Communitygithub.com

boucle-d-optimisation-avec-benchmark

Utilisez cette compétence lorsque l'utilisateur demande d'accélérer quelque chose, d'essayer de nombreuses variantes, d'effectuer une optimisation récursive, de mesurer la latence/le débit/le coût, ou de choisir la meilleure implémentation par des tests répétés et mesurés.

Qu'est-ce que boucle-d-optimisation-avec-benchmark ?

Cette compétence transforme des demandes vagues comme « rendre 20x plus rapide » ou « essayer 50 optimisations récursives » en une boucle de mesure bornée capable d'améliorer réellement un système. Elle impose d'abord une ligne de base obligatoire : l'opération à optimiser, une porte de correction, la métrique, la référence actuelle et un budget de recherche. La boucle itérative mesure la référence, identifie les goulots d'étranglement, génère et teste des variantes, rejette celles qui échouent aux tests de correction/sécurité, et promeut la variante la plus rapide et sûre. La compétence est conçue pour des agents comme Claude Code, Cursor et Codex, et stocke les résultats dans un tableau de variantes. Pour les recherches récursives, elle persiste chaque exécution, compare au dernier gagnant accepté, et s'arrête selon des critères définis (bruit, échec de correction, dépassement de budget). Une porte de promotion garantit que toute variante adoptée est correcte, expliquée, réversible et documentée dans le contrôle de source.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/benchmark-optimization-loop

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Boucle d'optimisation avec benchmark

Utilisez cette compétence pour convertir « rends-le 20x plus rapide » ou « essaie 50 optimisations récursives » en une boucle de mesure bornée qui peut réellement améliorer un système.

Ligne de base requise

N'optimisez pas tant que ces éléments n'existent pas :

  • l'opération en cours d'optimisation ;
  • la porte de correction qui doit rester verte ;
  • la métrique : temps d'exécution, latence p95, lignes/s, coût/exécution, mémoire, taux d'erreur ;
  • la référence actuelle ;
  • le budget de recherche : nombre maximum de variantes, temps maximum, dépense maximale, impact maximal sur les données.

Si l'utilisateur demande un objectif irréaliste, conservez l'ambition mais rendez la boucle bornée et mesurable.

Boucle

  1. Mesurez la référence.
  2. Identifiez les goulots d'étranglement à partir des preuves.
  3. Générez des variantes qui testent une seule hypothèse chacune.
  4. Exécutez les variantes avec la même forme d'entrée.
  5. Rejetez les variantes qui échouent aux tests de correction, de sécurité ou de reproductibilité.
  6. Promouvez la variante la plus rapide et sûre.
  7. Codifiez le chemin gagnant dans un script, une commande, un test, une configuration ou un document.
  8. Réexécutez la référence et le gagnant pour confirmer la différence.

Tableau des variantes

Suivez les variantes comme ceci :

Variante  | Hypothèse           | Commande                     | Temps | Correct ? | Notes
référence | chemin actuel        | npm run job                  | 120s  | oui       | stable
lot-500   | moins d'allers-retours | npm run job -- --batch 500  | 42s   | oui       | gagnant
parallèle-8 | plus de travailleurs | npm run job -- --workers 8  | 31s   | non       | limité par taux

Recherche récursive

Pour les travaux récursifs ou d'hyperparamètres :

  • persistez chaque exécution dans un registre ;
  • comparez avec le dernier gagnant accepté, pas seulement avec l'exécution précédente ;
  • conservez une validation de rétention ou une relecture ;
  • arrêtez lorsque l'amélioration est dans le bruit, que la correction échoue, que le coût dépasse le budget, ou que la recherche commence à modifier plus de variables qu'elle ne peut en expliquer.

Utilisez des expressions comme « meilleure variante sûre mesurée » plutôt que « optimum global » sauf si l'espace de recherche a été réellement exhaustif.

Porte de promotion

Une variante ne peut devenir la nouvelle valeur par défaut que lorsque :

  • les tests de correction passent ;
  • l'écart de performance est répété ou expliqué ;
  • le retour en arrière est évident ;
  • le changement est encodé dans le contrôle de source ou un runbook durable ;
  • le résumé final inclut les commandes et mesures exactes.

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 associés