SKILLEMALL.ai
GitHub ↗ EN Войти

BC AgentDB Performance Optimization

Оптимизируйте производительность AgentDB с помощью квантования (уменьшение памяти в 4-32 раза), индексации HNSW (ускорение поиска в 150 раз), кэширования и пакетных операций. Используйте при оптимизации использования памяти, повышении скорости поиска или масштабировании до миллионов векторов.

машинный переводПоказать оригиналСкрыть оригинал«Optimize AgentDB performance with quantization (4-32x memory reduction…»

Optimize AgentDB performance with quantization (4-32x memory reduction), HNSW indexing (150x faster search), caching, and batch operations. Use when optimizing memory usage, improving search speed, or scaling to millions of vectors.

ruvnet/claude-flow Agent Skills автор: ruvnet MIT 1 файл тело ≈ 2 959 токенов Открыть источникgithub.com↗ проанализирован 29 ч назад

Оптимизируйте производительность AgentDB с помощью квантования (уменьшение памяти в 4-32 раза), индексации HNSW (ускорение поиска в 150 раз), кэширования и…

Как процесс C 61/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, согласованность

ПроцедураИИ и агентыДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
B
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
79
Прогон на моделях
не было
Процессный рейтинг
C
61/100
Есть пробелы
Результат и критерий готовности вес 14
0
Когда включается вес 12
20
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять
Это копия скилла из другого каталога, в рейтинге считается основная: AgentDB Performance Optimization (ruvnet/wifi-densepose)

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)

    Процессный рейтинг: все десять параметров 61/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (AgentDB Performance Optimization) не совпадает с папкой (agentdb-optimization)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 40
    • 100Стоимость исполнения. Тело инструкции 2959 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 14. Похоже на несколько доменов в одном скилле

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 232 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 43 заголовков
    • +3Пошаговые инструкции: 40 пунктов
    • +4Есть примеры (28 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.