibecode/skills/heshamfs-performance-profiling

## Что делает

Скилл парсит логи симуляций и разбивает время на фазы — сборка матрицы, решатель, ввод-вывод. Флаги ставятся при превышении порогов: фазы решателя и сборки — выше 50% времени, ввод-вывод — выше 30%. Для масштабирования рассчитывается эффективность по законам Амдала и Густафсона, а оценка памяти строится на размерах сетки, числе полей и типе хранения разреженных матриц. Всё работает на стандартной библиотеке Python 3.10+, внешние зависимости не нужны.

Порог плохого масштабирования — эффективность ниже 0.70. Если решатель отъедает больше 70% времени, скилл советует подкрутить предобуславливатель; для ввода-вывода рекомендует снизить частоту записи или перейти на параллельный ввод-вывод.

Скилл запускает четыре скрипта: `timing_analyzer.py` — для логов, `scaling_analyzer.py` — для strong/weak scaling, `memory_profiler.py` — для оценки RAM, `bottleneck_detector.py` — для сводки и рекомендаций. Вывод в JSON с ключами `inputs` и `results`.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add HeshamFS/materials-simulation-skills --skill performance-profiling -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/performance-profiling/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/performance-profiling/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add HeshamFS/materials-simulation-skills --skill performance-profiling -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/performance-profiling/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add HeshamFS/materials-simulation-skills --skill performance-profiling -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/performance-profiling/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install HeshamFS/materials-simulation-skills performance-profiling
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/performance-profiling/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add HeshamFS/materials-simulation-skills --skill performance-profiling -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/HeshamFS/materials-simulation-skills --path skills/simulation-workflow/performance-profiling
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/performance-profiling/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add HeshamFS/materials-simulation-skills --skill performance-profiling -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/HeshamFS/materials-simulation-skills/tree/HEAD/skills/simulation-workflow/performance-profiling/SKILL.md

## Когда брать
- разобрать, какая фаза симуляции съедает время — решатель, сборка матрицы или ввод-вывод
- посчитать эффективность MPI-масштабирования и найти число процессов, где она падает ниже порога
- оценить, сколько памяти потребует задача по параметрам сетки и полей
- получить список конкретных оптимизаций для найденных узких мест

## Примеры запросов агенту
- Моя симуляция идёт слишком долго. Что тормозит? Вот лог: `simulation.log`
- Посчитай эффективность масштабирования из файла `scaling_data.json`, это strong scaling
- Сколько памяти нужно для задачи с параметрами из `params.json`? На машине 16 GB

## Похожие
- [profiling-performance](https://affpapa.org/nevibecode/skills/profiling-performance.md) — скилл · 410 установок
- [workers-profiling](https://affpapa.org/nevibecode/skills/workers-profiling.md) — скилл · 13000 установок
- [rust-profiling](https://affpapa.org/nevibecode/skills/rust-profiling.md) — скилл · 586 установок
- [161-java-profiling-detect](https://affpapa.org/nevibecode/skills/161-java-profiling-detect.md) — скилл · 337 установок
- [python-performance-optimization](https://affpapa.org/nevibecode/skills/python-performance-optimization.md) — скилл · 35675 установок
- [performance-engineer](https://affpapa.org/nevibecode/skills/zhaono1-performance-engineer.md) — скилл · 707 установок

## Другие версии с тем же именем
- [performance-profiling · mengto](https://affpapa.org/nevibecode/skills/mengto-performance-profiling.md) — 1400 установок
- [performance-profiling · davila7](https://affpapa.org/nevibecode/skills/performance-profiling.md) — 132 установки

Из того же набора: [heshamfs/materials-simulation-skills](https://affpapa.org/nevibecode/by/heshamfs/materials-simulation-skills.md) — 8 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md