python-performance-optimization

Présentation de la compétence python-performance-optimization

Ce que fait la compétence python-performance-optimization

La compétence python-performance-optimization aide un agent à diagnostiquer pourquoi du code Python est lent ou consomme trop de mémoire, puis à proposer des corrections ciblées fondées sur du profiling plutôt que sur des suppositions. Elle est conçue pour un travail de performance concret : repérer les goulots d’étranglement, distinguer les problèmes CPU, mémoire et I/O, et choisir des optimisations réellement adaptées au chemin de code sous charge.

À qui elle s’adresse

Cette compétence convient particulièrement aux développeurs, data engineers, équipes backend et workflows d’agents qui ont besoin de mieux que des conseils génériques du type « rends ça plus rapide ». Elle est особенно utile quand vous avez déjà un script, un service, un notebook ou un pipeline fonctionnel, mais que vous devez améliorer la latence, le débit ou le comportement mémoire.

Le vrai besoin auquel elle répond

La plupart des utilisateurs n’ont pas seulement besoin d’un rappel sur la complexité algorithmique : ils ont besoin d’une méthode reproductible pour répondre à ces questions :

• qu’est-ce qui est lent
• comment le mesurer correctement
• quelle optimisation mérite d’être faite en premier
• comment éviter de modifier du code qui n’est pas le vrai goulot d’étranglement

C’est là que la compétence python-performance-optimization apporte plus qu’un prompt classique. Elle oriente le workflow vers le profiling d’abord, puis l’optimisation.

Ce qui différencie cette compétence

Le dépôt couvre plusieurs modes de profiling et plusieurs couches d’optimisation, au lieu de traiter la performance comme un seul type de problème. Il couvre notamment :

• le profiling CPU
• le profiling mémoire
• l’analyse au niveau de la ligne
• le raisonnement en graphe d’appels
• des patterns d’implémentation comme le caching
• des pistes avancées comme la vectorisation NumPy, l’async I/O et la parallélisation

Son atout concret, c’est cette largeur de couverture avec une approche centrée sur la mesure.

Cas où elle est adaptée — et cas où elle ne l’est pas

Bon choix :

• endpoints Python lents, jobs, outils CLI, ETL ou traitements de données
• hausse de mémoire ou pics de RAM inexpliqués
• arbitrage entre caching, changement d’algorithme, vectorisation ou concurrence
• préparation d’un plan d’optimisation avant de toucher au code de production

Moins adaptée :

• codebases où le vrai goulot d’étranglement vient de l’infrastructure, de la topologie réseau ou du schéma de base de données, sans aucune mesure disponible
• équipes qui cherchent des scripts de benchmark entièrement automatisés prêts à l’emploi
• situations où vous voulez seulement nettoyer le style du code, pas diagnostiquer les performances

Comment utiliser la compétence python-performance-optimization

Contexte d’installation de python-performance-optimization

Installez la compétence depuis le dépôt wshobson/agents :

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

Après l’installation, utilisez-la dès que votre prompt porte clairement sur un diagnostic de performance Python, du profiling, l’usage mémoire, la réduction de latence, l’amélioration du débit ou l’analyse de goulots d’étranglement.

Commencez par lire ces fichiers du dépôt

Pour comprendre rapidement l’essentiel, commencez ici :

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

SKILL.md présente le workflow principal et les catégories d’outils. references/advanced-patterns.md est la bonne deuxième lecture si le premier diagnostic oriente vers la vectorisation, le caching, l’optimisation mémoire, l’async I/O ou des traitements fortement liés à la base de données.

Quelles entrées fournir pour que la compétence fonctionne bien

La qualité d’usage de python-performance-optimization dépend fortement des éléments de preuve que vous fournissez. Donnez à l’agent :

• la fonction, le fichier, l’endpoint ou le job lent
• la taille de charge attendue
• les symptômes observés : latence, saturation CPU, croissance mémoire, timeout, nombre élevé de requêtes
• une sortie de profiling si vous en avez une
• les contraintes : impossibilité d’ajouter des dépendances, API à préserver, changements sûrs pour la production uniquement, etc.
• les détails d’environnement : version de Python, framework, OS, processus unique ou multi-processus

Sans ces éléments, la compétence peut quand même suggérer des étapes de profiling, mais les recommandations seront moins précises.

Transformer une demande vague en prompt solide

Prompt faible :

• « Optimize this Python code. »

Meilleur 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. »

Cette version fonctionne mieux parce qu’elle donne la charge, le type de symptôme, des éléments mesurés et un format de sortie attendu.

Demandez d’abord un diagnostic, puis seulement des réécritures

Un bon workflow consiste à :

1. décrire le symptôme de performance
2. fournir le code et les mesures
3. demander à l’agent de qualifier le goulot d’étranglement
4. ne demander des changements de code qu’ensuite

Cela évite les réécritures prématurées. La compétence python-performance-optimization est plus utile lorsqu’elle peut remonter des métriques vers l’intervention à mener.

Les entrées de profiling qui améliorent vraiment le résultat

Les meilleures entrées incluent :

• des résumés cProfile pour du code surtout limité par le CPU
• des résultats line-profiler pour les fonctions chaudes
• des mesures memory-profiler ou des preuves de croissance d’objets pour les problèmes de RAM
• des découpages de temps autour des frontières I/O, DB, HTTP et sérialisation
• des données d’exemple représentatives, pas des entrées jouets

Si vous n’avez encore aucune mesure, demandez d’abord à l’agent de concevoir un plan de profiling au lieu d’optimiser à l’aveugle.

Workflow typique pris en charge par la compétence python-performance-optimization

En pratique, un guide python-performance-optimization ressemble souvent à ceci :

1. identifier l’objectif de performance
2. choisir le bon type de profiling
3. profiler des charges représentatives
4. repérer les chemins les plus chauds ou les allocations les plus importantes
5. sélectionner l’optimisation au plus fort impact et au risque le plus faible
6. benchmarker avant et après
7. surveiller les régressions sur la justesse et la lisibilité

C’est la séquence qui fait l’essentiel de la valeur de cette compétence.

Quand consulter la référence avancée

Ouvrez references/advanced-patterns.md si le goulot d’étranglement se situe probablement dans l’un de ces cas :

• boucles numériques qui pourraient bénéficier de NumPy
• travail répété de fonctions pures pouvant tirer parti de functools.lru_cache
• charges fortement orientées I/O pouvant bénéficier de patterns async
• traitements coûteux parallélisables où le multiprocessing peut aider
• applications avec beaucoup de requêtes nécessitant une réflexion d’optimisation base de données

N’allez pas directement dessus sans raison. Commencez par des goulots d’étranglement mesurés.

Bons modèles de prompts pour des cas fréquents

Pour du code limité par le 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. »

Pour des problèmes mémoire :

• « 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. »

Pour des services dominés par les 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. »

Quels résultats attendre

Attendez-vous à ce que la compétence soit particulièrement forte pour :

• choisir la bonne approche de profiling
• interpréter les patterns de performance courants
• proposer des optimisations plausibles par ordre de priorité
• expliquer les compromis entre caching, vectorisation, parallélisation et simplification du code

Les résultats seront plus faibles si vous ne fournissez ni code, ni forme de charge, ni mesures.

FAQ sur la compétence python-performance-optimization

python-performance-optimization pour l’optimisation des performances est-il meilleur qu’un prompt classique ?

En général oui, si vous avez besoin d’un diagnostic structuré plutôt que de suggestions improvisées. Un prompt classique saute souvent directement à « utilisez du caching » ou « utilisez NumPy ». La compétence python-performance-optimization a davantage tendance à distinguer d’abord les problèmes CPU, mémoire, I/O et algorithmiques.

Cette compétence est-elle accessible aux débutants ?

Oui, si vous pouvez partager du code et des symptômes. Vous n’avez pas besoin d’être expert en profiling pour commencer. En revanche, les débutants obtiendront de bien meilleurs résultats s’ils fournissent des éléments concrets et demandent à l’agent d’expliquer pourquoi un goulot d’étranglement est important avant de proposer des corrections.

Faut-il disposer d’une sortie de profiling avant de l’utiliser ?

Non, mais en avoir améliore nettement l’usage de python-performance-optimization. Si vous n’avez pas encore de mesures, demandez à l’agent quoi profiler précisément et avec quelle catégorie d’outil.

Quand ne faut-il pas utiliser cette compétence ?

Mieux vaut l’éviter si le problème est clairement en dehors de la logique applicative Python, par exemple :

• infrastructure sous-dimensionnée
• problèmes réseau
• mauvaise configuration du serveur de base de données sans preuve au niveau applicatif
• latence frontend sans rapport avec l’exécution du backend Python

Dans ces cas, la compétence peut encore aider à cadrer l’investigation, mais ce n’est pas l’outil principal à utiliser.

Couvre-t-elle aussi bien la mémoire que la vitesse ?

Oui. Le dépôt couvre explicitement le profiling mémoire et l’optimisation mémoire, en plus du profiling CPU et de l’analyse du temps d’exécution, ce qui la rend plus utile que les prompts limités à la « vitesse ».

Peut-elle aider sur des workloads data ?

Oui, surtout lorsque la voie d’amélioration peut passer par la vectorisation, le batching, le caching ou la réduction du surcoût des boucles Python. La référence avancée est particulièrement pertinente pour le code numérique et les traitements de données.

Comment améliorer l’usage de la compétence python-performance-optimization

Donnez des benchmarks, pas seulement le code source

La meilleure façon d’améliorer les résultats de python-performance-optimization, c’est de fournir :

• des timings avant/après
• des résumés de profiling
• des tailles d’entrée d’exemple
• des objectifs de débit ou de latence

Avec le seul code source, l’agent peut formuler des hypothèses. Avec des mesures, il peut prioriser.

Indiquez le type de goulot d’étranglement que vous soupçonnez

Même si vous n’êtes pas certain, dites ce que vous pensez :

• limité par le CPU
• limité par la mémoire
• limité par la base de données
• limité par le réseau / les I/O
• problème de temps de démarrage
• problème de débit batch

Cela aide la compétence à choisir le bon chemin de diagnostic et à éviter les conseils génériques.

Incluez des contraintes réalistes

Les recommandations d’optimisation changent fortement selon les contraintes. Indiquez-les clairement :

• impossible de modifier l’API publique
• impossible d’ajouter NumPy
• le code doit rester lisible pour une équipe junior
• doit s’exécuter sur AWS Lambda
• doit préserver un ordre déterministe
• plafond mémoire fixe en environnement multi-tenant

Ces détails améliorent davantage la qualité des décisions qu’une simple demande de « meilleures performances ».

Demandez des recommandations classées par priorité

Un prompt solide demande à l’agent de classer ses suggestions selon :

1. l’impact attendu
2. l’effort d’implémentation
3. le risque pour la justesse
4. le coût en dépendances

Cela évite l’échec classique où la première réponse propose des changements sophistiqués avant des gains plus simples, comme la réduction de travail répété ou la correction de requêtes inefficaces.

Surveillez les modes d’échec fréquents

La compétence python-performance-optimization peut perdre en pertinence si l’on :

• optimise du code qui n’est pas sur le chemin chaud
• utilise des microbenchmarks qui ne reflètent pas les charges de production
• valorise trop du code astucieux au détriment d’un code maintenable
• applique le multiprocessing là où les I/O ou le comportement du GIL en font un mauvais choix
• recommande du caching sans parler de l’invalidation ou du coût mémoire

Demandez à l’agent de justifier chaque optimisation par rapport au goulot d’étranglement mesuré.

Itérez après la première réponse

Un bon prompt de deuxième tour ressemble à ceci :

• « 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. »

Cela transforme la compétence en boucle d’optimisation plutôt qu’en réécriture ponctuelle.

Utilisez stratégiquement les chemins de lecture du dépôt

Si la première réponse reste trop générique, demandez à l’agent d’ancrer son raisonnement dans :

• SKILL.md pour les catégories de profiling et le workflow
• references/advanced-patterns.md pour les options d’implémentation comme la vectorisation, le caching, la gestion mémoire, la parallélisation, l’async I/O et le benchmarking

Cela améliore généralement la précision de la réponse.

Demandez un plan de mesure si l’adoption est bloquée

Si votre blocage est « nous ne savons pas par où commencer », demandez un plan minimal :

• quoi mesurer en premier
• quelle catégorie de profiler convient
• où placer des timers
• quelle charge reproduire
• quelle métrique de succès utiliser

C’est souvent l’usage le plus utile du guide python-performance-optimization pour les équipes qui démarrent ce travail.