python-performance-optimization

Visión general de la skill python-performance-optimization

Qué hace la skill python-performance-optimization

La skill python-performance-optimization ayuda a un agente a diagnosticar por qué un código Python es lento o consume demasiada memoria, y después a proponer correcciones concretas basadas en profiling, no en suposiciones. Está pensada para trabajo real de rendimiento: encontrar cuellos de botella, distinguir entre problemas de CPU, memoria e I/O, y elegir mejoras que de verdad encajen con la ruta de código bajo carga.

Quién debería instalarla

Esta skill encaja mejor con desarrolladores, data engineers, equipos backend y flujos de agentes que necesitan algo más que el típico consejo genérico de “haz esto más rápido”. Es especialmente útil cuando ya tienes un script, servicio, notebook o pipeline que funciona a nivel funcional, pero necesita mejorar en latencia, throughput o uso de memoria.

Trabajo real que resuelve

La mayoría de usuarios no necesita solo una explicación sobre Big O; necesita una forma repetible de responder a estas preguntas:

• qué es lo que va lento
• cómo medirlo correctamente
• qué optimización merece la pena hacer primero
• cómo evitar tocar código que no es el verdadero cuello de botella

Ahí es donde la skill python-performance-optimization supera a un prompt normal. Empuja el flujo de trabajo hacia el profiling primero y la optimización después.

Qué hace diferente a esta skill

El repositorio cubre varios modos de profiling y varias capas de optimización, en lugar de tratar el rendimiento como si fuera un único problema. Incluye:

• profiling de CPU
• profiling de memoria
• análisis a nivel de línea
• razonamiento con grafos de llamadas
• patrones de implementación como caching
• vías avanzadas como vectorización con NumPy, async I/O y paralelización

La diferencia práctica está en esa amplitud, combinada con una mentalidad de profiling-first.

Casos en los que encaja bien y casos en los que no

Buen encaje:

• endpoints, jobs, herramientas CLI, procesos ETL o flujos de procesamiento de datos lentos en Python
• crecimiento de memoria o picos de RAM sin explicación clara
• decidir entre caching, cambios algorítmicos, vectorización o concurrencia
• preparar planes de optimización antes de tocar código de producción

Mal encaje:

• codebases donde el verdadero cuello de botella está en la infraestructura, la topología de red o el esquema de base de datos y no hay mediciones disponibles
• equipos que buscan scripts de benchmarking totalmente automatizados desde el primer momento
• situaciones en las que solo quieres limpieza de estilo, no diagnóstico de rendimiento

Cómo usar la skill python-performance-optimization

Contexto de instalación de python-performance-optimization

Instala la skill desde el repositorio wshobson/agents:

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

Después de instalarla, úsala cuando tu prompt trate claramente de diagnóstico de rendimiento en Python, profiling, uso de memoria, reducción de latencia, mejora de throughput o análisis de cuellos de botella.

Lee primero estos archivos del repositorio

Para entenderla rápido, empieza aquí:

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

SKILL.md da el flujo principal y las categorías de herramientas. references/advanced-patterns.md es la segunda lectura más útil cuando el diagnóstico inicial apunta a vectorización, caching, ajuste de memoria, async I/O o trabajo intensivo con base de datos.

Qué entrada necesita la skill para funcionar bien

La calidad de uso de python-performance-optimization depende mucho de la evidencia que aportes. Dale al agente:

• la función, archivo, endpoint o job que va lento
• el tamaño de carga esperado
• los síntomas reales: latencia, saturación de CPU, crecimiento de memoria, timeout, número alto de queries
• salida de profiling, si la tienes
• restricciones: no se pueden añadir dependencias, hay que preservar la API, solo cambios seguros para producción, etc.
• detalles del entorno: versión de Python, framework, SO, proceso único o multiproceso

Sin esas entradas, la skill puede seguir sugiriendo pasos de profiling, pero las recomendaciones serán menos específicas.

Convierte una petición vaga en un prompt sólido

Prompt débil:

• “Optimize this Python code.”

Prompt mejor:

• “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.”

Esto funciona mejor porque aporta carga, tipo de síntoma, evidencia y formato de salida.

Pide diagnóstico antes de pedir reescrituras

Un buen flujo de trabajo es:

1. describir el síntoma de rendimiento
2. aportar código y datos de medición
3. pedir al agente que clasifique el cuello de botella
4. solo después pedir cambios de código

Así evitas reescrituras prematuras. La python-performance-optimization skill resulta más útil cuando puede razonar desde métricas hasta la intervención adecuada.

Entradas de profiling que mejoran materialmente la salida

Las mejores entradas incluyen:

• resúmenes de cProfile para código intensivo en CPU
• resultados de line-profiler para funciones calientes
• evidencia de memory-profiler o crecimiento de objetos para problemas de RAM
• desgloses de tiempos alrededor de límites de I/O, DB, HTTP y serialización
• datos de muestra representativos, no entradas de juguete

Si todavía no tienes mediciones, pide primero al agente que diseñe un plan de profiling en lugar de optimizar a ciegas.

Flujo típico que soporta la skill

Una guía práctica de python-performance-optimization suele verse así:

1. identificar el objetivo de rendimiento
2. elegir el tipo de profiling adecuado
3. perfilar cargas de trabajo representativas
4. encontrar las rutas más calientes o las asignaciones más grandes
5. seleccionar la optimización de menor riesgo y mayor impacto
6. hacer benchmark antes y después
7. vigilar regresiones en corrección y legibilidad

Esa secuencia es el principal valor de la skill.

Cuándo usar la referencia avanzada

Abre references/advanced-patterns.md cuando el cuello de botella probablemente esté en una de estas áreas:

• bucles numéricos que podrían beneficiarse de NumPy
• trabajo repetido de funciones puras que podría beneficiarse de functools.lru_cache
• cargas de trabajo con mucho I/O que podrían mejorar con patrones async
• trabajo costoso y paralelizable en el que multiprocessing podría ayudar
• aplicaciones con muchas queries que necesiten optimización de base de datos

No saltes ahí de entrada salvo que ya tengas clara la categoría. Empieza por cuellos de botella medidos.

Buenos patrones de prompt para casos comunes

Para código limitado por CPU:

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

Para problemas de memoria:

• “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.”

Para servicios intensivos en I/O:

• “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.”

Qué resultados puedes esperar

Es razonable esperar que la skill destaque en:

• elegir el enfoque de profiling adecuado
• interpretar patrones comunes de rendimiento
• proponer optimizaciones plausibles en orden de prioridad
• explicar los tradeoffs entre caching, vectorización, paralelización y simplificación de código

Es de esperar que los resultados sean más flojos si no aportas código, forma de la carga de trabajo ni mediciones.

FAQ de la skill python-performance-optimization

¿python-performance-optimization para Performance Optimization es mejor que un prompt normal?

Por lo general, sí, cuando necesitas un diagnóstico estructurado en vez de sugerencias improvisadas. Un prompt normal suele saltar directamente a “usa caching” o “usa NumPy”. La skill python-performance-optimization tiene más probabilidades de separar primero problemas de CPU, memoria, I/O y algoritmos.

¿Esta skill es apta para principiantes?

Sí, siempre que puedas compartir código y síntomas. No hace falta ser experto en profiling para empezar. Pero los principiantes obtendrán resultados mucho mejores si aportan evidencia concreta y piden al agente que explique por qué un cuello de botella importa antes de proponer correcciones.

¿Necesito salida de profiling antes de usarla?

No, pero tenerla mejora mucho el uso de python-performance-optimization. Si todavía no tienes mediciones, pide al agente que te diga exactamente qué perfilar y con qué categoría de herramienta.

¿Cuándo no debería usar esta skill?

Sáltatela cuando el problema esté claramente fuera de la lógica de aplicación en Python, por ejemplo:

• infraestructura con recursos insuficientes
• problemas de red
• mala configuración del servidor de base de datos sin evidencia a nivel de aplicación
• latencia de frontend no relacionada con la ejecución del backend en Python

En esos casos, la skill aún puede ayudar a enfocar la investigación, pero no es la herramienta principal adecuada.

¿Cubre memoria además de velocidad?

Sí. El repositorio cubre de forma explícita profiling y optimización de memoria junto con profiling de CPU y análisis de tiempo de ejecución, lo que la hace más útil que los prompts centrados solo en “velocidad”.

¿Puede ayudar con cargas de trabajo de datos?

Sí, especialmente cuando la mejora puede pasar por vectorización, procesamiento por lotes, caching o reducción del overhead de bucles en Python. La referencia avanzada es especialmente relevante para código numérico y de procesamiento de datos.

Cómo mejorar la skill python-performance-optimization

Dale a la skill evidencia de benchmark, no solo código fuente

La mejor forma de mejorar los resultados de python-performance-optimization es aportar:

• tiempos antes y después
• resúmenes de profiling
• tamaños de entrada de ejemplo
• objetivos de throughput o latencia

Con solo el código fuente, el agente puede formular hipótesis. Con mediciones, puede priorizar.

Especifica qué tipo de cuello de botella sospechas

Aunque no estés seguro, indica qué crees que está pasando:

• limitado por CPU
• limitado por memoria
• limitado por base de datos
• limitado por red/I/O
• problema de tiempo de arranque
• problema de throughput en batch

Esto ayuda a la skill a elegir la ruta de diagnóstico correcta y evita consejos genéricos.

Incluye restricciones realistas

El consejo de optimización cambia mucho según las restricciones. Indícalas de forma explícita:

• no se puede cambiar la API pública
• no se puede añadir NumPy
• debe seguir siendo legible para un equipo junior
• debe ejecutarse en AWS Lambda
• debe preservar el orden determinista
• el límite de memoria en un entorno multi-tenant es fijo

Estos detalles mejoran más la calidad de decisión que pedir simplemente “el mejor rendimiento”.

Pide recomendaciones priorizadas

Un prompt sólido pide al agente que ordene las sugerencias según:

1. impacto esperado
2. esfuerzo de implementación
3. riesgo para la corrección
4. coste de dependencias

Eso evita un fallo muy común: que la primera respuesta proponga cambios sofisticados antes que mejoras más simples, como reducir trabajo repetido o corregir queries ineficientes.

Vigila los modos de fallo habituales

La python-performance-optimization skill puede perder efectividad por:

• optimizar código que no está en la hot path
• usar microbenchmarks que no se parecen a las cargas de producción
• valorar demasiado el código ingenioso frente al mantenible
• aplicar multiprocessing cuando el I/O o el comportamiento del GIL lo hacen poco adecuado
• recomendar caching sin hablar de invalidación ni del coste en memoria

Pide al agente que justifique cada optimización frente al cuello de botella medido.

Itera después de la primera respuesta

Un buen prompt de segunda ronda se parece a esto:

• “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.”

Así conviertes la skill en un bucle de optimización, no en una reescritura puntual.

Usa estratégicamente las rutas de lectura del repositorio

Si la primera respuesta se queda genérica, pide al agente que base su razonamiento en:

• SKILL.md para categorías de profiling y flujo de trabajo
• references/advanced-patterns.md para opciones de implementación como vectorización, caching, gestión de memoria, paralelización, async I/O y benchmarking

Eso normalmente aumenta la especificidad de la salida.

Pide planes de medición cuando la adopción esté bloqueada

Si el bloqueo es “no sabemos por dónde empezar”, pide un plan mínimo:

• qué medir primero
• qué categoría de profiler encaja mejor
• dónde colocar timers
• qué carga de trabajo reproducir
• qué métrica de éxito usar

Ese suele ser uno de los usos de más valor de la guía python-performance-optimization para equipos que están empezando.