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/débit/coût, ou de choisir la meilleure implémentation via des tests mesurés répétés.

Qu'est-ce que Boucle d'Optimisation avec Benchmark ?

Cette compétence transforme des demandes vagues comme « rends-le 20 fois plus rapide » ou « essaie 50 optimisations récursives » en une boucle de mesure bornée et efficace. Elle impose d'abord une ligne de base obligatoire : l'opération à optimiser, un garde-fou de correction, une métrique (temps réel, p95 latence, lignes/s, coût par exécution, mémoire, taux d'erreur), la référence actuelle et un budget de recherche (nombre maximum de variantes, temps, coût, impact sur les données). La boucle elle-même suit huit étapes : mesurer la base, identifier les goulots d'étranglement, générer des variantes testant une hypothèse chacune, les exécuter avec la même entrée, rejeter celles qui échouent aux tests de correction/sécurité/reproductibilité, promouvoir la variante la plus rapide et sûre, codifier le gagnant (script, commande, test, config, doc), puis reconfirmer le delta. Pour les recherches récursives ou hyperparamétriques, elle conseille de persister chaque exécution dans un registre, de comparer avec le dernier gagnant accepté, de conserver un test de validation ou de rejeu, et de s'arrêter quand l'amélioration est dans le bruit, la correction échoue, le budget est dépassé ou trop de variables changent. La compétence insiste sur l'expression « meilleure variante sûre mesurée » plutôt que « optimum global », et définit une porte de promotion stricte : tests de correction passés, delta répété ou expliqué, rollback évident, changement versionné, résumé final avec commandes et mesures exactes.

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

Demander à votre IA préférée

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

Documentation

Que fait Boucle d'Optimisation avec Benchmark ?

Utilisez cette compétence pour transformer les demandes « rends-le 20 fois plus rapide » ou « essaie 50 optimisations récursives » en une boucle mesurée et bornée qui peut réellement améliorer un système.

Ligne de base requise

N'optimisez pas tant que les éléments suivants n'existent pas :

  • l'opération en cours d'optimisation ;
  • le garde-fou de correction qui doit rester vert ;
  • la métrique : temps réel, latence p95, lignes/s, coût/exécution, mémoire, taux d'erreur ;
  • la ligne de base actuelle ;
  • le budget de recherche : nombre max de variantes, temps max, dépense max, impact max sur les données.

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

Boucle

  1. Mesurez la ligne de base.
  2. Identifiez les goulots d'étranglement à partir des preuves.
  3. Générez des variantes qui testent une hypothèse chacune.
  4. Exécutez les variantes avec la même forme d'entrée.
  5. Rejetez les variantes qui échouent à la correction, la sécurité ou la 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 ligne de base et la gagnante pour confirmer le delta.

Tableau des variantes

Suivez les variantes de cette manière :

Variante | Hypothèse | Commande | Temps | Correct? | Notes
base | chemin actuel | npm run job | 120s | oui | stable
batch-500 | moins d'échanges | npm run job -- --batch 500 | 42s | oui | gagnante
parallel-8 | plus de workers | npm run job -- --workers 8 | 31s | non | limité par le débit

Recherche récursive

Pour les travaux récursifs ou hyperparamétriques :

  • persistez chaque exécution dans un registre ;
  • comparez avec le dernier gagnant accepté, pas seulement l'exécution précédente ;
  • conservez une validation ou un rejeu ;
  • arrêtez-vous lorsque l'amélioration est dans le bruit, la correction échoue, le coût dépasse le budget, ou la recherche commence à changer 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 était réellement exhaustif.

Porte de promotion

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

  • les tests de correction réussissent ;
  • le delta de performance est répété ou expliqué ;
  • le rollback 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/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

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

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-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.

Skills associés