Communitygithub.com

sistemas-críticos-de-latência

Use para sistemas sensíveis à latência, como dashboards em tempo real, dados de mercado, agentes de streaming, gateways de execução, filas, caches ou infraestrutura do tipo HFT onde a atualização e a latência p95 são importantes.

O que é sistemas-críticos-de-latência?

Esta skill é projetada para desenvolvedores que trabalham com sistemas onde latência, atualização de dados e throughput são críticos. Ela abrange desde dashboards em tempo real até infraestrutura de alta frequência (HFT), com foco em engenharia, não em negociação ao vivo. A skill fornece diretrizes para dividir métricas de desempenho (p50, p95, p99), mapear o caminho quente (hot path) de eventos até o estado visível ao usuário, e seguir uma ordem de otimização que prioriza remoção de viagens de ida e volta desnecessárias, caching com metadados de atualização, batch de chamadas pequenas e movimentação de computação para perto dos dados ou do usuário. A verificação é feita com leituras ao vivo (live readbacks) e há guardrails importantes para evitar otimizações que comprometam validação, ocultem dados obsoletos ou realizem alterações destrutivas sem aprovação explícita.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/latency-critical-systems

Perguntar na sua IA favorita

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

Documentação

Sistemas Críticos de Latência

Use esta skill quando o usuário se importar com comportamento em tempo real, caminhos quentes (hot paths), atualização de streaming ou velocidade de execução. Isso inclui infraestrutura do tipo HFT, mas a skill é focada em engenharia. Ela não autoriza negociação ao vivo ou aconselhamento financeiro.

Divida as Métricas

Não colapse tudo em "rápido". Acompanhe:

  • p50, p95 e p99 de latência;
  • throughput;
  • idade da atualização (freshness age);
  • profundidade da fila;
  • taxa de acerto do cache;
  • tempo de resposta do provedor/API;
  • tempo de renderização do navegador;
  • corretude sob carga;
  • comportamento de falhas e retentativas.

Mapeie o Caminho Quente (Hot Path)

Escreva o caminho do evento do usuário até o estado visível final:

evento de origem -> API do provedor -> worker de ingestão -> fila -> cache -> rota de borda
-> stream do cliente -> renderização do navegador -> estado visível ao usuário

Em seguida, meça cada segmento separadamente.

Ordem de Otimização

  1. Remova viagens de ida e volta desnecessárias.
  2. Armazene em cache leituras estáveis com metadados de atualização.
  3. Agrupe chamadas e escritas pequenas em lote.
  4. Mova a computação para mais perto dos dados ou do usuário.
  5. Separe caminhos quentes e frios.
  6. Aplique contrapressão antes que as filas cresçam sem limites.
  7. Use streaming apenas quando melhorar a atualização ou a experiência do usuário.
  8. Adicione verificações (canaries) para dados obsoletos, provedores degradados e estado ruim do cache.

Verificação

Use leituras ao vivo (live readbacks) quando uma superfície implantada existir:

  • Timings HTTP e cabeçalhos de resposta;
  • timestamp de atualização do provedor;
  • estado da fila ou do job;
  • estado da borda/cache;
  • verificação no navegador para a atualização real da interface;
  • logs em torno de retentativas e modo degradado.

Para caminhos adjacentes a dados de mercado ou execução, também verifique a idade do livro de ofertas (orderbook), suposições de VWAP, status do provedor e comportamento do kill-switch antes de considerar o caminho pronto.

Salvaguardas

  • Não otimize latência eliminando validação obrigatória.
  • Não oculte dados obsoletos por trás de acertos rápidos de cache.
  • Não reivindique comportamento em milissegundos baseado em rótulos de cliente sem medição.
  • Não execute ordens ao vivo, migrações destrutivas ou implantações que impactem clientes sem um gate de aprovação explícito.
  • Mantenha segredos e payloads privados fora de logs e artefatos de benchmark.

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.

Habilidades Relacionadas