Performance Optimization Skill for Muse **Nom FR:** Skill Optimisation de Performance pour Muse **Tagline EN:** Measure first, fix the real bottleneck, prove the win **Tagline FR:** Mesurer d'abord, corriger le vrai goulot, prouver le gain **Créateur:** @addyosmani **URL source:** https://github.com/addyosmani/agent-skills/blob/main/skills/performance-optimization/SKILL.md **Licence — Type — Catégorie — Mots-clés:** MIT — Skill — Productivity — web performance, Core Web Vitals, profiling, N+1 queries, caching, bundle size, database indexing, EXPLAIN ANALYZE, connection pools, regression budgets, Lighthouse CI, image optimization **Description EN:** Curated by Skill Harbor — a free, open-source skill (MIT) by @addyosmani, listed here with credit to its creator. A strict, measurement-first methodology for application performance across frontend, backend, queries, and databases: measure, identify the actual bottleneck, fix it, verify by re-measuring, then guard against regression. Includes a symptom-to-measurement decision tree (slow first load → bundle/TTFB/waterfall; sluggish interaction → main-thread long tasks; slow API → query logs), Core Web Vitals targets, and concrete fixes for the classic anti-patterns — N+1 queries, unbounded data fetching, indexes added without reading the query plan (with EXPLAIN ANALYZE interpretation), connection-pool exhaustion, unoptimized images (art direction + resolution switching), React re-renders, large bundles, and caching done wrong (layer selection, key design so one user's data never leaks to another, single invalidation strategy, stampede guards). Its most distinctive rule: verify with a keep-or-revert verdict — "neutral" is a revert, not a keep — and log every attempt, including the reverted ones, so a dead idea isn't tried again next quarter. Ends with regression guards: synthetic CI budgets plus field (RUM) monitoring on the metric users actually feel. Discovered via skills.sh. Honest note: it is orientation web/backend (React, SQL, Redis, CDN examples) — the method transfers, the idioms need translation on other stacks; and it will not let you "optimize" without a baseline, so there are no instant fixes here, only proven ones. Skill Harbor never reviews the code, review it yourself before use. Not verified. **Description FR:** Sélectionné par Skill Harbor — un skill gratuit et open-source (MIT) par @addyosmani, listé ici avec crédit à son créateur. Une méthodologie stricte, mesures d'abord, pour la performance applicative sur le frontend, le backend, les requêtes et les bases de données : mesurer, identifier le vrai goulot, le corriger, vérifier en remesurant, puis se prémunir contre les régressions. Inclut un arbre de décision symptôme → mesure (premier chargement lent → bundle/TTFB/waterfall ; interaction molle → longues tâches du thread principal ; API lente → journaux de requêtes), les cibles Core Web Vitals, et des correctifs concrets pour les anti-patterns classiques — requêtes N+1, récupération de données sans bornes, index ajoutés sans lire le plan de requête (avec interprétation d'EXPLAIN ANALYZE), épuisement du pool de connexions, images non optimisées (direction artistique + bascule de résolution), re-rendus React, bundles trop gros, et cache mal fait (choix de la couche, conception de clé pour que les données d'un utilisateur ne fuient jamais vers un autre, stratégie d'invalidation unique, garde-fous contre la ruée). Sa règle la plus distinctive : vérifier avec un verdict garder-ou-annuler — « neutre » = annuler, pas garder — et journaliser chaque tentative, y compris les annulées, pour qu'une idée morte ne soit pas réessayée le trimestre prochain. Se termine par des garde-fous anti-régression : budgets synthétiques en CI plus monitoring terrain (RUM) sur la métrique que les utilisateurs ressentent vraiment. Découvert via skills.sh. Note honnête : il est orienté web/backend (exemples React, SQL, Redis, CDN) — la méthode se transfère, les idiomes se traduisent sur d'autres stacks ; et il ne vous laissera pas « optimiser » sans ligne de base, donc pas de correctifs instantanés ici, seulement des correctifs prouvés. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Non vérifié. **Install prompt EN:** ``` Prerequisites: a real app with a suspected performance problem; profiling tools (Lighthouse, Chrome DevTools Performance tab, database query logging, or APM). No API keys, no paid services — measurement tools are all free or already in your stack. Install "Performance Optimization Skill for Muse" for me. A measurement-first performance methodology: symptom-to-measurement decision tree, Core Web Vitals targets, concrete fixes for classic anti-patterns (N+1 queries, unbounded fetching, plan-less indexes, connection-pool exhaustion, unoptimized images, re-renders, bundle size, cache design and stampedes), a strict keep-or-revert verification rule with an attempt ledger, and regression guards (CI budgets + field monitoring). Repository: https://github.com/addyosmani/agent-skills/blob/main/skills/performance-optimization/SKILL.md 1. Fetch the SKILL.md file (and any helper files: references/) from the repository path into a temporary folder and summarize what it does in one or two sentences. 2. Safety check: review the SKILL.md and scripts for anything suspicious (unexpected network calls, shell commands, credential harvesting). This repo should contain zero secrets in code, credentials only via the secure vault, allowed hosts declared in the SKILL.md. Verify that holds here; STOP on any red flag and tell me. 3. Install it as a skill: copy SKILL.md and its helper files into the agent's skills directory, in a folder named "performance-optimization". 4. Verify with no network calls: frontmatter valid, files in place. 5. Report what was installed, where, and what I still need to do myself (e.g. describe what's slow so it can establish a baseline). GitHub is optional: if I have a GitHub account or the gh CLI, you may use it; otherwise public access is fine. Never require it unless it's in the prerequisites above. Rules: don't touch anything outside the temp folder and the install target. If anything looks off, stop and ask me. ``` **Install prompt FR:** ``` Prérequis : une vraie application avec un problème de performance suspecté ; des outils de profiling (Lighthouse, onglet Performance de Chrome DevTools, journalisation des requêtes de base de données, ou APM). Aucune clé API, aucun service payant — les outils de mesure sont tous gratuits ou déjà dans votre stack. Installe-moi « Skill Optimisation de Performance pour Muse ». Une méthodologie de performance mesures-d'abord : arbre de décision symptôme → mesure, cibles Core Web Vitals, correctifs concrets pour les anti-patterns classiques (requêtes N+1, récupération sans bornes, index sans plan de requête, épuisement du pool de connexions, images non optimisées, re-rendus, taille de bundle, conception de cache et ruées), une règle stricte de vérification garder-ou-annuler avec registre des tentatives, et des garde-fous anti-régression (budgets CI + monitoring terrain). Dépôt : https://github.com/addyosmani/agent-skills/blob/main/skills/performance-optimization/SKILL.md 1. Récupérez le fichier SKILL.md (et les fichiers auxiliaires : references/) depuis le chemin du dépôt dans un dossier temporaire et résumez ce qu'il fait en une ou deux phrases. 2. Contrôle de sécurité : examinez le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, récolte d'identifiants). Ce dépôt ne doit contenir aucun secret dans le code ; les identifiants passent uniquement par le coffre sécurisé, les hôtes autorisés sont déclarés dans le SKILL.md. Vérifiez que c'est bien le cas ; STOP sur le moindre signal d'alerte et prévenez-moi. 3. Installez-le comme skill : copiez SKILL.md et ses fichiers auxiliaires dans le répertoire des skills de l'agent, dans un dossier nommé « performance-optimization ». 4. Vérifiez sans appels réseau : frontmatter valide, fichiers en place. 5. Indiquez ce qui a été installé, où, et ce qu'il me reste à faire moi-même (ex. décrire ce qui est lent pour qu'il établisse une ligne de base). GitHub est optionnel : si j'ai un compte GitHub ou le CLI gh, vous pouvez l'utiliser ; sinon, l'accès public suffit. Règles : ne touchez à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrêtez et demandez-moi. ```

Mesurer d'abord, corriger le vrai goulot, prouver le gain **Créateur:** @addyosmani **URL source:** https://github.com/addyosmani/agent-skills/blob/main/skills/performance-optimization/SKILL.md **Licence — Type — Catégorie — Mots-clés:** MIT — Skill — Productivity — web performance, Core Web Vitals, profiling, N+1 queries, caching, bundle size, database indexing, EXPLAIN ANALYZE, connection pools, regression budgets, Lighthouse CI, image optimization **Description EN:** Curated by Skill Harbor — a free, open-source skill (MIT) by @addyosmani, listed here with credit to its creator. A strict, measurement-first methodology for application performance across frontend, backend, queries, and databases: measure, identify the actual bottleneck, fix it, verify by re-measuring, then guard against regression. Includes a symptom-to-measurement decision tree (slow first load → bundle/TTFB/waterfall; sluggish interaction → main-thread long tasks; slow API → query logs), Core Web Vitals targets, and concrete fixes for the classic anti-patterns — N+1 queries, unbounded data fetching, indexes added without reading the query plan (with EXPLAIN ANALYZE interpretation), connection-pool exhaustion, unoptimized images (art direction + resolution switching), React re-renders, large bundles, and caching done wrong (layer selection, key design so one user's data never leaks to another, single invalidation strategy, stampede guards). Its most distinctive rule: verify with a keep-or-revert verdict — "neutral" is a revert, not a keep — and log every attempt, including the reverted ones, so a dead idea isn't tried again next quarter. Ends with regression guards: synthetic CI budgets plus field (RUM) monitoring on the metric users actually feel. Discovered via skills.sh. Honest note: it is orientation web/backend (React, SQL, Redis, CDN examples) — the method transfers, the idioms need translation on other stacks; and it will not let you "optimize" without a baseline, so there are no instant fixes here, only proven ones. Skill Harbor never reviews the code, review it yourself before use. Not verified. **Description FR:** Sélectionné par Skill Harbor — un skill gratuit et open-source (MIT) par @addyosmani, listé ici avec crédit à son créateur. Une méthodologie stricte, mesures d'abord, pour la performance applicative sur le frontend, le backend, les requêtes et les bases de données : mesurer, identifier le vrai goulot, le corriger, vérifier en remesurant, puis se prémunir contre les régressions. Inclut un arbre de décision symptôme → mesure (premier chargement lent → bundle/TTFB/waterfall ; interaction molle → longues tâches du thread principal ; API lente → journaux de requêtes), les cibles Core Web Vitals, et des correctifs concrets pour les anti-patterns classiques — requêtes N+1, récupération de données sans bornes, index ajoutés sans lire le plan de requête (avec interprétation d'EXPLAIN ANALYZE), épuisement du pool de connexions, images non optimisées (direction artistique + bascule de résolution), re-rendus React, bundles trop gros, et cache mal fait (choix de la couche, conception de clé pour que les données d'un utilisateur ne fuient jamais vers un autre, stratégie d'invalidation unique, garde-fous contre la ruée). Sa règle la plus distinctive : vérifier avec un verdict garder-ou-annuler — « neutre » = annuler, pas garder — et journaliser chaque tentative, y compris les annulées, pour qu'une idée morte ne soit pas réessayée le trimestre prochain. Se termine par des garde-fous anti-régression : budgets synthétiques en CI plus monitoring terrain (RUM) sur la métrique que les utilisateurs ressentent vraiment. Découvert via skills.sh. Note honnête : il est orienté web/backend (exemples React, SQL, Redis, CDN) — la méthode se transfère, les idiomes se traduisent sur d'autres stacks ; et il ne vous laissera pas « optimiser » sans ligne de base, donc pas de correctifs instantanés ici, seulement des correctifs prouvés. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Non vérifié. **Install prompt EN:** ``` Prerequisites: a real app with a suspected performance problem; profiling tools (Lighthouse, Chrome DevTools Performance tab, database query logging, or APM). No API keys, no paid services — measurement tools are all free or already in your stack. Install "Performance Optimization Skill for Muse" for me. A measurement-first performance methodology: symptom-to-measurement decision tree, Core Web Vitals targets, concrete fixes for classic anti-patterns (N+1 queries, unbounded fetching, plan-less indexes, connection-pool exhaustion, unoptimized images, re-renders, bundle size, cache design and stampedes), a strict keep-or-revert verification rule with an attempt ledger, and regression guards (CI budgets + field monitoring). Repository: https://github.com/addyosmani/agent-skills/blob/main/skills/performance-optimization/SKILL.md 1. Fetch the SKILL.md file (and any helper files: references/) from the repository path into a temporary folder and summarize what it does in one or two sentences. 2. Safety check: review the SKILL.md and scripts for anything suspicious (unexpected network calls, shell commands, credential harvesting). This repo should contain zero secrets in code, credentials only via the secure vault, allowed hosts declared in the SKILL.md. Verify that holds here; STOP on any red flag and tell me. 3. Install it as a skill: copy SKILL.md and its helper files into the agent's skills directory, in a folder named "performance-optimization". 4. Verify with no network calls: frontmatter valid, files in place. 5. Report what was installed, where, and what I still need to do myself (e.g. describe what's slow so it can establish a baseline). GitHub is optional: if I have a GitHub account or the gh CLI, you may use it; otherwise public access is fine. Never require it unless it's in the prerequisites above. Rules: don't touch anything outside the temp folder and the install target. If anything looks off, stop and ask me. ``` **Install prompt FR:** ``` Prérequis : une vraie application avec un problème de performance suspecté ; des outils de profiling (Lighthouse, onglet Performance de Chrome DevTools, journalisation des requêtes de base de données, ou APM). Aucune clé API, aucun service payant — les outils de mesure sont tous gratuits ou déjà dans votre stack. Installe-moi « Skill Optimisation de Performance pour Muse ». Une méthodologie de performance mesures-d'abord : arbre de décision symptôme → mesure, cibles Core Web Vitals, correctifs concrets pour les anti-patterns classiques (requêtes N+1, récupération sans bornes, index sans plan de requête, épuisement du pool de connexions, images non optimisées, re-rendus, taille de bundle, conception de cache et ruées), une règle stricte de vérification garder-ou-annuler avec registre des tentatives, et des garde-fous anti-régression (budgets CI + monitoring terrain). Dépôt : https://github.com/addyosmani/agent-skills/blob/main/skills/performance-optimization/SKILL.md 1. Récupérez le fichier SKILL.md (et les fichiers auxiliaires : references/) depuis le chemin du dépôt dans un dossier temporaire et résumez ce qu'il fait en une ou deux phrases. 2. Contrôle de sécurité : examinez le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, récolte d'identifiants). Ce dépôt ne doit contenir aucun secret dans le code ; les identifiants passent uniquement par le coffre sécurisé, les hôtes autorisés sont déclarés dans le SKILL.md. Vérifiez que c'est bien le cas ; STOP sur le moindre signal d'alerte et prévenez-moi. 3. Installez-le comme skill : copiez SKILL.md et ses fichiers auxiliaires dans le répertoire des skills de l'agent, dans un dossier nommé « performance-optimization ». 4. Vérifiez sans appels réseau : frontmatter valide, fichiers en place. 5. Indiquez ce qui a été installé, où, et ce qu'il me reste à faire moi-même (ex. décrire ce qui est lent pour qu'il établisse une ligne de base). GitHub est optionnel : si j'ai un compte GitHub ou le CLI gh, vous pouvez l'utiliser ; sinon, l'accès public suffit. Règles : ne touchez à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrêtez et demandez-moi. ```

Version :