Files

Davide Grilli 9a0a170799 feat(skills): add local python-to-c-efficiency skill with modular C scaffold

add local Codex skill for Python->C performance-focused translation

define modular C architecture and benchmark/correctness gates

add references for patterns, profiling, and module design

add scaffold_c_module.py to generate include/src/tests/bench skeleton

update agent default prompt for benchmark-backed optimizations

2026-03-30 00:08:14 +02:00

1.6 KiB

Raw Blame History

Compilazione, Profiling e Benchmark

1) Profili build consigliati

Debug (correttezza e sicurezza)

gcc -O0 -g3 -fsanitize=address,undefined -fno-omit-frame-pointer -Wall -Wextra -Wpedantic src/*.c tests/*.c -o app_debug

Usare questo profilo per trovare UB, out-of-bounds e bug di lifetime.

Release (throughput)

gcc -O3 -march=native -flto -fno-semantic-interposition -DNDEBUG -Wall -Wextra src/*.c -o app_release

Confrontare anche con clang sullo stesso workload.

Release + PGO (opzionale su workload stabile)

gcc -O3 -fprofile-generate src/*.c -o app_pgo_gen
./app_pgo_gen <input-realistico>
gcc -O3 -fprofile-use -fprofile-correction src/*.c -o app_pgo

Applicare PGO solo quando il dataset di training è rappresentativo.

2) Misurazione minima

Tempo e memoria

/usr/bin/time -v ./app_release

Benchmark ripetibile

hyperfine --warmup 3 --runs 20 'python3 script.py' './app_release'

Bloccare input, CPU governor e carico macchina durante le run.

3) Profiling CPU

perf stat ./app_release
perf record -g ./app_release
perf report

Usare perf report per confermare hotspot reali prima di ottimizzare.

4) Interpretazione pratica

Ridurre prima complessità algoritmica.
Ottimizzare poi memoria/cache.
Applicare infine micro-ottimizzazioni (inline, branch hints, unrolling) solo se misurate.

5) Gate di accettazione

Nessun errore sanitizer in debug.
Equivalenza output su dataset di regressione.
Speedup ripetibile su target reale.
Metriche e flag compiler documentati nel risultato.

1.6 KiB Raw Blame History