optimizing-performance — скилл для Claude Code: как установить
Скилл optimizing-performance для Claude Code пошагово диагностирует и ускоряет фронтенд, бэкенд и базы данных: сначала профилирует, затем ищет узкие места и проверяет результат по метрикам.
MIT ★ 1 424 обновлён 2026-10-06
/plugin marketplace add CloudAI-X/claude-workflow-v2
/plugin install project-starter@claude-workflowЧто делает optimizing-performance
Скилл выстраивает чёткий пятишаговый процесс: сначала замер базовых показателей, затем изоляция узких мест, точечные правки и повторный замер. Он ориентируется на строгие ориентиры задержек: TTFB до 800 мс, LCP быстрее 2.5 с, а также задержку P95 для API ниже 500 мс при доле ошибок менее 0.1%.
Внутри собраны практические рецепты для трёх слоёв приложения. На фронтенде агент оптимизирует размер бандла через точечные импорты и динамический React.lazy, настраивает мемоизацию и сжатие картинок в WebP. Для бэкенда скилл предлагает устранять проблему N+1 запросов через JOIN или пагинацию, настраивать трёхуровневый кэш в связке память-Redis-база и выносить тяжёлые вычисления в очереди фоновых задач.
Оптимизировать код вслепую скилл прямо запрещает: без логов Node.js, cProfile в Python или отчёта Lighthouse вносить правки нельзя. Если же задача касается исключительно корректности логики без требований к скорости, подключать этот скилл бессмысленно.
Какие задачи решает
- Найти причину зависаний и высокого потребления CPU или памяти
- Устранить N+1 запросы к базе данных через объединения таблиц
- Уменьшить размер клиентского бандла с помощью динамических импортов
- Настроить многоуровневое кэширование в связке с Redis
- Снизить показатели LCP и TTFB до целевых значений Web Vitals
Примеры запросов агенту
- Помоги ускорить загрузку страниц и проверь размер бандла фронтенда
- Оптимизируй медленные SQL-запросы в заказах и устрани проблему N+1
- Найди утечку памяти и узкие места процессора в сервисе на Node.js
Как установить optimizing-performance
1Через маркетплейс плагинов
/plugin marketplace add CloudAI-X/claude-workflow-v2/plugin install project-starter@claude-workflowКоманда ставит плагин project-starter целиком, со всеми его скиллами
2Через Skills CLI (Vercel)
npx skills add CloudAI-X/claude-workflow-v2 --skill optimizing-performance -a claude-code3Вручную: положить файлы
~/.claude/skills/optimizing-performance/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/optimizing-performance/
1Через Skills CLI (Vercel)
npx skills add CloudAI-X/claude-workflow-v2 --skill optimizing-performance -a codex2Вручную: положить файлы
.agents/skills/optimizing-performance/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add CloudAI-X/claude-workflow-v2 --skill optimizing-performance -a cursor2Вручную: положить файлы
.cursor/skills/optimizing-performance/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install CloudAI-X/claude-workflow-v2 skills/optimizing-performance2Вручную: положить файлы
.github/skills/optimizing-performance/SKILL.md1Через Skills CLI (Vercel)
npx skills add CloudAI-X/claude-workflow-v2 --skill optimizing-performance -a gemini-cli2Командой платформы
gemini skills install https://github.com/CloudAI-X/claude-workflow-v2 --path skills/optimizing-performanceВручную: положить файлы
.devin/skills/optimizing-performance/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы об optimizing-performance
Как установить optimizing-performance в Claude Code?
Выполните команду npx skills add CloudAI-X/claude-workflow-v2 --skill optimizing-performance -a claude-code.
Что делает скилл optimizing-performance?
Он задаёт пошаговый регламент: снимает базовые замеры скорости, изолирует узкие места в вычислениях или базе данных и применяет проверенные паттерны кэширования и асинхронной обработки.
Какие инструменты профилирования использует скилл?
Он опирается на встроенный профилировщик Node.js, модуль cProfile для Python и замеры Lighthouse для фронтенда.
Исходный текст
SKILL.md · MIT
---
name: optimizing-performance
description: Analyzes and optimizes application performance across frontend, backend, and database layers. Use when diagnosing slowness, improving load times, optimizing queries, reducing bundle size, or when asked about performance issues.
---
# Optimizing Performance
### When to Load
- **Trigger**: Diagnosing slowness, profiling, caching strategies, reducing load times, bundle size optimization
- **Skip**: Correctness-focused work where performance is not a concern
## Performance Optimization Workflow
Copy this checklist and track progress:
```
Performance Optimization Progress:
- [ ] Step 1: Measure baseline performance
- [ ] Step 2: Identify bottlenecks
- [ ] Step 3: Apply targeted optimizations
- [ ] Step 4: Measure again and compare
- [ ] Step 5: Repeat if targets not met
```
**Critical Rule**: Never optimize without data. Always profile before and after changes.
## Step 1: Measure Baseline
### Profiling Commands
```bash
# Node.js profiling
node --prof app.js
node --prof-process isolate*.log > profile.txt
# Python profiling
python -m cProfile -o profile.stats app.py
python -m pstats profile.stats
# Web performance
lighthouse https://example.com --output=json
```
## Step 2: Identify Bottlenecks
### Common Bottleneck Categories
| Category | Symptoms | Tools |
| -------- | -------------------------------- | ------------------------------- |
| CPU | High CPU usage, slow computation | Profiler, flame graphs |
| Memory | High RAM, GC pauses, OOM | Heap snapshots, memory profiler |
| I/O | Slow disk/network, waiting | strace, network inspector |
| Database | Slow queries, lock contention | Query analyzer, EXPLAIN |
## Step 3: Apply Optimizations
### Frontend Optimizations
**Bundle Size:**
```javascript
// ❌ Import entire library
import _ from "lodash";
// ✅ Import only needed functions
import debounce from "lodash/debounce";
// ✅ Use dynamic imports for code splitting
const HeavyComponent = lazy(() => import("./HeavyComponent"));
```
**Rendering:**
```javascript
// ❌ Render on every parent update
function Child({ data }) {
return <ExpensiveComponent data={data} />;
}
// ✅ Memoize when props don't change
const Child = memo(function Child({ data }) {
return <ExpensiveComponent data={data} />;
});
// ✅ Use useMemo for expensive computations
const processed = useMemo(() => expensiveCalc(data), [data]);
```
**Images:**
```html
<!-- ❌ Unoptimized -->
<img src="large-image.jpg" />
<!-- ✅ Optimized -->
<img
src="image.webp"
srcset="image-300.webp 300w, image-600.webp 600w"
sizes="(max-width: 600px) 300px, 600px"
width="600"
height="400"
alt="Description"
loading="lazy"
decoding="async"
/>
```
### Backend Optimizations
**Database Queries:**
```sql
-- ❌ N+1 Query Problem
SELECT * FROM users;
-- Then for each user:
SELECT * FROM orders WHERE user_id = ?;
-- ✅ Single query with JOIN
SELECT u.id, u.name, o.id AS order_id, o.total
FROM users u
LEFT JOIN orders o ON u.id = o.user_id;
-- ✅ Or use pagination
SELECT id, name FROM users WHERE id > :last_id ORDER BY id LIMIT 100;
```
**Caching Strategy:**
```javascript
// Multi-layer caching
const getUser = async (id) => {
// L1: In-memory cache (fastest)
let user = memoryCache.get(`user:${id}`);
if (user) return user;
// L2: Redis cache (fast)
user = await redis.get(`user:${id}`);
if (user) {
user = JSON.parse(user);
memoryCache.set(`user:${id}`, user, 60);
return user;
}
// L3: Database (slow)
user = await db.users.findById(id);
await redis.setex(`user:${id}`, 3600, JSON.stringify(user));
memoryCache.set(`user:${id}`, user, 60);
return user;
};
```
**Async Processing:**
```javascript
// ❌ Blocking operation
app.post("/upload", async (req, res) => {
await processVideo(req.file); // Takes 5 minutes
res.send("Done");
});
// ✅ Queue for background processing
app.post("/upload", async (req, res) => {
const jobId = await queue.add("processVideo", { file: req.file });
res.status(202).send({ jobId, status: "processing" });
});
```
### Algorithm Optimizations
```javascript
// ❌ O(n²) - nested loops
function findDuplicates(arr) {
const duplicates = [];
for (let i = 0; i < arr.length; i++) {
for (let j = i + 1; j < arr.length; j++) {
if (arr[i] === arr[j]) duplicates.push(arr[i]);
}
}
return duplicates;
}
// ✅ O(n) - hash map
function findDuplicates(arr) {
const seen = new Set();
const duplicates = new Set();
for (const item of arr) {
if (seen.has(item)) duplicates.add(item);
seen.add(item);
}
return [...duplicates];
}
```
## Step 4: Measure Again
After applying optimizations, re-run profiling and compare:
```
Comparison Checklist:
- [ ] Run same profiling tools as baseline
- [ ] Compare metrics before vs after
- [ ] Verify no regressions in other areas
- [ ] Document improvement percentages
```
## Performance Targets
### Web Vitals
| Metric | Good | Needs Work | Poor |
| ------ | ------- | ---------- | ------- |
| LCP | < 2.5s | 2.5-4s | > 4s |
| INP | < 200ms | 200-500ms | > 500ms |
| CLS | < 0.1 | 0.1-0.25 | > 0.25 |
| TTFB | < 800ms | 800ms-1.8s | > 1.8s |
### API Performance
| Metric | Target |
| ----------- | ------- |
| P50 Latency | < 100ms |
| P95 Latency | < 500ms |
| P99 Latency | < 1s |
| Error Rate | < 0.1% |
## Validation
After optimization, validate results:
```
Performance Validation:
- [ ] Metrics improved from baseline
- [ ] No functionality regressions
- [ ] No new errors introduced
- [ ] Changes are sustainable (not one-time fixes)
- [ ] Performance gains documented
```
If targets not met, return to Step 2 and identify remaining bottlenecks.
© CloudAI-X · MIT · CloudAI-X/claude-workflow-v2