Ревью производительности Django

Ищет в коде на Django и DRF N+1-запросы, неограниченные querysets, недостающие индексы и запись в цикле, проверяя объём таблиц и горячие пути. Для случаев, когда тормозит view или эндпоинт либо правка касается больших таблиц.

Код-ревьюПак: Скиллы Sentry396 строкdjango-perf-review
Автор
Источник
getsentry/skills/skills/django-perf-review @ a582c51
Лицензия
Apache-2.0 · Copyright 2025 Functional Software, Inc. dba Sentry

Об этом скилле

Что делает

Ревью производительности Django от Sentry ищет проблемы ORM, которые дают о себе знать на больших объёмах данных, и сообщает только о том, что может доказать. Категорий пять, по убыванию вреда: N+1-запросы и неограниченные querysets — критический уровень, недостающие индексы и запись в цикле — высокий, мелкая неэффективность вроде count() вместо exists() — низкий, о ней почти никогда не стоит писать. В каждой категории есть правила с кодом «проблема — исправление». Для связанных полей в шаблонах и сериализаторах DRF — select_related и prefetch_related, вместо запроса на каждый SerializerMethodField — аннотации, для больших таблиц — пагинация и iterator(), для индексов — db_index и составные Meta.indexes. Циклы записи заменяются на bulk_create, bulk_update или update() и delete() на queryset.

Прежде чем сообщить о находке, агент прослеживает queryset от view до шаблона или сериализатора, ищет grep'ом уже сделанные оптимизации, проверяет размер таблицы, убеждается, что код на горячем пути, и исключает кэширование. В чек-листах заданы пороги: N+1 важен примерно с 1000 строк, неограниченные querysets и индексы — с 10 000, запись в цикле — со 100 элементов. Не прошла хоть одна проверка — находка отбрасывается, и ноль находок тоже нормальный результат. Тесты, админка, management-команды, миграции, разовые скрипты и код за выключенными флагами в отчёт не попадают. У каждой находки PERF-nnn есть блок «Validation» о том, как её проверили. В папке только SKILL.md и лицензия.

Когда включать и когда не надо

Для кода на Django или DRF с медленными списками и эндпоинтами и перед мержем view, сериализаторов и моделей, которые работают с большими таблицами.

Скилл только читает код: не профилирует, не запускает EXPLAIN и ничего не замеряет. Вне ORM Django правил у него нет.

Как поставить и вызвать

Команда установки ниже скачивает папку. Агент сам подхватывает скилл по описанию, когда его просят проверить производительность Django или найти N+1-запросы. Вызвать вручную:

  • Claude Code: /django-perf-review или попросить скилл по имени.
  • Codex: $django-perf-review.
  • Cursor: наберите / в чате Agent и выберите django-perf-review.

Пример: /django-perf-review Список /orders/ отваливается по таймауту у крупных клиентов. Найди подтверждённые N+1 или неограниченные запросы.

Чем отличается от похожих

Ревью производительности из нашего каталога подходит для любого стека и фронтенда, оценивает стоимость вызовов и перечисляет замеры, которые нужно сделать. Ревью SQL-запросов работает с самим SQL через EXPLAIN и сначала проверяет правильность, потом скорость. Ревью доступа в Django читает те же view и сериализаторы, но ищет ошибки авторизации, а не медленные места. Оптимизация производительности, наоборот, опирается на замеры: базовый замер, одно исправление доказанного узкого места, повторный замер и откат, если выигрыш не вышел за пределы шума.

Установка

Выполните одну команду — она сохранит SKILL.md и файлы, которые он использует, в папку скиллов агента. Claude Code и Codex подхватывают новый скилл без перезапуска; если скилл не появился, перезапустите агента.

Скилл написан на английском — агент поймёт его и ответит вам по-русски.

Claude Code — macOS, Linux
curl -fsSL --create-dirs -o ~/.claude/skills/django-perf-review/SKILL.md https://anymodel.org/en/skills/sentry/django-perf-review/SKILL.md -o ~/.claude/skills/django-perf-review/LICENSE https://anymodel.org/en/skills/sentry/django-perf-review/LICENSE
Codex, Cursor — macOS, Linux
curl -fsSL --create-dirs -o ~/.agents/skills/django-perf-review/SKILL.md https://anymodel.org/en/skills/sentry/django-perf-review/SKILL.md -o ~/.agents/skills/django-perf-review/LICENSE https://anymodel.org/en/skills/sentry/django-perf-review/LICENSE
Claude Code — Windows PowerShell
foreach ($f in 'SKILL.md','LICENSE') { $p = Join-Path "$HOME\.claude\skills\django-perf-review" $f; New-Item -ItemType Directory -Force (Split-Path $p) | Out-Null; Invoke-WebRequest "https://anymodel.org/en/skills/sentry/django-perf-review/$f" -UseBasicParsing -OutFile $p }
Codex, Cursor — Windows PowerShell
foreach ($f in 'SKILL.md','LICENSE') { $p = Join-Path "$HOME\.agents\skills\django-perf-review" $f; New-Item -ItemType Directory -Force (Split-Path $p) | Out-Null; Invoke-WebRequest "https://anymodel.org/en/skills/sentry/django-perf-review/$f" -UseBasicParsing -OutFile $p }

Другой агент: сохраните файл в его папку скиллов или дайте ему ссылку на файл: https://anymodel.org/en/skills/sentry/django-perf-review/SKILL.md

SKILL.md

Исходник

Django Performance Review

Review Django code for validated performance issues. Research the codebase to confirm issues before reporting. Report only what you can prove.

Review Approach

  1. Research first - Trace data flow, check for existing optimizations, verify data volume
  2. Validate before reporting - Pattern matching is not validation
  3. Zero findings is acceptable - Don't manufacture issues to appear thorough
  4. Severity must match impact - If you catch yourself writing "minor" in a CRITICAL finding, it's not critical. Downgrade or skip it.

Impact Categories

Issues are organized by impact. Focus on CRITICAL and HIGH - these cause real problems at scale.

Priority Category Impact
1 N+1 Queries CRITICAL - Multiplies with data, causes timeouts
2 Unbounded Querysets CRITICAL - Memory exhaustion, OOM kills
3 Missing Indexes HIGH - Full table scans on large tables
4 Write Loops HIGH - Lock contention, slow requests
5 Inefficient Patterns LOW - Rarely worth reporting

Priority 1: N+1 Queries (CRITICAL)

Impact: Each N+1 adds O(n) database round trips. 100 rows = 100 extra queries. 10,000 rows = timeout.

Validate by tracing: View → Queryset → Template/Serializer → Loop access

# PROBLEM: N+1 - each iteration queries profile
def user_list(request):
    users = User.objects.all()
    return render(request, 'users.html', {'users': users})

# Template:
# {% for user in users %}
#     {{ user.profile.bio }}  ← triggers query per user
# {% endfor %}

# SOLUTION: Prefetch in view
def user_list(request):
    users = User.objects.select_related('profile')
    return render(request, 'users.html', {'users': users})

Rule: Prefetch in serializers, not just views

DRF serializers accessing related fields cause N+1 if queryset isn't optimized.

# PROBLEM: SerializerMethodField queries per object
class UserSerializer(serializers.ModelSerializer):
    order_count = serializers.SerializerMethodField()

    def get_order_count(self, obj):
        return obj.orders.count()  # ← query per user

# SOLUTION: Annotate in viewset, access in serializer
class UserViewSet(viewsets.ModelViewSet):
    def get_queryset(self):
        return User.objects.annotate(order_count=Count('orders'))

class UserSerializer(serializers.ModelSerializer):
    order_count = serializers.IntegerField(read_only=True)

Rule: Model properties that query are dangerous in loops

# PROBLEM: Property triggers query when accessed
class User(models.Model):
    @property
    def recent_orders(self):
        return self.orders.filter(created__gte=last_week)[:5]

# Used in template loop = N+1

# SOLUTION: Use Prefetch with custom queryset, or annotate

Validation Checklist for N+1

  • Traced data flow from view to template/serializer
  • Confirmed related field is accessed inside a loop
  • Searched codebase for existing select_related/prefetch_related
  • Verified table has significant row count (1000+)
  • Confirmed this is a hot path (not admin, not rare action)

Priority 2: Unbounded Querysets (CRITICAL)

Impact: Loading entire tables exhausts memory. Large tables cause OOM kills and worker restarts.

Rule: Always paginate list endpoints

# PROBLEM: No pagination - loads all rows
class UserListView(ListView):
    model = User
    template_name = 'users.html'

# SOLUTION: Add pagination
class UserListView(ListView):
    model = User
    template_name = 'users.html'
    paginate_by = 25

Rule: Use iterator() for large batch processing

# PROBLEM: Loads all objects into memory at once
for user in User.objects.all():
    process(user)

# SOLUTION: Stream with iterator()
for user in User.objects.iterator(chunk_size=1000):
    process(user)

Rule: Never call list() on unbounded querysets

# PROBLEM: Forces full evaluation into memory
all_users = list(User.objects.all())

# SOLUTION: Keep as queryset, slice if needed
users = User.objects.all()[:100]

Validation Checklist for Unbounded Querysets

  • Table is large (10k+ rows) or will grow unbounded
  • No pagination class, paginate_by, or slicing
  • This runs on user-facing request (not background job with chunking)

Priority 3: Missing Indexes (HIGH)

Impact: Full table scans. Negligible on small tables, catastrophic on large ones.

Rule: Index fields used in WHERE clauses on large tables

# PROBLEM: Filtering on unindexed field
# User.objects.filter(email=email)  # full scan if no index

class User(models.Model):
    email = models.EmailField()  # ← no db_index

# SOLUTION: Add index
class User(models.Model):
    email = models.EmailField(db_index=True)

Rule: Index fields used in ORDER BY on large tables

# PROBLEM: Sorting requires full scan without index
Order.objects.order_by('-created')

# SOLUTION: Index the sort field
class Order(models.Model):
    created = models.DateTimeField(db_index=True)

Rule: Use composite indexes for common query patterns

class Order(models.Model):
    user = models.ForeignKey(User)
    status = models.CharField(max_length=20)
    created = models.DateTimeField()

    class Meta:
        indexes = [
            models.Index(fields=['user', 'status']),  # for filter(user=x, status=y)
            models.Index(fields=['status', '-created']),  # for filter(status=x).order_by('-created')
        ]

Validation Checklist for Missing Indexes

  • Table has 10k+ rows
  • Field is used in filter() or order_by() on hot path
  • Checked model - no db_index=True or Meta.indexes entry
  • Not a foreign key (already indexed automatically)

Priority 4: Write Loops (HIGH)

Impact: N database writes instead of 1. Lock contention. Slow requests.

Rule: Use bulk_create instead of create() in loops

# PROBLEM: N inserts, N round trips
for item in items:
    Model.objects.create(name=item['name'])

# SOLUTION: Single bulk insert
Model.objects.bulk_create([
    Model(name=item['name']) for item in items
])

Rule: Use update() or bulk_update instead of save() in loops

# PROBLEM: N updates
for obj in queryset:
    obj.status = 'done'
    obj.save()

# SOLUTION A: Single UPDATE statement (same value for all)
queryset.update(status='done')

# SOLUTION B: bulk_update (different values)
for obj in objects:
    obj.status = compute_status(obj)
Model.objects.bulk_update(objects, ['status'], batch_size=500)

Rule: Use delete() on queryset, not in loops

# PROBLEM: N deletes
for obj in queryset:
    obj.delete()

# SOLUTION: Single DELETE
queryset.delete()

Validation Checklist for Write Loops

  • Loop iterates over 100+ items (or unbounded)
  • Each iteration calls create(), save(), or delete()
  • This runs on user-facing request (not one-time migration script)

Priority 5: Inefficient Patterns (LOW)

Rarely worth reporting. Include only as minor notes if you're already reporting real issues.

Pattern: count() vs exists()

# Slightly suboptimal
if queryset.count() > 0:
    do_thing()

# Marginally better
if queryset.exists():
    do_thing()

Usually skip - difference is <1ms in most cases.

Pattern: len(queryset) vs count()

# Fetches all rows to count
if len(queryset) > 0:  # bad if queryset not yet evaluated

# Single COUNT query
if queryset.count() > 0:

Only flag if queryset is large and not already evaluated.

Pattern: get() in small loops

# N queries, but if N is small (< 20), often fine
for id in ids:
    obj = Model.objects.get(id=id)

Only flag if loop is large or this is in a very hot path.


Validation Requirements

Before reporting ANY issue:

  1. Trace the data flow - Follow queryset from creation to consumption
  2. Search for existing optimizations - Grep for select_related, prefetch_related, pagination
  3. Verify data volume - Check if table is actually large
  4. Confirm hot path - Trace call sites, verify this runs frequently
  5. Rule out mitigations - Check for caching, rate limiting

If you cannot validate all steps, do not report.


Output Format

## Django Performance Review: [File/Component Name]

### Summary
Validated issues: X (Y Critical, Z High)

### Findings

#### [PERF-001] N+1 Query in UserListView (CRITICAL)
**Location:** `views.py:45`

**Issue:** Related field `profile` accessed in template loop without prefetch.

**Validation:**
- Traced: UserListView → users queryset → user_list.html → `{{ user.profile.bio }}` in loop
- Searched codebase: no select_related('profile') found
- User table: 50k+ rows (verified in admin)
- Hot path: linked from homepage navigation

**Evidence:**
```python
def get_queryset(self):
    return User.objects.filter(active=True)  # no select_related

Fix:

def get_queryset(self):
    return User.objects.filter(active=True).select_related('profile')

If no issues found: "No performance issues identified after reviewing [files] and validating [what you checked]."

**Before submitting, sanity check each finding:**
- Does the severity match the actual impact? ("Minor inefficiency" ≠ CRITICAL)
- Is this a real performance issue or just a style preference?
- Would fixing this measurably improve performance?

If the answer to any is "no" - remove the finding.

---

## What NOT to Report

- Test files
- Admin-only views
- Management commands
- Migration files
- One-time scripts
- Code behind disabled feature flags
- Tables with <1000 rows that won't grow
- Patterns in cold paths (rarely executed code)
- Micro-optimizations (exists vs count, only/defer without evidence)

### False Positives to Avoid

**Queryset variable assignment is not an issue:**
```python
# This is FINE - no performance difference
projects_qs = Project.objects.filter(org=org)
projects = list(projects_qs)

# vs this - identical performance
projects = list(Project.objects.filter(org=org))

Querysets are lazy. Assigning to a variable doesn't execute anything.

Single query patterns are not N+1:

# This is ONE query, not N+1
projects = list(Project.objects.filter(org=org))

N+1 requires a loop that triggers additional queries. A single list() call is fine.

Missing select_related on single object fetch is not N+1:

# This is 2 queries, not N+1 - report as LOW at most
state = AutofixState.objects.filter(pr_id=pr_id).first()
project_id = state.request.project_id  # second query

N+1 requires a loop. A single object doing 2 queries instead of 1 can be reported as LOW if relevant, but never as CRITICAL/HIGH.

Style preferences are not performance issues: If your only suggestion is "combine these two lines" or "rename this variable" - that's style, not performance. Don't report it.

Подключить через AnyModel API

Скилл работает на той модели, которую использует агент. Подключите Claude Code, Codex или Cursor к AnyModel и запускайте его на Claude, GPT, Gemini и других моделях по одному ключу — оплата за токены, без подписки.

Ещё из пака Скиллы Sentry

AGENTS.md и CLAUDE.md для проекта

Делает короткий AGENTS.md до 60 строк: команды, соглашения и ссылки на документы репозитория, с проверкой путей, а CLAUDE.md превращает в ссылку на него. Для случаев, когда агенту нужны инструкции по проекту или старый файл разросся и устарел.

Аудит настроек Claude Code

Делает список разрешений для settings.json в Claude Code: по стеку репозитория подбирает только читающие команды нужных инструментов, домены документации и MCP Sentry или Linear. Для случаев, когда настраиваете или проверяете разрешения Claude Code.

Код-ревью по практикам Sentry

Делает ревью изменения по правилам Sentry: ошибки выполнения, производительность и N+1, побочные эффекты, совместимость, безопасность, архитектура и тесты, с вежливым тоном и одобрением при мелочах. Для случаев, когда нужно отревьюить PR или ветку.

Упрощение и выравнивание кода

Делает недавно изменённый код проще, не меняя поведения: меньше вложенности, без вложенных тернарников, понятные имена, без лишних абстракций, по соглашениям из CLAUDE.md. Для случаев, когда код работает, но читается тяжелее, чем нужно.

Коммиты в формате Conventional Commits

Делает коммиты в стиле Sentry по Conventional Commits: ветка вместо main, тема с типом до 70 символов с заглавной буквы, подвал Fixes или Refs, без персональных данных. Для случаев, когда нужно закоммитить или составить сообщение коммита.

Ревью доступа в Django

Делает ревью контроля доступа в Django и DRF: разбирает модель авторизации, прослеживает каждый эндпоинт от ID до запроса и сообщает только подтверждённые дыры с исправлением в коде. Для случаев, когда проверяете IDOR, права или изоляцию тенантов.

Поиск багов в изменениях ветки

Проверяет коммиты текущей ветки на дыры в безопасности, баги и проблемы качества по чек-листу из одиннадцати пунктов и выдаёт подтверждённые находки с файлом, строкой, уровнем и исправлением, не трогая код. Для случаев, когда нужен проход перед PR.

Ревью безопасности GitHub Actions

Ищет в воркфлоу GitHub Actions атаки, доступные постороннему без прав на запись: pwn request, инъекции через выражения, команды из комментариев, кражу токенов, подмену конфигов агентов. Для случаев, когда проверяют безопасность CI или меняют воркфлоу.

Доводка PR до зелёного CI

Доводит открытый PR до зелёного: чинит упавший CI и важные замечания ревью, проверяет локально, коммитит, пушит и повторяет, а на одобрении человека или черновике останавливается. Для случаев, когда PR красный или ждёт разбора комментариев.

Заголовок и описание PR

Пишет или обновляет заголовок PR в формате Sentry и короткое описание для ревьюеров без шаблонных разделов и логов тестов, затем открывает черновик или правит PR. Для случаев, когда открывают PR или новые коммиты поменяли его объём.

Оптимизация промптов

Пишет, чинит или переносит системные промпты и промпты агентов по небольшому набору тестов: сравнивает варианты на одних случаях и проверяет лучший на отложенных. Для случаев, когда промпт ненадёжен, переезжает на другую модель или ему нужны тесты.

Утечки секретов через сериализацию

Находит секреты, которые утекают, когда секретное поле в dataclass, модели pydantic или объекте JS встречает код, пишущий объекты целиком в логи или спаны; вторую половину ищет по всему репозиторию. Для случаев, когда изменение добавляет такое поле или код.

SECURITY_MODEL.md для инструментов ревью

Делает SECURITY_MODEL.md: описывает для инструментов ревью безопасности доступность системы, инварианты, классы находок и подтверждённые владельцем исключения. Для случаев, когда репозиторий готовят к автоматическому ревью безопасности.

Проверка скиллов на угрозы

Проверяет скилл до установки: статический скан на промпт-инъекции, скрытые символы, секреты, опасные скрипты и ловушки в структуре, затем разбор намерений и прав с вердиктом. Для случаев, когда скилл взят из чужого источника.

Скиллы по спецификации Agent Skills

Пишет и дорабатывает скиллы по процессу Sentry: источники с происхождением, самая простая форма исполнения, SPEC.md и SOURCES.md, проверка точности после правок и структурный валидатор. Для случаев, когда скилл будет поддерживать команда.

Ревью безопасности от Sentry

Ищет в файле, диффе или компоненте эксплуатируемые уязвимости по справочникам OWASP, изучает кодовую базу до вывода и сообщает только о находках с входом от атакующего. Для случаев, когда нужно ревью безопасности без шума.