К основному содержанию
скилл Claude Code CX Codex Cursor GitHub Copilot

V3 Performance Optimization — скилл для Claude Code: 2.49x-7.47x

Скилл для оптимизации claude-flow v3 с Flash Attention, HNSW-индексированием и полным набором бенчмарков. Достигает ускорения поиска в 150–12 500 раз и снижения памяти на 50–75%.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add ruvnet/ruflo --skill v3-performance-optimization -a claude-code
Открыть на GitHub

Что делает V3 Performance Optimization

V3 Performance Optimization предлагает систему валидации и оптимизации claude-flow v3 через три основных канала: ускорение внимания с помощью Flash Attention (целевой диапазон 2.49x–7.47x), оптимизация поиска через HNSW-индексирование AgentDB, и снижение потребления памяти на 50–75%. Скилл включает набор бенчмарков для холодного старта, поиска в векторной памяти, координации рояля из 15 агентов, Flash Attention на последовательностях длины 512–4096 и адаптации SONA.

Установка предполагает выбор платформы: для Claude Code используй npx skills add ruvnet/ruflo --skill v3-performance-optimization -a claude-code, для других платформ команда меняется (Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode). После установки файл конфигурации находится в директории скилла — .claude/skills/v3-performance-optimization/SKILL.md для Claude Code.

Бенчмарки работают параллельно и выводят метрики реального времени: время отклика Flash Attention, скорость поиска с HNSW, использование памяти, время координации свима. Мониторинг собирает снимки производительности и проверяет достижение целей по каждому метрику.

Какие задачи решает

  • ускорить обработку длинных последовательностей в attention-слое
  • оптимизировать поиск по векторной памяти с миллионами записей
  • снизить потребление оперативной памяти при работе с большими наборами данных
  • координировать задачи между несколькими агентами без задержек
  • отследить прирост производительности между версиями v2 и v3

Примеры запросов агенту

  • Установи скилл и запусти базовый бенчмарк производительности v2, затем валидируй целевые ускорения Flash Attention и HNSW-поиска параллельно
  • Измерь использование памяти при загрузке тестового датасета, затем включи оптимизацию и сравни объёмы
  • Спроси скилл о времени адаптации SONA на сценариях pattern_recognition, task_optimization и error_correction

Как установить V3 Performance Optimization

1Через Skills CLI (Vercel)

npx skills add ruvnet/ruflo --skill v3-performance-optimization -a claude-code

2Вручную: положить файлы

~/.claude/skills/v3-performance-optimization/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/v3-performance-optimization/

Из того же набора104

Весь набор →
ruflo ruvnet Скилл добавляет в проект оркестрацию мультиагентных задач, память, маршрутизацию и MCP-инструменты. Нужен для swarm-сценариев и многошаговых workflows. Claude Code CX Codex Cursor +1 4 000установок Swarm Orchestration ruvnet Скилл для управления роями агентов с параллельным выполнением задач, динамической топологией и автоматической балансировкой нагрузки. Нужен, когда одного агента недостаточно и требуется координировать специалистов разного профиля. Claude Code CX Codex Cursor +1 2 100установок github-project-management ruvnet Скилл превращает рутину вокруг issue и доски проекта в вызовы gh и ruv-swarm: метки, подзадачи, поиск дублей. Пригодится, когда задач много, а порядка в трекере нет. Claude Code CX Codex Cursor +1 1 400установок github-workflow-automation ruvnet Скилл автоматизирует GitHub Actions с координацией AI-агентов. Генерирует оптимальные pipeline, управляет pull request'ами, анализирует баги и развёртывает обновления с минимальными рисками. Claude Code CX Codex Cursor +1 1 300установок github-code-review ruvnet Организует параллельное код-ревью в GitHub с помощью агентов безопасности, архитектуры и стиля через пакет ruv-swarm. Claude Code CX Codex Cursor +1 1 300установок stream-chain ruvnet Организует последовательную передачу данных между шагами агента через цепочки промптов или готовые пайплайны. Claude Code CX Codex Cursor +1 1 200установок flow-nexus-swarm ruvnet Развёртывает облачные рои ИИ-агентов и собирает событийные процессы с очередями сообщений. Нужен для координации задач, контроля запусков и масштабирования роя. Claude Code CX Codex Cursor +1 1 200установок performance-analysis ruvnet Находит узкие места в Claude Flow swarms, профилирует операции агентов и генерирует отчёты с рекомендациями по оптимизации. Claude Code CX Codex Cursor +1 1 200установок

Похожие

context-window-management sickn33 Скилл помогает управлять контекстным окном LLM: считать токены, сжимать историю и выбирать стратегию для длинных диалогов. Claude Code CX Codex Cursor +1 1 500установок ml-pipeline https://github.com/Jeffallan Скилл проектирует пайплайны машинного обучения: настраивает трекинг экспериментов в MLflow, собирает DAG для Kubeflow или Airflow и валидирует данные перед обучением. Claude Code CX Codex Cursor +1 3 900установок gif-sticker-maker MiniMax-AI Скилл конвертирует фотографию в 4 анимированных GIF-стикера в стиле Funko Pop с подписями. Подойдёт, если нужны забавные стикеры с эмоциями, аватары или наборы для месседжеров. Claude Code CX Codex Cursor +1 2 000установок remotion vercel-labs Скилл превращает JSON-описания видеотайм-лайна в готовые видеокомпозиции через Remotion. Пригодится, если генерируешь видео программно или собираешь каталоги видеоклипов из данных. Claude Code CX Codex Cursor +1 1 700установок spark-engineer https://github.com/Jeffallan Пишет PySpark-джобы и разбирает их тормоза: DataFrame, Spark SQL, перекос ключей, стриминг. Пригодится, когда джоб упирается в шуфл или падает по памяти. Claude Code CX Codex Cursor +1 3 800установок context-compression sickn33 Скилл управляет сжатием контекста в длинных сессиях агента, когда разговор превышает лимит токенов. Вместо наивного удаления текста сохраняет структурированные резюме с файлами, решениями и состоянием. Claude Code CX Codex Cursor +1 1 400установок skill-creator официальный anthropics Помогает создать новый скилл, доработать существующий и проверить результат через тестовые промпты и оценки. Claude Code Claude.ai 414 180установок writing-for-agents Matt Pocock Помогает писать скиллы и документы с инструкциями для агентов. Пригодится при правках AGENTS.md, CLAUDE.md и связанных справочных файлов. Claude Code 466 719установок

Вопросы о V3 Performance Optimization

Как установить V3 Performance Optimization в Claude Code?

Выполни npx skills add ruvnet/ruflo --skill v3-performance-optimization -a claude-code. После установки конфигурация будет в ~/.claude/skills/v3-performance-optimization/SKILL.md.

Что измеряет V3 Performance Optimization?

Скилл измеряет ускорение Flash Attention (целевой диапазон 2.49x–7.47x), улучшение поиска через HNSW (150x–12 500x), снижение памяти (50–75%), время холодного старта, адаптацию SONA и координацию 15 агентов.

Какие платформы поддерживает V3 Performance Optimization?

Скилл работает на Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI и OpenCode. Для каждой платформы используй соответствующий флаг -a в команде установки.

Исходный текст

SKILL.md · MIT
---
name: "V3 Performance Optimization"
description: "Achieve aggressive v3 performance targets: 2.49x-7.47x Flash Attention speedup, 150x-12,500x search improvements, 50-75% memory reduction. Comprehensive benchmarking and optimization suite."
---

# V3 Performance Optimization

## What This Skill Does

Validates and optimizes claude-flow v3 to achieve industry-leading performance through Flash Attention, AgentDB HNSW indexing, and comprehensive system optimization with continuous benchmarking.

## Quick Start

```bash
# Initialize performance optimization
Task("Performance baseline", "Establish v2 performance benchmarks", "v3-performance-engineer")

# Target validation (parallel)
Task("Flash Attention", "Validate 2.49x-7.47x speedup target", "v3-performance-engineer")
Task("Search optimization", "Validate 150x-12,500x search improvement", "v3-performance-engineer")
Task("Memory optimization", "Achieve 50-75% memory reduction", "v3-performance-engineer")
```

## Performance Target Matrix

### Flash Attention Revolution
```
┌─────────────────────────────────────────┐
│           FLASH ATTENTION               │
├─────────────────────────────────────────┤
│  Baseline: Standard attention           │
│  Target:   2.49x - 7.47x speedup       │
│  Memory:   50-75% reduction             │
│  Latency:  Sub-millisecond processing   │
└─────────────────────────────────────────┘
```

### Search Performance Revolution
```
┌─────────────────────────────────────────┐
│            SEARCH OPTIMIZATION         │
├─────────────────────────────────────────┤
│  Current:  O(n) linear search           │
│  Target:   150x - 12,500x improvement   │
│  Method:   HNSW indexing                │
│  Latency:  <100ms for 1M+ entries       │
└─────────────────────────────────────────┘
```

## Comprehensive Benchmark Suite

### Startup Performance
```typescript
class StartupBenchmarks {
  async benchmarkColdStart(): Promise<BenchmarkResult> {
    const startTime = performance.now();

    await this.initializeCLI();
    await this.initializeMCPServer();
    await this.spawnTestAgent();

    const totalTime = performance.now() - startTime;

    return {
      total: totalTime,
      target: 500, // ms
      achieved: totalTime < 500
    };
  }
}
```

### Memory Operation Benchmarks
```typescript
class MemoryBenchmarks {
  async benchmarkVectorSearch(): Promise<SearchBenchmark> {
    const queries = this.generateTestQueries(10000);

    // Baseline: Current linear search
    const baselineTime = await this.timeOperation(() =>
      this.currentMemory.searchAll(queries)
    );

    // Target: HNSW search
    const hnswTime = await this.timeOperation(() =>
      this.agentDBMemory.hnswSearchAll(queries)
    );

    const improvement = baselineTime / hnswTime;

    return {
      baseline: baselineTime,
      hnsw: hnswTime,
      improvement,
      targetRange: [150, 12500],
      achieved: improvement >= 150
    };
  }

  async benchmarkMemoryUsage(): Promise<MemoryBenchmark> {
    const baseline = process.memoryUsage().heapUsed;

    await this.loadTestDataset();
    const withData = process.memoryUsage().heapUsed;

    await this.enableOptimization();
    const optimized = process.memoryUsage().heapUsed;

    const reduction = (withData - optimized) / withData;

    return {
      baseline,
      withData,
      optimized,
      reductionPercent: reduction * 100,
      targetReduction: [50, 75],
      achieved: reduction >= 0.5
    };
  }
}
```

### Swarm Coordination Benchmarks
```typescript
class SwarmBenchmarks {
  async benchmark15AgentCoordination(): Promise<SwarmBenchmark> {
    const agents = await this.spawn15Agents();

    // Coordination latency
    const coordinationTime = await this.timeOperation(() =>
      this.coordinateSwarmTask(agents)
    );

    // Task decomposition
    const decompositionTime = await this.timeOperation(() =>
      this.decomposeComplexTask()
    );

    // Consensus achievement
    const consensusTime = await this.timeOperation(() =>
      this.achieveSwarmConsensus(agents)
    );

    return {
      coordination: coordinationTime,
      decomposition: decompositionTime,
      consensus: consensusTime,
      agentCount: 15,
      efficiency: this.calculateEfficiency(agents)
    };
  }
}
```

### Flash Attention Benchmarks
```typescript
class AttentionBenchmarks {
  async benchmarkFlashAttention(): Promise<AttentionBenchmark> {
    const sequences = this.generateSequences([512, 1024, 2048, 4096]);
    const results = [];

    for (const sequence of sequences) {
      // Baseline attention
      const baselineResult = await this.benchmarkStandardAttention(sequence);

      // Flash attention
      const flashResult = await this.benchmarkFlashAttention(sequence);

      results.push({
        sequenceLength: sequence.length,
        speedup: baselineResult.time / flashResult.time,
        memoryReduction: (baselineResult.memory - flashResult.memory) / baselineResult.memory,
        targetSpeedup: [2.49, 7.47],
        achieved: this.checkTarget(flashResult, [2.49, 7.47])
      });
    }

    return {
      results,
      averageSpeedup: this.calculateAverage(results, 'speedup'),
      averageMemoryReduction: this.calculateAverage(results, 'memoryReduction')
    };
  }
}
```

### SONA Learning Benchmarks
```typescript
class SONABenchmarks {
  async benchmarkAdaptationTime(): Promise<SONABenchmark> {
    const scenarios = [
      'pattern_recognition',
      'task_optimization',
      'error_correction',
      'performance_tuning'
    ];

    const results = [];

    for (const scenario of scenarios) {
      const startTime = performance.hrtime.bigint();
      await this.sona.adapt(scenario);
      const endTime = performance.hrtime.bigint();

      const adaptationTimeMs = Number(endTime - startTime) / 1000000;

      results.push({
        scenario,
        adaptationTime: adaptationTimeMs,
        target: 0.05, // ms
        achieved: adaptationTimeMs <= 0.05
      });
    }

    return {
      scenarios: results,
      averageTime: results.reduce((sum, r) => sum + r.adaptationTime, 0) / results.length,
      successRate: results.filter(r => r.achieved).length / results.length
    };
  }
}
```

## Performance Monitoring Dashboard

### Real-time Metrics
```typescript
class PerformanceMonitor {
  async collectMetrics(): Promise<PerformanceSnapshot> {
    return {
      timestamp: Date.now(),
      flashAttention: await this.measureFlashAttention(),
      searchPerformance: await this.measureSearchSpeed(),
      memoryUsage: await this.measureMemoryEfficiency(),
      startupTime: await this.measureStartupLatency(),
      sonaAdaptation: await this.measureSONASpeed(),
      swarmCoordination: await this.measureSwarmEfficiency()
    };
  }

  async generateReport(): Promise<PerformanceReport> {
    const snapshot = await this.collectMetrics();

    return {
      summary: this.generateSummary(snapshot),
      achievements: this.checkTargetAchievements(snapshot),
      trends: this.analyzeTrends(),
      recommendations: this.generateOptimizations(),
      regressions: await this.detectRegressions()
    };
  }
}
```

### Continuous Regression Detection
```typescript
class PerformanceRegression {
  async detectRegressions(): Promise<RegressionReport> {
    const current = await this.runFullBenchmark();
    const baseline = await this.getBaseline();

    const regressions = [];

    for (const [metric, currentValue] of Object.entries(current)) {
      const baselineValue = baseline[metric];
      const change = (currentValue - baselineValue) / baselineValue;

      if (change < -0.05) { // 5% regression threshold
        regressions.push({
          metric,
          baseline: baselineValue,
          current: currentValue,
          regressionPercent: change * 100,
          severity: this.classifyRegression(change)
        });
      }
    }

    return {
      hasRegressions: regressions.length > 0,
      regressions,
      recommendations: this.generateRegressionFixes(regressions)
    };
  }
}
```

## Optimization Strategies

### Memory Optimization
```typescript
class MemoryOptimization {
  async optimizeMemoryUsage(): Promise<OptimizationResult> {
    // Implement memory pooling
    await this.setupMemoryPools();

    // Enable garbage collection tuning
    await this.optimizeGarbageCollection();

    // Implement object reuse patterns
    await this.setupObjectPools();

    // Enable memory compression
    await this.enableMemoryCompression();

    return this.validateMemoryReduction();
  }
}
```

### CPU Optimization
```typescript
class CPUOptimization {
  async optimizeCPUUsage(): Promise<OptimizationResult> {
    // Implement worker thread pools
    await this.setupWorkerThreads();

    // Enable CPU-specific optimizations
    await this.enableSIMDInstructions();

    // Implement task batching
    await this.optimizeTaskBatching();

    return this.validateCPUImprovement();
  }
}
```

## Target Validation Framework

### Performance Gates
```typescript
class PerformanceGates {
  async validateAllTargets(): Promise<ValidationReport> {
    const results = await Promise.all([
      this.validateFlashAttention(),     // 2.49x-7.47x
      this.validateSearchPerformance(),  // 150x-12,500x
      this.validateMemoryReduction(),    // 50-75%
      this.validateStartupTime(),        // <500ms
      this.validateSONAAdaptation()      // <0.05ms
    ]);

    return {
      allTargetsAchieved: results.every(r => r.achieved),
      results,
      overallScore: this.calculateOverallScore(results),
      recommendations: this.generateRecommendations(results)
    };
  }
}
```

## Success Metrics

### Primary Targets
- [ ] **Flash Attention**: 2.49x-7.47x speedup validated
- [ ] **Search Performance**: 150x-12,500x improvement confirmed
- [ ] **Memory Reduction**: 50-75% usage optimization achieved
- [ ] **Startup Time**: <500ms cold start consistently
- [ ] **SONA Adaptation**: <0.05ms learning response time
- [ ] **15-Agent Coordination**: Efficient parallel execution

### Continuous Monitoring
- [ ] **Performance Dashboard**: Real-time metrics collection
- [ ] **Regression Testing**: Automated performance validation
- [ ] **Trend Analysis**: Performance evolution tracking
- [ ] **Alert System**: Immediate regression notification

## Related V3 Skills

- `v3-integration-deep` - Performance integration with agentic-flow
- `v3-memory-unification` - Memory performance optimization
- `v3-swarm-coordination` - Swarm performance coordination
- `v3-security-overhaul` - Secure performance patterns

## Usage Examples

### Complete Performance Validation
```bash
# Full performance suite
npm run benchmark:v3

# Specific target validation
npm run benchmark:flash-attention
npm run benchmark:agentdb-search
npm run benchmark:memory-optimization

# Continuous monitoring
npm run monitor:performance
```

© ruvnet · MIT · ruvnet/ruflo

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой