performant-code — скилл для Claude Code: что делает и как установить
Скилл performant-code для Claude Code задаёт правила оптимизации кода для больших файлов и жёстких лимитов памяти, помогая избежать таймаутов при обработке гигабайтов.
MIT ★ 1 125 обновлён 2026-10-27
npx skills add vstorm-co/pydantic-deepagents --skill performant-code -a claude-codeЧто делает performant-code
Скилл задаёт правила работы с тяжёлыми файлами в зависимости от их объёма. Для массивов данных до 100 МБ допускается загрузка в память, а всё, что превышает 100 МБ, требует потоковой обработки или отображения через mmap. Если объём больше 1 ГБ, вычисления разбиваются на чанки во избежание переполнения RAM.
Внутри собраны практические указания для C и Python: буферизованный вывод через sys.stdout.buffer.write(), замена построчного fgets() на блочное чтение и переход на collections.Counter или numpy. Вложенные циклы переписываются на хеш-таблицы для снижения сложности с O(n²) до линейной.
Тестировать код на маленьких синтетических примерах бессмысленно: программа упрётся в лимиты на первом же реальном файле, если не замерить память заранее.
Какие задачи решает
- переписать вложенные циклы с квадратичной сложностью на поиск через хеш-таблицы
- настроить потоковую обработку файлов больше 100 МБ через
mmap - ускорить чтение упакованных бинарных структур с помощью
struct.unpack - уложиться в жёсткие лимиты времени исполнения и оперативной памяти
Примеры запросов агенту
- Оптимизируй чтение логов на 2 ГБ в Python через mmap и потоковые чанки
- Замени вложенный цикл в парсере на хеш-таблицу для сложности O(n)
- Перепиши вычисления на C с компиляцией под -O2 и предварительным выделением памяти
Как установить performant-code
1Через Skills CLI (Vercel)
npx skills add vstorm-co/pydantic-deepagents --skill performant-code -a claude-code2Вручную: положить файлы
~/.claude/skills/performant-code/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/performant-code/
1Через Skills CLI (Vercel)
npx skills add vstorm-co/pydantic-deepagents --skill performant-code -a codex2Вручную: положить файлы
.agents/skills/performant-code/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add vstorm-co/pydantic-deepagents --skill performant-code -a cursor2Вручную: положить файлы
.cursor/skills/performant-code/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install vstorm-co/pydantic-deepagents apps/cli/skills/performant-code2Вручную: положить файлы
.github/skills/performant-code/SKILL.md1Через Skills CLI (Vercel)
npx skills add vstorm-co/pydantic-deepagents --skill performant-code -a gemini-cli2Командой платформы
gemini skills install https://github.com/vstorm-co/pydantic-deepagents --path apps/cli/skills/performant-codeВручную: положить файлы
.devin/skills/performant-code/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 о performant-code
Как установить performant-code в Claude Code?
Выполните команду npx skills add vstorm-co/pydantic-deepagents --skill performant-code -a claude-code. Также можно сохранить файл навыка по пути ~/.claude/skills/performant-code/SKILL.md.
Что делает performant-code?
Скилл обучает ассистента приёмам низкоуровневой оптимизации и потокового ввода-вывода. Он задаёт алгоритмические паттерны для обработки массивов данных разного размера.
Какие рекомендации скилл даёт для Python?
Он предписывает использовать numpy для числовых массивов, collections.Counter вместо ручных счётчиков в циклах, генераторы списков и struct.unpack() для разбора бинарных данных.
Исходный текст
SKILL.md · MIT
--- name: performant-code description: "Writing efficient code that handles large data and tight constraints" tags: [performance, optimization, benchmark] version: "1.0.0" --- # Performant Code How to write code that won't timeout on large inputs. ## Think About Scale First Before writing code, ask: how big is the data? | Data size | Approach | |-----------|----------| | < 1 MB | Load into memory, any approach works | | 1-100 MB | Load into memory, but use efficient algorithms | | 100 MB - 1 GB | Stream/mmap, avoid loading entirely into memory | | > 1 GB | Streaming only, chunk-based processing | ## I/O Optimization ### Large files - **mmap** (C: `mmap()`, Python: `mmap.mmap()`) — map file into memory, OS handles paging - **Buffered binary reads** — `fread()` in C, `open(f, 'rb').read(chunk)` in Python - **NEVER** read a 500MB file line-by-line with `fgets()` when you need random access ### Writing output - Buffer writes — don't call `write()` for every byte - Use `fwrite()` or `sys.stdout.buffer.write()` for binary output - Flush only when needed ## Algorithm Complexity - **O(n)** beats **O(n log n)** beats **O(n²)** — always - Nested loops on large data = timeout. Restructure to single pass + hash map - Sorting is O(n log n) — only sort if you need to - Use hash maps/sets for lookup instead of linear search - Pre-compute what you can outside loops ## Language-Specific Tips ### C - Use `mmap()` for large file access - `-O2` or `-O3` for compiler optimizations - Avoid `malloc()`/`free()` in tight loops — pre-allocate - Use `memcpy()` instead of byte-by-byte copying - Integer arithmetic > floating point when possible ### Python - Use `numpy` for numerical work (100x faster than pure Python loops) - `collections.Counter`, `defaultdict` — avoid manual counting - List comprehensions > explicit loops - `struct.unpack()` for binary parsing - `subprocess.run()` > `os.system()` - For heavy computation: consider writing a small C program instead ### General - Profile before optimizing — find the actual bottleneck - If a program hangs, it's likely: infinite loop, deadlock, or I/O bound on huge data - If a program is slow, check: algorithm complexity, I/O pattern, memory allocation ## Constraints Awareness - If the task says "< 5000 bytes" — count your bytes, use `wc -c` - If there's a time limit — test with actual data, not toy inputs - If there's a memory limit — don't load everything into RAM - Always verify constraints BEFORE declaring done
© vstorm-co · MIT · vstorm-co/pydantic-deepagents