Skills Agentes

V3 Performance Optimization

Logra los objetivos agresivos de rendimiento de la v3: speedup de Flash Attention de 2.49x-7.47x, mejoras de búsqueda de 150x-12.500x y reducción de memoria del 50-75%.

Estrellas
69.4k

en todo el repo

Actividad
27

0–100, la ruta de este skill

Actualizado
hace 6 meses

último commit aquí

Commits
0

últimos 90 días

Contexto
2.9k tok

47 tok en reposo

Paquete
1 archivo

11 KB

Instalar

Funciona con cualquier agente que lea SKILL.md

npx -y skills add ruvnet/ruflo --skill v3-performance-optimization --agent claude-code

Se instala solo en este repositorio.

Qué hace

  • Valida y optimiza el rendimiento de claude-flow v3 mediante Flash Attention y la indexación HNSW de AgentDB.
  • Ejecuta benchmarks de arranque en frío, búsqueda vectorial, memoria, coordinación de swarm de 15 agentes y adaptación SONA.
  • Detecta regresiones de rendimiento comparando con una línea base y genera reportes con recomendaciones.
  • Aplica optimizaciones de memoria (pooling, GC) y de CPU (worker threads, SIMD, batching).

Úsalo cuando

  • Necesitas validar objetivos agresivos de rendimiento en claude-flow v3.
  • Vas a establecer una línea base de rendimiento y detectar regresiones.
  • Quieres optimizar el uso de memoria o CPU del sistema.

No lo uses cuando

    Qué lo activa

    Di cualquiera de estas frases y el agente debería cargar este skill.

    • Establece la línea base de rendimiento de la v2 antes de optimizar
    • Valida el speedup de Flash Attention de 2.49x a 7.47x
    • Detecta regresiones de rendimiento comparando con la línea base

    SKILL.md

    En inglés

    V3 Performance Optimization

    What This Skill Does

    Validates and optimizes claude-flow v3 to achieve industry-leading performance through Flash Attention, AgentDB HNSW indexing, and comprehensive system optimization with continuous benchmarking.

    Quick Start

    # Initialize performance optimization
    Task("Performance baseline", "Establish v2 performance benchmarks", "v3-performance-engineer")
    
    # Target validation (parallel)
    Task("Flash Attention", "Validate 2.49x-7.47x speedup target", "v3-performance-engineer")
    Task("Search optimization", "Validate 150x-12,500x search improvement", "v3-performance-engineer")
    Task("Memory optimization", "Achieve 50-75% memory reduction", "v3-performance-engineer")
    

    Performance Target Matrix

    Flash Attention Revolution

    ┌─────────────────────────────────────────┐
    │           FLASH ATTENTION               │
    ├─────────────────────────────────────────┤
    │  Baseline: Standard attention           │
    │  Target:   2.49x - 7.47x speedup       │
    │  Memory:   50-75% reduction             │
    │  Latency:  Sub-millisecond processing   │
    └─────────────────────────────────────────┘
    

    Search Performance Revolution

    ┌─────────────────────────────────────────┐
    │            SEARCH OPTIMIZATION         │
    ├─────────────────────────────────────────┤
    │  Current:  O(n) linear search           │
    │  Target:   150x - 12,500x improvement   │
    │  Method:   HNSW indexing                │
    │  Latency:  <100ms for 1M+ entries       │
    └─────────────────────────────────────────┘
    

    Comprehensive Benchmark Suite

    Startup Performance

    class StartupBenchmarks {
      async benchmarkColdStart(): Promise<BenchmarkResult> {
        const startTime = performance.now();
    
        await this.initializeCLI();
        await this.initializeMCPServer();
        await this.spawnTestAgent();
    
        const totalTime = performance.now() - startTime;
    
        return {
          total: totalTime,
          target: 500, // ms
          achieved: totalTime < 500
        };
      }
    }
    

    Memory Operation Benchmarks

    class MemoryBenchmarks {
      async benchmarkVectorSearch(): Promise<SearchBenchmark> {
        const queries = this.generateTestQueries(10000);
    
        // Baseline: Current linear search
        const baselineTime = await this.timeOperation(() =>
          this.currentMemory.searchAll(queries)
        );
    
        // Target: HNSW search
        const hnswTime = await this.timeOperation(() =>
          this.agentDBMemory.hnswSearchAll(queries)
        );
    
        const improvement = baselineTime / hnswTime;
    
        return {
          baseline: baselineTime,
          hnsw: hnswTime,
          improvement,
          targetRange: [150, 12500],
          achieved: improvement >= 150
        };
      }
    
      async benchmarkMemoryUsage(): Promise<MemoryBenchmark> {
        const baseline = process.memoryUsage().heapUsed;
    
        await this.loadTestDataset();
        const withData = process.memoryUsage().heapUsed;
    
        await this.enableOptimization();
        const optimized = process.memoryUsage().heapUsed;
    
        const reduction = (withData - optimized) / withData;
    
        return {
          baseline,
          withData,
          optimized,
          reductionPercent: reduction * 100,
          targetReduction: [50, 75],
          achieved: reduction >= 0.5
        };
      }
    }
    

    Swarm Coordination Benchmarks

    class SwarmBenchmarks {
      async benchmark15AgentCoordination(): Promise<SwarmBenchmark> {
        const agents = await this.spawn15Agents();
    
        // Coordination latency
        const coordinationTime = await this.timeOperation(() =>
          this.coordinateSwarmTask(agents)
        );
    
        // Task decomposition
        const decompositionTime = await this.timeOperation(() =>
          this.decomposeComplexTask()
        );
    
        // Consensus achievement
        const consensusTime = await this.timeOperation(() =>
          this.achieveSwarmConsensus(agents)
        );
    
        return {
          coordination: coordinationTime,
          decomposition: decompositionTime,
          consensus: consensusTime,
          agentCount: 15,
          efficiency: this.calculateEfficiency(agents)
        };
      }
    }
    

    Flash Attention Benchmarks

    class AttentionBenchmarks {
      async benchmarkFlashAttention(): Promise<AttentionBenchmark> {
        const sequences = this.generateSequences([512, 1024, 2048, 4096]);
        const results = [];
    
        for (const sequence of sequences) {
          // Baseline attention
          const baselineResult = await this.benchmarkStandardAttention(sequence);
    
          // Flash attention
          const flashResult = await this.benchmarkFlashAttention(sequence);
    
          results.push({
            sequenceLength: sequence.length,
            speedup: baselineResult.time / flashResult.time,
            memoryReduction: (baselineResult.memory - flashResult.memory) / baselineResult.memory,
            targetSpeedup: [2.49, 7.47],
            achieved: this.checkTarget(flashResult, [2.49, 7.47])
          });
        }
    
        return {
          results,
          averageSpeedup: this.calculateAverage(results, 'speedup'),
          averageMemoryReduction: this.calculateAverage(results, 'memoryReduction')
        };
      }
    }
    

    SONA Learning Benchmarks

    class SONABenchmarks {
      async benchmarkAdaptationTime(): Promise<SONABenchmark> {
        const scenarios = [
          'pattern_recognition',
          'task_optimization',
          'error_correction',
          'performance_tuning'
        ];
    
        const results = [];
    
        for (const scenario of scenarios) {
          const startTime = performance.hrtime.bigint();
          await this.sona.adapt(scenario);
          const endTime = performance.hrtime.bigint();
    
          const adaptationTimeMs = Number(endTime - startTime) / 1000000;
    
          results.push({
            scenario,
            adaptationTime: adaptationTimeMs,
            target: 0.05, // ms
            achieved: adaptationTimeMs <= 0.05
          });
        }
    
        return {
          scenarios: results,
          averageTime: results.reduce((sum, r) => sum + r.adaptationTime, 0) / results.length,
          successRate: results.filter(r => r.achieved).length / results.length
        };
      }
    }
    

    Performance Monitoring Dashboard

    Real-time Metrics

    class PerformanceMonitor {
      async collectMetrics(): Promise<PerformanceSnapshot> {
        return {
          timestamp: Date.now(),
          flashAttention: await this.measureFlashAttention(),
          searchPerformance: await this.measureSearchSpeed(),
          memoryUsage: await this.measureMemoryEfficiency(),
          startupTime: await this.measureStartupLatency(),
          sonaAdaptation: await this.measureSONASpeed(),
          swarmCoordination: await this.measureSwarmEfficiency()
        };
      }
    
      async generateReport(): Promise<PerformanceReport> {
        const snapshot = await this.collectMetrics();
    
        return {
          summary: this.generateSummary(snapshot),
          achievements: this.checkTargetAchievements(snapshot),
          trends: this.analyzeTrends(),
          recommendations: this.generateOptimizations(),
          regressions: await this.detectRegressions()
        };
      }
    }
    

    Continuous Regression Detection

    class PerformanceRegression {
      async detectRegressions(): Promise<RegressionReport> {
        const current = await this.runFullBenchmark();
        const baseline = await this.getBaseline();
    
        const regressions = [];
    
        for (const [metric, currentValue] of Object.entries(current)) {
          const baselineValue = baseline[metric];
          const change = (currentValue - baselineValue) / baselineValue;
    
          if (change < -0.05) { // 5% regression threshold
            regressions.push({
              metric,
              baseline: baselineValue,
              current: currentValue,
              regressionPercent: change * 100,
              severity: this.classifyRegression(change)
            });
          }
        }
    
        return {
          hasRegressions: regressions.length > 0,
          regressions,
          recommendations: this.generateRegressionFixes(regressions)
        };
      }
    }
    

    Optimization Strategies

    Memory Optimization

    class MemoryOptimization {
      async optimizeMemoryUsage(): Promise<OptimizationResult> {
        // Implement memory pooling
        await this.setupMemoryPools();
    
        // Enable garbage collection tuning
        await this.optimizeGarbageCollection();
    
        // Implement object reuse patterns
        await this.setupObjectPools();
    
        // Enable memory compression
        await this.enableMemoryCompression();
    
        return this.validateMemoryReduction();
      }
    }
    

    CPU Optimization

    class CPUOptimization {
      async optimizeCPUUsage(): Promise<OptimizationResult> {
        // Implement worker thread pools
        await this.setupWorkerThreads();
    
        // Enable CPU-specific optimizations
        await this.enableSIMDInstructions();
    
        // Implement task batching
        await this.optimizeTaskBatching();
    
        return this.validateCPUImprovement();
      }
    }
    

    Target Validation Framework

    Performance Gates

    class PerformanceGates {
      async validateAllTargets(): Promise<ValidationReport> {
        const results = await Promise.all([
          this.validateFlashAttention(),     // 2.49x-7.47x
          this.validateSearchPerformance(),  // 150x-12,500x
          this.validateMemoryReduction(),    // 50-75%
          this.validateStartupTime(),        // <500ms
          this.validateSONAAdaptation()      // <0.05ms
        ]);
    
        return {
          allTargetsAchieved: results.every(r => r.achieved),
          results,
          overallScore: this.calculateOverallScore(results),
          recommendations: this.generateRecommendations(results)
        };
      }
    }
    

    Success Metrics

    Primary Targets

    • Flash Attention: 2.49x-7.47x speedup validated
    • Search Performance: 150x-12,500x improvement confirmed
    • Memory Reduction: 50-75% usage optimization achieved
    • Startup Time: <500ms cold start consistently
    • SONA Adaptation: <0.05ms learning response time
    • 15-Agent Coordination: Efficient parallel execution

    Continuous Monitoring

    • Performance Dashboard: Real-time metrics collection
    • Regression Testing: Automated performance validation
    • Trend Analysis: Performance evolution tracking
    • Alert System: Immediate regression notification

    Related V3 Skills

    • v3-integration-deep - Performance integration with agentic-flow
    • v3-memory-unification - Memory performance optimization
    • v3-swarm-coordination - Swarm performance coordination
    • v3-security-overhaul - Secure performance patterns

    Usage Examples

    Complete Performance Validation

    # Full performance suite
    npm run benchmark:v3
    
    # Specific target validation
    npm run benchmark:flash-attention
    npm run benchmark:agentdb-search
    npm run benchmark:memory-optimization
    
    # Continuous monitoring
    npm run monitor:performance
    

    Reproducido de ruvnet/ruflo bajo licencia MIT. Leer esta página en markdown.

    Archivos

    1 archivo en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.

    Antes de instalar

    Necesita en el PATH:npm

    Detalles

    Creador
    ruvnet
    Licencia
    MIT
    Recursos incluidos
    Solo SKILL.md
    Repositorio
    ruvnet/ruflo
    Código fuente
    Ver SKILL.md

    Etiquetas

    Más de ruvnet/ruflo

    Este repo incluye 275 skills. Si instalas uno, normalmente ya tienes los demás.

    Inspecciona y audita genomas GEPA: carga y valida un genoma, renderiza el system prompt que compila, o clasifica los modos de fallo de una transcripción de ejecución.

    Costo de contexto al activarse
    833 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    herramientas desarrollo

    Completion de un solo turno contra el modelo deepseek-chat de DeepSeek vía /v1/chat/completions. Lee DEEPSEEK_API_KEY y degrada con status:degraded si falta o la API no responde. Para tareas sin razonamiento.

    Costo de contexto al activarse
    566 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    automatizacion

    Completion en modo razonamiento contra deepseek-reasoner (R1) de DeepSeek. Devuelve el chain-of-thought por separado de la respuesta final. Lee DEEPSEEK_API_KEY y degrada si falta o la API no responde.

    Costo de contexto al activarse
    627 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    automatizacion

    Construye o reconstruye el índice de ADRs y su grafo de dependencias ejecutando scripts/import.mjs, en vez de cientos de llamadas MCP.

    Costo de contexto al activarse
    866 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 27 días
    herramientas desarrollo

    Crea un nuevo Architecture Decision Record con numeración secuencial y registro en AgentDB.

    Costo de contexto al activarse
    680 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 27 días
    herramientas desarrollo

    Muestra el estado de la integración AGNTCY/SLIM/CASA: si los paquetes están instalados, qué transporte está activo y si el enforcement de CASA está habilitado.

    Costo de contexto al activarse
    443 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 26 días
    devops infraestructura

    Skills relacionados

    Agente especializado en desarrollo, entrenamiento y despliegue de modelos de machine learning.

    Costo de contexto al activarse
    1.3k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    datos analitica

    Agente experto en análisis y optimización de matrices usando algoritmos sublineales. Se especializa en propiedades matriciales, dominancia diagonal, número de condición y recomendaciones para sistemas lineales grandes.

    Costo de contexto al activarse
    1.8k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    datos analitica

    Especialista en entrenamiento y despliegue de redes neuronales. Gestiona entrenamiento distribuido, inferencia y ciclo de vida de modelos usando la infraestructura cloud de Flow Nexus.

    Costo de contexto al activarse
    965 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    datos analitica