Communitygithub.com

Parallel-Ausführungs-Optimierer

Verwenden Sie diese Fähigkeit, wenn eine Aufgabe durch parallele Arbeit, gleichzeitige Agenten, gestapelte Tool-Aufrufe, isolierte Arbeitsbäume oder viele unabhängige Überprüfungsspuren viel schneller erledigt werden soll, ohne die Korrektheit zu beeinträchtigen.

Was ist Parallel-Ausführungs-Optimierer?

Der Parallel-Ausführungs-Optimierer ist eine Fähigkeit, die entwickelt wurde, um die Effizienz von KI-Agenten bei der Ausführung unabhängiger Aufgaben zu maximieren, indem Parallelität ausgenutzt wird. Er ist nützlich für Szenarien wie Repository-Inspektionen, Dateiauslesungen, API- und Browserprüfungen, Build-/Testläufe sowie Bereitstellungsüberprüfungen. Die Fähigkeit wandelt Dringlichkeit in einen Abhängigkeitsgraphen um, bevor gehandelt wird, und unterteilt die Arbeit in parallele, sequentielle oder gesteuerte Spuren (Lanes), die in einer Lane-Matrix dokumentiert werden. Wichtige Ausführungsregeln umfassen das Stapeln von Lesevorgängen, die Verwendung isolierter Arbeitsbäume für große Implementierungsspuren und das Trennen von langlaufenden Prozessen mit gezielter Abfrage. Sie unterstützt Plattformen wie Claude Code, Cursor und Codex, indem sie eine strukturierte Ausgabe mit Ergebnissen, blockierten Spuren und Verifizierungen bereitstellt und häufige Fehlermodi wie widersprüchliche Änderungen oder das Vortäuschen von Geschwindigkeit vor Korrektheitsnachweis vermeidet.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/parallel-execution-optimizer

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Parallel-Ausführungs-Optimierer?

Verwenden Sie diese Fähigkeit, wenn Geschwindigkeit durch gleichzeitiges Erledigen unabhängiger Arbeiten erreicht wird: Repository-Inspektion, Dateiauslesungen, API-Prüfungen, Browserprüfungen, Build-/Testspuren, Bereitstellungs-Readbacks oder Multi-Worktree-Implementierungspässe.

Kernmuster

Verwandeln Sie Dringlichkeit in einen Abhängigkeitsgraphen, bevor Sie handeln.

  1. Definieren Sie das Ziel und das Done-Signal.
  2. Teilen Sie die Arbeit in Spuren auf.
  3. Markieren Sie jede Spur als parallel, sequentiell oder gesteuert.
  4. Führen Sie unabhängige Lese-/Prüfvorgänge gemeinsam aus.
  5. Halten Sie Schreibvorgänge isoliert nach Datei, Worktree, Branch, Dienst oder Datensatz.
  6. Führen Sie erst zusammen, nachdem Beweise zeigen, dass die Spuren kompatibel sind.
  7. Beenden Sie mit einer Verifizierungstabelle, nicht mit einer vagen Geschwindigkeitsbehauptung.

Spurenmatrix

Schreiben Sie vor einem großen Push eine kompakte Matrix:

Spur | Parallel ausführbar? | Schreibfläche | Risiko | Verifikation
Repo-Scan | ja | keine | niedrig | rg/git status Ausgaben
Backend-Patch | vielleicht | src/api | mittel | Unit-Tests
Frontend-Patch | vielleicht | app/components | mittel | Browser-Screenshot
Deploy-Readback | nach Build | Remote-Service | hoch | Live-URL + Logs

Führen Sie Spuren nur dann parallel aus, wenn sich ihre Schreibflächen nicht überschneiden.

Ausführungsregeln

  • Stapeln Sie Dateiauslesungen, Suchvorgänge, Statusprüfungen und Metadatenabfragen.
  • Verwenden Sie isolierte Worktrees für große, unabhängige Implementierungsspuren.
  • Starten Sie langlaufende Tests, Builds, Backfills und Deployments in separaten Sitzungen und fragen Sie diese dann gezielt ab.
  • Wenn eine Spur einen Blocker entdeckt, der den Plan ändert, pausieren Sie abhängige Spuren und aktualisieren Sie die Matrix.
  • Lassen Sie niemals einen Hintergrundprozess über den Turn hinaus laufen, es sei denn, der Benutzer hat explizit einen fortlaufenden Dienst angefordert.
  • Parallelisieren Sie keine destruktiven Befehle, Migrationen, Schreibvorgänge in derselben Tabelle oder Live-Deployments mit Kundenauswirkungen ohne explizite Freigabe.

Ausgabeformat

Verwenden Sie dies bei der Berichterstellung:

Ergebnis der parallelen Ausführung:
- Gestartete Spuren: 5
- Abgeschlossene Spuren: 4
- Blockierte Spur: Deploy-Readback, warte auf DNS-Propagierung
- Schnellster Pfad gefunden: gestapelter Repo-Scan + fokussierte Tests
- Verifikation: Lint bestanden, Unit bestanden, Live-Smoke bestanden

Fehlermodi

  • Mehr Nebenläufigkeit, die widersprüchliche Änderungen erzeugt.
  • Das Tool anstatt der Aufgabe benchmarken.
  • "Schnell" als erledigt behandeln, bevor die Korrektheit nachgewiesen ist.
  • Vergessen, laufende Sitzungen abzufragen.
  • Übersprungene Prüfungen hinter einer Erfolgszusammenfassung verstecken.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

Verwandte Skills