# multi-agent-performance-profiling

Скилл multi-agent-performance-profiling для параллельного профилирования многоуровневых систем.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 126 установок · ★ 3 у репозитория
- Автор: terrylica
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/terrylica/cc-skills/tree/HEAD/plugins/quality-tools/skills/multi-agent-performance-profiling/SKILL.md
- Обновлён: 2026-10-25
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/multi-agent-performance-profiling

## Что делает

Когда production работает ниже SLO и непонятно, где искать: в базе, в сети, в алгоритме — этот скилл организует комплексный поиск. Пять агентов работают параллельно: первый профилирует каждый этап pipeline с `time.perf_counter()` и tracemalloc, второй проверяет конфиг QuestDB и другие БД, третий смотрит API клиента (пакетная отправка, размеры буферов), четвёртый анализирует размер батча и trade-off между памятью и пропускной способностью. Пятый агент читает отчёты остальных, ищет консенсус и расставляет приоритеты.

Внутри — framework для приоритизации (P0 — критичные улучшения >5x, P1 — вторичные 2-5x, P2 — быстрые выигрыши 1.2-2x) и impact quantification. Каждый агент оставляет профилирующий скрипт, отчёт на Markdown и доказательства. На практике скилл разобрал, что в pipeline CloudFront → ZIP → CSV → QuestDB истинное узкое место был CloudFront (90% времени), а не БД, которая впитывает 1.1M строк/сек.

Потребуется Python для профилирующих скриптов, доступ к коду pipeline и конфигам системы.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill multi-agent-performance-profiling -a claude-code
```

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

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill multi-agent-performance-profiling -a codex
```

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

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill multi-agent-performance-profiling -a cursor
```

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install terrylica/cc-skills plugins/quality-tools/skills/multi-agent-performance-profiling
```

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

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill multi-agent-performance-profiling -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/terrylica/cc-skills --path plugins/quality-tools/skills/multi-agent-performance-profiling
```

### Windsurf (Devin Desktop)

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

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add terrylica/cc-skills --skill multi-agent-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/terrylica/cc-skills/tree/HEAD/plugins/quality-tools/skills/multi-agent-performance-profiling/SKILL.md

## Когда брать
- найти истинное узкое место в многоуровневом pipeline вместо оптимизации по догадке
- оценить вклад каждого этапа (загрузка, распаковка, парсинг, запись) в общее время
- расставить приоритеты оптимизаций по impact и effort
- профилировать память и время одновременно на разных слоях системы
- избежать преждевременной оптимизации нетипичных узких мест

## Примеры запросов агенту
- Профилируй pipeline CloudFront → unzip → CSV → QuestDB, там 47K/sec вместо 100K целевых
- Спусти параллельные агенты на анализ конфига БД, размера батча и скорости клиента
- Синтезируй отчёт с приоритетами: какой этап даст 5x улучшение, какой — 2x, какие — быстрые win

## Похожие
- [performance-analysis](https://affpapa.org/nevibecode/skills/performance-analysis.md) — скилл · 1200 установок
- [performance-profiling](https://affpapa.org/nevibecode/skills/heshamfs-performance-profiling.md) — скилл · ★ 95 у репозитория
- [thinking-theory-of-constraints](https://affpapa.org/nevibecode/skills/thinking-theory-of-constraints.md) — скилл · 767 установок
- [profiling-performance](https://affpapa.org/nevibecode/skills/profiling-performance.md) — скилл · 452 установки
- [workers-profiling](https://affpapa.org/nevibecode/skills/workers-profiling.md) — скилл · 30100 установок
- [cx-profiling](https://affpapa.org/nevibecode/skills/cx-profiling.md) — скилл · 1200 установок

Из того же набора: [terrylica/cc-skills](https://affpapa.org/nevibecode/by/terrylica/cc-skills.md) — 79 карточек

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