performance-profiler — скилл для Claude Code: профилирование
Скилл помогает искать узкие места CPU, памяти, ввода-вывода и запросов в приложениях на Node.js, Python и Go. Подойдёт, когда нужно разобраться с медленным endpoint или ростом потребления памяти.
/plugin marketplace add alirezarezvani/claude-skills
/plugin install engineering-advanced-skills@claude-code-skillsЧто делает performance-profiler
Скилл помогает профилировать CPU и память, искать утечки и нагрузку на сборщик мусора, разбирать размер бандла и медленные запросы к базе. Для анализа использует flamegraph, py-spy, pprof, heap snapshots, EXPLAIN ANALYZE и slow query log; для нагрузочных тестов описаны k6 и Artillery. Сначала фиксируется исходный уровень, затем результат проверяется повторным измерением.
В комплекте есть скрипт scripts/performance_profiler.py: он анализирует проект на признаки рисков производительности, а ключ --json включает вывод для CI. Для запуска нужен Python 3. Профилирование требует подходящих для приложения инструментов и измеряемой нагрузки. Ставьте скилл, если готовы проверить гипотезу замерами; без них оптимизация останется догадкой.
Какие задачи решает
- найти узкое место в медленном endpoint
- проверить рост потребления памяти и утечки
- разобрать увеличение размера бандла
- выявить медленные запросы и N+1
- провести нагрузочный тест перед запуском
Примеры запросов агенту
- Проверь проект на риски производительности и выведи результат в JSON.
- Найди, почему endpoint отвечает медленно: сначала измерь, затем предложи проверку узкого места.
- Посмотри, почему растёт потребление памяти, и подскажи, как проверить утечку.
Как установить performance-profiler
1Через маркетплейс плагинов
/plugin marketplace add alirezarezvani/claude-skills/plugin install engineering-advanced-skills@claude-code-skillsКоманда ставит плагин engineering-advanced-skills целиком, со всеми его скиллами
2Через Skills CLI (Vercel)
npx skills add alirezarezvani/claude-skills --skill performance-profiler -a claude-code3Вручную: положить файлы
~/.claude/skills/performance-profiler/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/performance-profiler/
Вручную: положить файлы
.agents/skills/performance-profiler/SKILL.mdДля всех проектов — ~/.agents/skills/
Вручную: положить файлы
.cursor/skills/performance-profiler/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install alirezarezvani/claude-skills performance-profiler2Вручную: положить файлы
.github/skills/performance-profiler/SKILL.mdКомандой платформы
gemini skills install https://github.com/alirezarezvani/claude-skills --path engineering/skills/performance-profilerВручную: положить файлы
.devin/skills/performance-profiler/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
Из того же набора349
Весь набор →Похожие
Вопросы о performance-profiler
Как установить performance-profiler в Claude Code?
Выполните npx skills add alirezarezvani/claude-skills --skill performance-profiler -a claude-code.
Что делает performance-profiler?
Помогает исследовать CPU, память, ввод-вывод, размер бандла и запросы к базе в проектах на Node.js, Python и Go. Предлагает сначала снять базовые показатели, а затем повторить замеры.
Какие инструменты использует скилл для нагрузочного тестирования?
В описании указаны k6 и Artillery. Для запуска анализа проекта нужен Python 3.
Исходный текст
SKILL.md · MIT
--- name: "performance-profiler" description: "Systematic performance profiling for Node.js, Python, and Go applications. Identifies CPU, memory, and I/O bottlenecks, generates flamegraphs, analyzes bundle sizes, optimizes database queries, runs load tests with k6 and Artillery. Always measures before and after. Use when investigating a slow endpoint, planning a performance budget, or hunting a memory leak in production." --- # Performance Profiler **Tier:** POWERFUL **Category:** Engineering **Domain:** Performance Engineering --- ## Overview Systematic performance profiling for Node.js, Python, and Go applications. Identifies CPU, memory, and I/O bottlenecks; generates flamegraphs; analyzes bundle sizes; optimizes database queries; detects memory leaks; and runs load tests with k6 and Artillery. Always measures before and after. ## Core Capabilities - **CPU profiling** — flamegraphs for Node.js, py-spy for Python, pprof for Go - **Memory profiling** — heap snapshots, leak detection, GC pressure - **Bundle analysis** — webpack-bundle-analyzer, Next.js bundle analyzer - **Database optimization** — EXPLAIN ANALYZE, slow query log, N+1 detection - **Load testing** — k6 scripts, Artillery scenarios, ramp-up patterns - **Before/after measurement** — establish baseline, profile, optimize, verify --- ## When to Use - App is slow and you don't know where the bottleneck is - P99 latency exceeds SLA before a release - Memory usage grows over time (suspected leak) - Bundle size increased after adding dependencies - Preparing for a traffic spike (load test before launch) - Database queries taking >100ms --- ## Quick Start ```bash # Analyze a project for performance risk indicators python3 scripts/performance_profiler.py /path/to/project # JSON output for CI integration python3 scripts/performance_profiler.py /path/to/project --json # Custom large-file threshold python3 scripts/performance_profiler.py /path/to/project --large-file-threshold-kb 256 ``` --- ## Golden Rule: Measure First ```bash # Establish baseline BEFORE any optimization # Record: P50, P95, P99 latency | RPS | error rate | memory usage # Wrong: "I think the N+1 query is slow, let me fix it" # Right: Profile → confirm bottleneck → fix → measure again → verify improvement ``` --- ## Node.js Profiling → See references/profiling-recipes.md for details ## References - [references/profiling-recipes.md](references/profiling-recipes.md) — Node.js/Python/Go profiling commands, flamegraph generation, heap snapshots - [references/optimization-playbook.md](references/optimization-playbook.md) — before/after measurement template, quick-win optimization checklist (DB/Node/bundle/API), common pitfalls, best practices
© Alireza Rezvani · MIT · alirezarezvani/claude-skills