Communitygithub.com

Otimizador de Execução Paralela

Use quando o usuário deseja que uma tarefa seja concluída muito mais rápido por meio de trabalho paralelo, agentes concorrentes, chamadas de ferramentas em lote, árvores de trabalho isoladas ou muitas faixas de verificação independentes sem perder a correção.

O que é Otimizador de Execução Paralela?

O Otimizador de Execução Paralela é uma habilidade projetada para maximizar a velocidade de tarefas complexas ao identificar e executar trabalho independente simultaneamente, sem comprometer a correção. Ele é útil para desenvolvedores e engenheiros que precisam acelerar fluxos de trabalho como inspeção de repositórios, leitura de arquivos, verificações de API e navegador, pipelines de construção/teste, implantações e implementações em múltiplas árvores de trabalho. A habilidade suporta plataformas de agentes de IA como Claude Code, Cursor e Codex, oferecendo uma estrutura para transformar urgência em um grafo de dependências antes de agir. Ela funciona dividindo o trabalho em faixas paralelas, sequenciais ou bloqueadas, mantendo escritas isoladas por arquivo, árvore, branch, serviço ou conjunto de dados, e mesclando apenas após evidências de compatibilidade. O resultado é uma tabela de verificação final que prova a correção, evitando falhas comuns como conflitos de edição ou otimização prematura.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/parallel-execution-optimizer

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que Otimizador de Execução Paralela faz?

Use esta habilidade quando a velocidade vem de realizar trabalho independente ao mesmo tempo: inspeção de repositório, leitura de arquivos, verificações de API, verificações de navegador, faixas de construção/teste, readbacks de implantação ou passes de implementação em múltiplas árvores de trabalho.

Padrão Central

Transforme a urgência em um grafo de dependências antes de agir.

  1. Defina o objetivo e o sinal de conclusão.
  2. Divida o trabalho em faixas.
  3. Marque cada faixa como paralela, sequencial ou bloqueada.
  4. Execute leituras/verificações independentes juntas.
  5. Mantenha as escritas isoladas por arquivo, árvore de trabalho, branch, serviço ou conjunto de dados.
  6. Mescle apenas após evidências mostrarem que as faixas são compatíveis.
  7. Termine com uma tabela de verificação, não com uma alegação vaga de velocidade.

Matriz de Faixas

Antes de um grande envio, escreva uma matriz compacta:

Faixa | Pode executar em paralelo? | Superfície de escrita | Risco | Verificação
Varredura de repositório | sim | nenhum | baixo | saídas rg/git status
Patch de backend | talvez | src/api | médio | testes unitários
Patch de frontend | talvez | app/components | médio | captura de tela do navegador
Readback de implantação | após construção | serviço remoto | alto | URL ativa + logs

Execute faixas em paralelo apenas quando suas superfícies de escrita não colidirem.

Regras de Execução

  • Agrupe leituras de arquivos, pesquisas, verificações de status e consultas de metadados.
  • Use árvores de trabalho isoladas para faixas de implementação grandes e não relacionadas.
  • Inicie testes, construções, backfills e implantações de longa duração em sessões separadas, em seguida, consulte-os deliberadamente.
  • Se uma faixa descobrir um bloqueador que altera o plano, pause as faixas dependentes e atualize a matriz.
  • Nunca deixe um processo em segundo plano sobreviver ao turno, a menos que o usuário tenha solicitado explicitamente um serviço contínuo.
  • Não paralelize comandos destrutivos, migrações, escritas na mesma tabela, ou implantações que impactem clientes ativos sem uma barreira explícita.

Formato de Saída

Use este formato ao relatar:

Resultado da execução paralela:
- Faixas executadas: 5
- Faixas concluídas: 4
- Faixa bloqueada: readback de implantação, aguardando propagação de DNS
- Caminho rápido encontrado: varredura de repositório em lote + testes focados
- Verificação: lint passou, unidade passou, smoke ao vivo passou

Modos de Falha

  • Mais concorrência que cria edições conflitantes.
  • Avaliar o benchmark da ferramenta em vez da tarefa.
  • Tratar "rápido" como concluído antes que a correção seja comprovada.
  • Esquecer de consultar sessões em execução.
  • Ocultar verificações ignoradas atrás de um resumo de sucesso.

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.

Habilidades Relacionadas