ln-31-performance-optimizer
通过分析与对照实验定位并优化已测量的延迟、吞吐或资源瓶颈。
相关性达标的全量 Skills(含未精选长尾)· 共 1887 个
通过分析与对照实验定位并优化已测量的延迟、吞吐或资源瓶颈。
根据仓库证据准备并发布带标签的 GitHub release,需用户确认。
验证、提交并推送经授权的仓库变更并从远端校验结果。
按有序核对表审查技能与其发布表面,确认发布准备就绪。
扫描应用安全边界,查找注入、XSS、敏感默认与凭据暴露。
协调多项研究型审计任务,生成结构化审计与总结。
从文档中提取可验证断言并与代码库交叉核验。
审查代码内联注释与 docstring 的质量与有效性。
校验文档语义是否符合 SCOPE 与项目目标,识别覆盖与离题。
审计项目文档结构与层级、链接、陈旧与合规性。
基于风险驱动和手工测试结果生成优先级自动化测试计划并创建任务。
通过 tests/manual/ 中的可执行脚本按验收准则执行手工测试并收集证据。
分析测试与运行日志,分类错误并将堆栈追溯到源码并给出修复建议。
在变更后运行现有测试套件以检测回归,不自动变更任务状态。
自动识别并安全修复低风险技术债务,如未使用导入与死代码。
对已完成的实现任务进行定量代码质量检测并给出 Code Quality Score 与违规项。
协调故事质量评估流程,整合研究、工作者摘要与受控迭代改进。
在 Story 级别执行质量门控,输出 PASS/CONCERNS/FAIL/WAIVED 等四级判定与质量分。
专门执行标记为 tests 的测试任务,将其推进到 To Review,遵循风险限制策略。
根据审阅者反馈修复标记为 To Rework 的单个任务,并重新提交至 To Review。
对处于 To Review 的任务进行质量审查,判定 Done 或 To Rework 并给出修正要点。
执行单个实现/重构任务,从 Todo 推进到 To Review,遵循 KISS/YAGNI 指南。
按优先级执行 Story 下的任务,管理工作树与任务检查点并推进到 To Review。
根据任务计划与模板在跟踪器中创建实现、重构和测试任务并同步看板。
把Story拆成1–8个优化任务并路由到创建或重规划流程。
结合市场调研用RICE为Stories打分并生成优先级表格。
对比理想与现有Stories并执行KEEP/UPDATE/OBSOLETE/CREATE操作。
按九部分模板生成Story并通过配置的跟踪器提交与验证。
为每个Epic生成5–10个Stories并执行标准与路由校验。
将范围分解为3–7个Epic并协调创建或重规划流程。
基于流量优先漏斗发现产品增长机会并给出方向建议。
把项目范围分解为史诗与用户故事,并按 RICE 等模型排序优先级。
将单个 Story 驱动通过任务规划、执行与质量门的完整流水线。
将收敛的设计方向固化成规范文档并在相关 issue 中标注锁定版本。
按能力层级为多种代理分配任务并制定升级与操作手册。
用不同模型对 PR 进行对抗式审查并将结果作为 PR 评论记录。
为 Kafka/Confluent 应用提供设计、实现与代码及配置审查(生产者/消费者、Streams、Connect 等)。
管理并保护 Confluent Cloud 与自托管 Kafka/Confluent 集群(配置、RBAC、网络、Schema 等)。
自动化处理 Claude Code 插件的语义化版本、构建校验、打 tag 与发布流程。
基于 claude-mem 的时间线生成项目开发历史的全景叙述性报告。