Communitygithub.com

Sistemas de Latencia Crítica

Útil para sistemas sensibles a la latencia como paneles en tiempo real, datos de mercado, agentes de streaming, pasarelas de ejecución, colas, cachés o infraestructura similar a HFT donde la frescura de los datos y la latencia p95 son críticas.

¿Qué es Sistemas de Latencia Crítica?

Este skill está diseñado para desarrolladores que trabajan en sistemas donde la latencia y la frescura de los datos son críticas, como paneles en tiempo real, datos de mercado, agentes de streaming, colas y cachés. Se enfoca en medir y optimizar la latencia p50, p95 y p99, así como otras métricas como el rendimiento, profundidad de colas, tasa de aciertos de caché y corrección bajo carga. Proporciona pautas para mapear rutas críticas, eliminar viajes de ida y vuelta innecesarios y aplicar técnicas como almacenamiento en caché, procesamiento por lotes y movimiento de cómputo más cerca de los datos o del usuario. El skill también incluye verificaciones prácticas mediante lecturas en vivo y barreras de seguridad para evitar optimizaciones que comprometan la validación, oculten datos obsoletos o realicen implementaciones destructivas sin aprobación explícita. Está dirigido a ingenieros y no autoriza trading en vivo ni asesoramiento financiero.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/latency-critical-systems

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

¿Qué hace Sistemas de Latencia Crítica?

Utilice este skill cuando al usuario le importe el comportamiento en tiempo real, las rutas críticas, la frescura del streaming o la velocidad de ejecución. Esto incluye infraestructura similar a HFT, pero el skill está enfocado en ingeniería. No autoriza trading en vivo ni asesoramiento financiero.

Dividir las Métricas

No colapse todo en "rápido". Realice un seguimiento de:

  • p50, p95 y p99 de latencia;
  • rendimiento;
  • antigüedad de frescura;
  • profundidad de cola;
  • tasa de aciertos de caché;
  • tiempo de respuesta del proveedor/API;
  • tiempo de renderizado del navegador;
  • corrección bajo carga;
  • comportamiento de fallos y reintentos.

Mapear la Ruta Crítica

Escriba la ruta desde el usuario/evento hasta el estado visible final:

evento fuente -> API del proveedor -> trabajador de ingesta -> cola -> caché -> ruta de borde
-> flujo del cliente -> renderizado del navegador -> estado visible para el usuario

Luego mida cada segmento por separado.

Orden de Optimización

  1. Elimine viajes de ida y vuelta innecesarios.
  2. Almacene en caché lecturas estables con metadatos de frescura.
  3. Agrupe llamadas y escrituras pequeñas.
  4. Mueva el cómputo más cerca de los datos o del usuario.
  5. Separe rutas activas y frías.
  6. Aplique contrapresión antes de que las colas crezcan sin límite.
  7. Use streaming solo cuando mejore la frescura o la experiencia del usuario.
  8. Agregue canarios para datos obsoletos, proveedores degradados y mal estado de caché.

Verificación

Use lecturas en vivo cuando exista una superficie desplegada:

  • tiempos HTTP y cabeceras de respuesta;
  • sello de tiempo de frescura del proveedor;
  • estado de cola o trabajo;
  • estado de borde/caché;
  • verificación del navegador para la frescura real de la interfaz de usuario;
  • registros sobre reintentos y modo degradado.

Para rutas de datos de mercado o adyacentes a la ejecución, también verifique la antigüedad del libro de órdenes, las suposiciones de VWAP, el estado del proveedor y el comportamiento del interruptor de apagado antes de declarar la ruta lista.

Barreras de Seguridad

  • No optimice la latencia omitiendo la validación requerida.
  • No oculte datos obsoletos detrás de aciertos de caché rápidos.
  • No afirme comportamiento de milisegundos basado en etiquetas de cliente sin medición.
  • No ejecute órdenes en vivo, migraciones destructivas o despliegues que afecten a clientes sin un paso de aprobación explícito.
  • Mantenga los secretos y cargas útiles privadas fuera de los registros y artefactos de referencia.

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/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

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.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Skills relacionados