python-performance-optimization

Überblick über den python-performance-optimization-Skill

Was der python-performance-optimization-Skill macht

Der python-performance-optimization-Skill hilft einem Agenten dabei zu diagnostizieren, warum Python-Code langsam ist oder zu viel Speicher verbraucht, und anschließend gezielte Maßnahmen vorzuschlagen, die auf Profiling statt auf Vermutungen basieren. Er ist für praktische Performance-Arbeit ausgelegt: Bottlenecks finden, CPU-, Speicher- und I/O-Probleme sauber voneinander trennen und Verbesserungen auswählen, die tatsächlich zum belasteten Codepfad passen.

Für wen sich die Installation lohnt

Dieser Skill passt am besten für Entwickler, Data Engineers, Backend-Teams und Agent-Workflows, die mehr brauchen als generische „mach das schneller“-Hinweise. Besonders nützlich ist er, wenn du bereits ein funktionierendes Skript, einen Service, ein Notebook oder eine Pipeline hast, die inhaltlich korrekt läuft, aber bei Latenz, Durchsatz oder Speicherverhalten besser werden muss.

Der konkrete Job-to-be-done

Die meisten Nutzer brauchen keine reine Vorlesung über Big O — sie brauchen einen wiederholbaren Weg, um diese Fragen zu beantworten:

• was genau langsam ist
• wie man es korrekt misst
• welche Optimierung sich zuerst lohnt
• wie man vermeidet, Code zu ändern, der gar nicht der Bottleneck ist

Genau hier ist der python-performance-optimization-Skill stärker als ein normaler Prompt. Er lenkt den Workflow zuerst auf Profiling und erst danach auf Optimierung.

Was diesen Skill anders macht

Das Repository deckt mehrere Profiling-Modi und Optimierungsebenen ab, statt Performance als ein einziges Problem zu behandeln. Es umfasst:

• CPU-Profiling
• Speicher-Profiling
• Analyse auf Zeilenebene
• Denken in Call-Graphs
• Implementierungsmuster wie Caching
• fortgeschrittene Wege wie NumPy-Vektorisierung, async I/O und Parallelisierung

Der praktische Unterschied liegt in der Breite kombiniert mit einer klaren Profiling-first-Denkweise.

Gute Einsatzfälle und klare Fehlanwendungen

Gute Passung:

• langsame Python-Endpunkte, Jobs, CLI-Tools, ETL oder Datenverarbeitung
• Speicherwachstum oder unerklärliche RAM-Spitzen
• Entscheidungen zwischen Caching, Algorithmusänderungen, Vektorisierung oder Concurrency
• Vorbereitung von Optimierungsplänen, bevor Produktionscode angefasst wird

Schlechte Passung:

• Codebasen, bei denen der eigentliche Bottleneck in Infrastruktur, Netzwerktopologie oder Datenbankschema liegt und keine Messdaten vorliegen
• Teams, die sofort vollständig automatisierte Benchmark-Skripte erwarten
• Situationen, in denen es nur um Stilbereinigung geht, nicht um Performance-Diagnose

So verwendest du den python-performance-optimization-Skill

Installationskontext für die python-performance-optimization-Installation

Installiere den Skill aus dem Repository wshobson/agents:

npx skills add https://github.com/wshobson/agents --skill python-performance-optimization

Nach der Installation solltest du ihn einsetzen, wenn dein Prompt klar mit Python-Performance-Diagnose, Profiling, Speichernutzung, Latenzsenkung, Durchsatzsteigerung oder Bottleneck-Analyse zu tun hat.

Diese Repository-Dateien solltest du zuerst lesen

Für den schnellsten Einstieg beginne hier:

1. plugins/python-development/skills/python-performance-optimization/SKILL.md
2. plugins/python-development/skills/python-performance-optimization/references/advanced-patterns.md

SKILL.md beschreibt den Haupt-Workflow und die Werkzeugkategorien. references/advanced-patterns.md ist die sinnvolle zweite Lektüre, wenn die erste Diagnose in Richtung Vektorisierung, Caching, Memory-Tuning, async I/O oder datenbanklastige Arbeit zeigt.

Welche Eingaben der Skill braucht, um gut zu funktionieren

Die Qualität der python-performance-optimization usage hängt stark davon ab, welche Evidenz du mitlieferst. Gib dem Agenten:

• die langsame Funktion, Datei, den Endpunkt oder Job
• die erwartete Workload-Größe
• die tatsächlichen Symptome: Latenz, CPU-Sättigung, Speicherwachstum, Timeout, hohe Query-Anzahl
• Profiling-Output, falls vorhanden
• Rahmenbedingungen: keine zusätzlichen Dependencies, API muss stabil bleiben, nur produktionssichere Änderungen usw.
• Umgebungsdetails: Python-Version, Framework, OS, Single-Process vs. Multi-Process

Ohne diese Eingaben kann der Skill zwar weiterhin Profiling-Schritte vorschlagen, die Empfehlungen bleiben dann aber weniger konkret.

Aus einer groben Anfrage einen starken Prompt machen

Schwacher Prompt:

• „Optimize this Python code.“

Besserer Prompt:

• „Use the python-performance-optimization skill to analyze this Django view. P95 latency is 1.8s under ~200 requests/min. CPU is high, memory is stable. Here is the view code and a cProfile summary. Identify the top bottlenecks, explain whether the issue is Python execution, DB access, or serialization, and propose fixes ranked by expected impact and implementation risk.“

Das funktioniert besser, weil Workload, Symptomtyp, Evidenz und gewünschtes Ausgabeformat bereits vorgegeben sind.

Erst Diagnose anfordern, dann Umschreibungen

Ein guter Workflow sieht so aus:

1. das Performance-Symptom beschreiben
2. Code und Messdaten bereitstellen
3. den Agenten bitten, den Bottleneck einzuordnen
4. erst danach nach Codeänderungen fragen

So vermeidest du vorschnelle Umschreibungen. Der python-performance-optimization skill ist deutlich nützlicher, wenn er von Metriken zu einer konkreten Maßnahme ableiten kann.

Welche Profiling-Eingaben die Ausgabe spürbar verbessern

Besonders hilfreich sind:

• cProfile-Zusammenfassungen für CPU-lastigen Code
• line-profiler-Ergebnisse für Hot Functions
• Evidenz aus memory-profiler oder Objektwachstum bei RAM-Problemen
• Zeitaufschlüsselungen an I/O-, DB-, HTTP- und Serialisierungsgrenzen
• repräsentative Beispieldaten statt Spielzeug-Inputs

Wenn du noch keine Messdaten hast, bitte den Agenten zuerst um einen Profiling-Plan, statt blind optimieren zu lassen.

Typischer Workflow, den der Skill unterstützt

Ein praktischer python-performance-optimization guide sieht in der Regel so aus:

1. das Performance-Ziel festlegen
2. den passenden Profiling-Typ wählen
3. repräsentative Workloads profilieren
4. die heißesten Pfade oder größten Allokationen finden
5. die risikoärmste Optimierung mit dem höchsten Impact auswählen
6. vor und nach der Änderung benchmarken
7. auf Regressionen bei Korrektheit und Lesbarkeit achten

Genau diese Abfolge ist der Hauptwert des Skills.

Wann du die Advanced-Referenz nutzen solltest

Öffne references/advanced-patterns.md, wenn der Bottleneck wahrscheinlich in einem dieser Bereiche liegt:

• numerische Schleifen, die von NumPy profitieren könnten
• wiederholte Arbeit reiner Funktionen, die von functools.lru_cache profitieren könnte
• stark I/O-lastige Workloads, bei denen async-Muster helfen könnten
• teure parallelisierbare Arbeit, bei der Multiprocessing sinnvoll sein könnte
• query-lastige Anwendungen, die Datenbank-Optimierungsdenken brauchen

Springe nicht direkt dorthin, wenn du die Kategorie noch nicht kennst. Starte mit gemessenen Bottlenecks.

Gute Prompt-Muster für typische Fälle

Für CPU-gebundenen Code:

• „Use the python-performance-optimization skill to review this function and cProfile output. Focus on algorithmic complexity, repeated work, and Python-level loop overhead.“

Für Speicherprobleme:

• „Use the python-performance-optimization skill to inspect this batch job. RSS climbs from 400MB to 3GB. Suggest likely retention causes, profiling steps, and memory-safe refactors.“

Für I/O-lastige Services:

• „Use the python-performance-optimization skill on this async API client. Requests are slow despite low CPU. Determine whether the bottleneck is blocking I/O, connection handling, serialization, or concurrency limits.“

Welche Ergebnisse du erwarten kannst

Am stärksten ist der Skill typischerweise bei:

• der Auswahl des richtigen Profiling-Ansatzes
• der Interpretation typischer Performance-Muster
• dem Vorschlagen plausibler Optimierungen in sinnvoller Priorisierung
• der Erklärung von Trade-offs zwischen Caching, Vektorisierung, Parallelisierung und Code-Vereinfachung

Schwächere Ergebnisse solltest du erwarten, wenn du weder Code noch Workload-Form noch Messdaten lieferst.

FAQ zum python-performance-optimization-Skill

Ist python-performance-optimization für Performance Optimization besser als ein normaler Prompt?

Meistens ja, wenn du eine strukturierte Diagnose statt spontaner Ad-hoc-Vorschläge brauchst. Ein normaler Prompt springt oft direkt zu „use caching“ oder „use NumPy“. Der python-performance-optimization-Skill trennt mit höherer Wahrscheinlichkeit zuerst zwischen CPU-, Speicher-, I/O- und algorithmischen Problemen.

Ist dieser Skill anfängerfreundlich?

Ja, wenn du Code und Symptome teilen kannst. Du musst kein Profiling-Experte sein, um loszulegen. Anfänger bekommen aber deutlich bessere Ergebnisse, wenn sie konkrete Evidenz mitliefern und den Agenten zuerst erklären lassen, warum ein Bottleneck relevant ist, bevor Fixes vorgeschlagen werden.

Brauche ich Profiling-Output, bevor ich ihn nutze?

Nein, aber mit Profiling wird die python-performance-optimization usage deutlich besser. Wenn du noch keine Messdaten hast, bitte den Agenten darum, dir genau zu sagen, was du profilieren solltest und welche Tool-Kategorie dafür passt.

Wann sollte ich diesen Skill nicht verwenden?

Lass ihn weg, wenn das Problem klar außerhalb der Python-Anwendungslogik liegt, etwa bei:

• unterdimensionierter Infrastruktur
• Netzwerkproblemen
• Fehlkonfigurationen des Datenbankservers ohne Evidenz auf Anwendungsebene
• Frontend-Latenz, die nichts mit der Ausführung des Python-Backends zu tun hat

In solchen Fällen kann der Skill zwar helfen, die Untersuchung zu strukturieren, er ist aber nicht das richtige primäre Werkzeug.

Deckt er neben Geschwindigkeit auch Speicher ab?

Ja. Das Repository behandelt ausdrücklich Speicher-Profiling und Speicheroptimierung neben CPU-Profiling und Laufzeitanalyse. Dadurch ist er nützlicher als Prompts, die nur auf „mehr Geschwindigkeit“ abzielen.

Kann er auch bei Daten-Workloads helfen?

Ja, besonders wenn der Weg zur Verbesserung über Vektorisierung, Batching, Caching oder die Reduzierung von Python-Loop-Overhead führen könnte. Die Advanced-Referenz ist für numerischen Code und Datenverarbeitung besonders relevant.

So verbesserst du den python-performance-optimization-Skill

Gib dem Skill Benchmark-Evidenz, nicht nur Source Code

Der mit Abstand beste Hebel für bessere python-performance-optimization-Ergebnisse ist:

• Vorher-/Nachher-Zeitmessungen
• Profiling-Zusammenfassungen
• Beispielgrößen der Eingabedaten
• Durchsatz- oder Latenzziele

Mit nur Source Code kann der Agent Hypothesen formulieren. Mit Messdaten kann er priorisieren.

Benenne den vermuteten Bottleneck-Typ

Auch wenn du nicht sicher bist, sag dazu, was du vermutest:

• CPU-bound
• memory-bound
• database-bound
• network/I/O-bound
• startup-time problem
• batch throughput problem

Das hilft dem Skill, den richtigen Diagnosepfad zu wählen und generische Hinweise zu vermeiden.

Reale Rahmenbedingungen angeben

Optimierungsempfehlungen ändern sich stark je nach Randbedingungen. Nenne sie direkt:

• public API darf nicht geändert werden
• NumPy darf nicht hinzugefügt werden
• muss für ein Junior-Team lesbar bleiben
• muss auf AWS Lambda laufen
• deterministische Reihenfolge muss erhalten bleiben
• Memory Ceiling in einer Multi-Tenant-Umgebung ist fest

Diese Details verbessern die Entscheidungsqualität stärker als die pauschale Bitte um „best performance“.

Nach priorisierten Empfehlungen fragen

Ein starker Prompt bittet den Agenten darum, Vorschläge zu ordnen nach:

1. erwartetem Impact
2. Implementierungsaufwand
3. Risiko für die Korrektheit
4. Kosten durch zusätzliche Dependencies

So vermeidest du den typischen Fehlmodus, bei dem die erste Antwort sofort komplexe Änderungen empfiehlt, bevor einfachere Gewinne wie weniger wiederholte Arbeit oder effizientere Queries betrachtet werden.

Auf typische Fehlmuster achten

Der python-performance-optimization skill kann geschwächt werden durch:

• Optimierung von Code, der gar nicht auf dem Hot Path liegt
• Microbenchmarks, die nicht zu Produktions-Workloads passen
• Überbewertung cleveren Codes gegenüber wartbarem Code
• den Einsatz von Multiprocessing, obwohl I/O-Verhalten oder GIL es unpassend machen
• Caching-Empfehlungen ohne Diskussion von Invalidierung oder Speicherkosten

Bitte den Agenten, jede Optimierung gegen den gemessenen Bottleneck zu begründen.

Nach der ersten Antwort iterieren

Ein starker Prompt für die zweite Runde sieht so aus:

• „Here is the updated code and new benchmark. The runtime dropped from 2.4s to 1.5s, but memory increased by 35%. Re-run the python-performance-optimization analysis and suggest the next best change with minimal memory growth.“

So wird der Skill zu einer Optimierungsschleife statt zu einer einmaligen Umschreibung.

Repository-Lesepfade gezielt einsetzen

Wenn die erste Antwort zu generisch bleibt, sage dem Agenten, dass er seine Begründung auf Folgendes stützen soll:

• SKILL.md für Profiling-Kategorien und Workflow
• references/advanced-patterns.md für Umsetzungsoptionen wie Vektorisierung, Caching, Memory-Management, Parallelisierung, async I/O und Benchmarking

Das erhöht in der Regel die Spezifität der Ausgabe.

Nach Messplänen fragen, wenn der Einstieg blockiert ist

Wenn dein eigentliches Problem lautet „wir wissen nicht, wie wir anfangen sollen“, fordere einen Minimalplan an:

• was zuerst gemessen werden soll
• welche Profiler-Kategorie passt
• wo Timer platziert werden sollen
• welche Workload reproduziert werden soll
• welche Erfolgsmetrik verwendet werden soll

Gerade für Teams am Anfang des Prozesses ist das oft der wertvollste Einsatz des python-performance-optimization guide.