Synthèse automatique
Exécute des benchmarks de performance pour l'implémentation du calcul du revenu moyen dans plusieurs langages (Kotlin, GraalVM, Rust, Haskell) via Gradle.
Points forts
- Support multi-langage (Kotlin, GraalVM, Rust, Haskell) pour comparer les performances.
- Automatisation via Gradle pour une exécution reproductible.
- Inclusion du profilage Haskell pour une analyse approfondie.
Limites
- Nécessite des variables d'environnement spécifiques (JAVA_HOME, GRAALVM_HOME).
- Dépend de Gradle et des toolchains JDK qui peuvent être lourds à configurer.
- Limité au projet 'compute-average-income' uniquement.
Lorsque vous devez comparer les performances d'une même logique métier implémentée dans différents langages compilés.
Pour des benchmarks génériques ou en dehors du contexte du projet compute-average-income.
Analyse de sécurité
SûrThe skill only contains environment variable setting and gradle build commands; no destructive, exfiltration, or obfuscated actions.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
Run all compute-average-income benchmarks for Kotlin, GraalVM, Rust, and Haskell.Profile the Haskell implementation of compute-average-income.Run the Rust benchmark for compute-average-income.run-benchmarks
Use this skill when the user wants to run performance benchmarks, compare languages, or test the compute-average-income implementations.
Instructions
-
Set JAVA_HOME to Java 23 for Gradle compatibility:
export JAVA_HOME=/Users/tnfink/Library/Java/JavaVirtualMachines/openjdk-23.0.1/Contents/Home -
Run all benchmarks with:
./gradlew computeAverageIncomeOr run individual language benchmarks:
- Kotlin:
./gradlew computeAverageIncomeKotlin - GraalVM:
./gradlew computeAverageIncomeGraalVM(requires GRAALVM_HOME) - Rust:
./gradlew computeAverageIncomeRust - Haskell:
./gradlew computeAverageIncomeHaskell
- Kotlin:
-
For Haskell profiling:
./gradlew profileAverageIncomeHaskell
Notes
- Gradle 9.2.1 uses JDK 21 toolchain (auto-provisioned via foojay)
- GraalVM benchmark requires GRAALVM_HOME environment variable set
- Haskell uses GHC 9.10.3 (LTS-24.25)
- Rust uses cargo with --release flag
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/run-performance-benchmarks-mmk3ni4w/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/run-performance-benchmarks-mmk3ni4w' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/run-performance-benchmarks-mmk3ni4w/download' --output '.skill-downloads/run-performance-benchmarks-mmk3ni4w/SKILL.md.part' && mv '.skill-downloads/run-performance-benchmarks-mmk3ni4w/SKILL.md.part' '.skill-downloads/run-performance-benchmarks-mmk3ni4w/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Le fichier ne fournit pas un en-tête name/description exploitable pour cette procédure native. Le téléchargement reste disponible pour lecture ; utilisez le mode manuel ci-dessous.
Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/run-performance-benchmarks-mmk3ni4w/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Comparaison de performances ClickHouse
Testing
Évaluez les résultats de tests de performance ClickHouse, analysez les régressions de PR, comparez avec l'historique et vérifiez la fiabilité des mesures.
Analyse des rapports de performance CI
Testing
Analyse les rapports de comparaison de performance CI pour une PR ClickHouse. Recoupe l'historique master pour distinguer les vraies régressions des tests instables.
Méthode Santa
Testing
Vérification adversarial multi-agents avec deux réviseurs indépendants. La sortie est vérifiée deux fois et corrigée itérativement jusqu'à ce que les deux acceptent avant publication.