rendimiento-equipo mira tu computadora, Mac o Windows, antes de un render, una transcripción o un lote, y reparte el trabajo entre la CPU, la GPU, el Neural Engine y el motor de video. Lo que mide en tu equipo manda.
Primero miro el equipo con la skill rendimiento-equipo.
python3 scripts/diagnosticar.pyListoApple M4 Pro · 10 Performance + 4 Efficiency · GPU 20 · Neural Engine 16 · 24 GB presión normal · swap creciendo: no · térmico nominal
python3 scripts/perfil.py --renders 3Listo--concurrency=3 --hardware-acceleration=required --video-bitrate=12M --offthreadvideo-cache-size-in-bytes=2147483648 · frenos: ninguno
Lanzo los tres renders con el motor de video, 3 hilos y 2 GB de caché cada uno.
Elige el tuyo y la página se ajusta: el dibujo del chip, sus motores y las cifras de antes y después. Lo ves en el menú Apple, en «Acerca de esta Mac».
La skill abre de verdad cada motor de video que trae tu PC y mide si le gana al procesador. Lo que gana se guarda para tu equipo.
Instala la skill y pega este mensaje en Claude Code o Codex, en la carpeta de un video tuyo de unos 30 segundos:
Usa la skill rendimiento-equipo. Corre perfil.py --formato texto, después medir.py codificar y medir.py decodificar con mi video y --registrar, y muéstrame el resultado y el archivo mediciones.md.
Las mismas tareas en el mismo equipo, sin la skill y con ella. Baja para pasar de un estado al otro y pasa el cursor por cada fila para ver el detalle.
Mac piloto: M4 Pro de 24 GB, 27.10.2026. El swap de «después» viene de los diagnósticos posteriores, con menos procesos en marcha.
Dibujo propio en el estilo del anuncio del M4 Pro. Las zonas son aproximadas.
El esquema marca el motor al que la skill la manda. Cada cifra sale del Mac piloto o de la documentación oficial, y abajo dice cuál.
15 s de video vertical de iPhone pasados a H.264 1080×1920. La CPU trabajó 5 s en vez de 263 s. Va con bitrate fijo para que el archivo no salga más grande.
-hwaccel videotoolbox … -c:v h264_videotoolbox -b:v 12M -allow_sw 0Medido en el Mac piloto con medir.py
La skill nació el 27.10.2026, cuando medí que mi Mac codificaba video en la CPU con el motor de video ocioso. Este es el detalle de cada prueba de ese día. Pasa el cursor por cada barra para ver las cifras exactas.
HEVC de iPhone a H.264 1080×1920. Baja y sube para recorrer el tiempo.
libx2640,0 sh264_videotoolbox0,0 sCada punto es un segundo de CPU.
Rango de varias corridas.
-hwaccel videotoolbox2,4–2,6 sChrome sin ventana. Aquí perdió la GPU.
--disable-gpu11,8 sMac piloto: Apple M4 Pro, 10 núcleos de rendimiento y 4 de eficiencia, GPU de 20 núcleos, 24 GB, macOS 27.2. Pendiente: --gl=angle en Remotion. Una de dos pruebas falló con otros renders en marcha, así que no se adopta hasta medirlo en limpio.
El 29.10.2026 un usuario midió con la skill cada modelo de dictado de OpenWhispr en un MacBook Pro M5 base de 16 GB y me mandó el informe. Lo repetí en el M4 Pro piloto. Lo que salió cambió cómo la skill elige tu modelo.
Tiempo de cada modelo y, al lado, cuántas palabras erró. Menos es mejor en las dos cosas.
Bajó los candidatos a una carpeta propia, los midió con 41 s de voz y los borró. La barra es la memoria que usó cada uno al transcribir.
Ganó un modelo sin ficha pública que la skill propuso solo por ser nuevo y liviano: igual de preciso que el que usaba, con 1 GB menos. Parakeet, Orukeet y Cohere ocuparon el triple de lo que pesan en disco.
Cuántas veces más rápido va Whisper Turbo en la GPU que en el procesador.
Por eso la skill recomienda por equipo y no por chip: mira la memoria, su velocidad, la GPU y lo que hayas medido ahí.
Lo que el informe destapó y cómo quedó corregido.
Voz sintética en español, un audio por equipo, una pasada de calentamiento y la media de 3. Los errores del M5 se midieron antes de normalizar cifras. Informe completo y cómo repetirlo.
Cuatro scripts de Python sin dependencias y una consulta en Swift. El agente los corre en este orden.
diagnosticar.pyConsulta el hardware en el momento: niveles de CPU, presión de memoria, Metal, codificadores, Neural Engine y temperatura.
perfil.pyCruza el diagnóstico con lo medido y entrega comandos, frenos y un bloque para cada subagente, que no hereda skills ni contexto.
medir.pyCompara el método nuevo con el actual. Solo adopta un ganador claro: 15 % mejor como mínimo y diferencia visual menor a 2 de 255.
limpiar.pyMuestra los procesos que dejaron los agentes y, con --aplicar, los apaga por PID. Los protegidos no se tocan.
Extracto · Mac piloto, 27.10.2026$ python3 scripts/diagnosticar.py{ "huella": "64245f9fa14a", "cpu": { "marca": "Apple M4 Pro", "niveles": [ { "nombre": "Performance", "nucleos_fisicos": 10 }, { "nombre": "Efficiency", "nucleos_fisicos": 4 } ] }, "memoria": { "memsize_gb": 24.0, "presion": "normal", "swap_creciendo": false }, "gpu": { "nucleos": 20, "metal": { "familia_apple_maxima": "apple9" } }, "neural_engine": { "disponible": true, "nucleos": 16 }, "termico": "nominal", "bajo_consumo": false}
Extracto · Mac piloto, 27.10.2026$ python3 scripts/perfil.py --renders 3 --formato textoFRENOS memoria: libre | termico: libre | bajo consumo: libre FFMPEG (formula+medido) decodificar -hwaccel videotoolbox [medido (2026-10-27)] final -c:v h264_videotoolbox -b:v 12M -allow_sw 0 HDR a SDR zscale+tonemap en CPU, una sola vez por tramo REMOTION 3 render(es) pedidos, 3 en paralelo concurrencia 3 por render (nucleos para render: 10, Performance) [formula] hardware required, 12M [medido (2026-10-27)] --gl pendiente: no se pasa --gl hasta medirlo WHISPER 1 servidor, backend metal [medido (2026-10-27)]
Lo que quedó en mediciones.md$ python3 scripts/medir.py codificar --archivo toma.mov --segundos 15 --registrar ## 2026-10-27 · Codificación de video (ffmpeg) | Variante | Real (s) | CPU (s) || libx264 medium crf 20 | 22,1 | 263 || h264_videotoolbox 12M, lectura por hardware | 4,1 | 5 || h264_videotoolbox 12M, lectura en CPU | 4,6 | 21 | Decisión: VideoToolbox por defecto.Solo cambia el perfil con un ganador claro: ≥15 % mejor y diferencia <2/255.
Extracto · Mac piloto, 27.10.2026$ python3 scripts/limpiar.pyDRY-RUN (no se termino nada): 0 propio(s), 1 protegido(s), 8 en uso.protegidos (no se tocan): pid 9934 whisper-server puerto 8178 servidor de la app OpenWhispren uso (no se tocan): pid 80759 chrome-headless tiene un padre vivo: probablemente un render en curso pid 80761 chrome-headless tiene un padre vivo: probablemente un render en curso … 6 más $ python3 scripts/limpiar.py --aplicar# apaga por PID solo los propios; aquí no había ninguno
Si un freno está activo, perfil.py recomienda hacer las tareas de a una o bajar la concurrencia a la mitad. Las franjas rayadas son las que frenan.
Cada equipo tiene una huella: un hash del sistema, el chip, la memoria y los niveles de núcleos. Si cambias de Mac, la skill empieza de cero sin heredar cifras de otra máquina. Actualizar macOS no la cambia.
~/.local/share/rendimiento-equipo/
64245f9fa14a/ # huella del Mac piloto
mediciones.md # cada prueba, con su comando
perfil-medido.json # lo adoptado, con fecha
estado-memoria.json # para saber si el swap crece
Seis de las doce que el agente lee primero. Cada una viene de un error medido o de la documentación oficial.
Otro chip trae otros núcleos, niveles y nombres. La skill pregunta a sysctl, Metal, VideoToolbox y Core ML cada vez.
Con -l o -p aplica presión real al equipo y altera lo que querías medir.
En Remotion, --crf desactiva el hardware sin avisar. Sin bitrate, un video de 52 s salió con 93 MB contra 67 MB en la CPU.
Atiende una petición a la vez. Un segundo servidor no suma velocidad y carga otra copia del modelo en memoria.
Remotion reserva por defecto la mitad de la memoria disponible en cada render. Con tres a la vez se pasa de la RAM.
Por PID y solo lo que lanzó. El servidor de dictado de OpenWhispr y los procesos en uso quedan fuera siempre.
No es una app que abres tú: tu agente la usa cuando le pides un render, una transcripción o un lote. Elige cómo trabajas.
Instala la skill rendimiento-equipo. Clona https://github.com/sebaslobo22/rendimiento-equipo en la carpeta rendimiento-equipo de mi usuario, muéstrame qué hará el instalador en modo de prueba (./install.sh --prueba en Mac, .\install.ps1 -Prueba en Windows) y, si te digo que sí, ejecútalo. Al terminar, calibra este equipo con scripts/calibrar.py.
El agente descarga la skill, te enseña lo que va a enlazar y te pide permiso antes de instalarla. Luego mide tu equipo y te dice su punto dulce.
Usa la skill rendimiento-equipo para calibrar este equipo y dime qué recomienda para dictado, renders y transcripciones.
Mide tu equipo con lo que ya tiene y te dice qué modelo y qué motor usar en cada tarea, con los frenos que vea activos.
Actualiza la skill rendimiento-equipo con git pull en ~/rendimiento-equipo.
Baja la última versión. No hace falta volver a instalarla.
Desinstala la skill rendimiento-equipo con su instalador en la carpeta rendimiento-equipo de mi usuario (./install.sh --desinstalar en Mac, .\install.ps1 -Desinstalar en Windows).
Quita solo los enlaces de la skill. La carpeta ~/rendimiento-equipo queda donde está.
Copia el mensaje y pégalo en tu agente. Necesita Python 3: si macOS te pide instalar las herramientas de desarrollo de Apple, acepta.
git clone https://github.com/sebaslobo22/rendimiento-equipo.git ~/rendimiento-equipocd ~/rendimiento-equipo./install.sh
python3 ~/rendimiento-equipo/skills/rendimiento-equipo/scripts/calibrar.pypython3 ~/rendimiento-equipo/skills/rendimiento-equipo/scripts/perfil.py --formato texto
cd ~/rendimiento-equipo && git pull~/rendimiento-equipo/install.sh --desinstalargit clone https://github.com/sebaslobo22/rendimiento-equipo.git $HOME\rendimiento-equipocd $HOME\rendimiento-equipo.\install.ps1
python $HOME\rendimiento-equipo\skills\rendimiento-equipo\scripts\calibrar.pypython $HOME\rendimiento-equipo\skills\rendimiento-equipo\scripts\perfil.py --formato texto
cd $HOME\rendimiento-equipo; git pull$HOME\rendimiento-equipo\install.ps1 -DesinstalarQueda enlazada en ~/.claude/skills/ y ~/.agents/skills/. Abre una sesión nueva y pide un render o una transcripción: la skill se activa sola.
No vas a notar nada: la skill trabaja por detrás cuando le pides al agente algo pesado. Para verla en acción, pega una de estas pruebas en Claude Code o Codex.
Usa la skill rendimiento-equipo y dime qué tiene mi Mac y qué recomienda.
Te dice tu chip, sus núcleos y tu memoria, qué parte del chip conviene para video, audio y renders, y si la Mac va justa de memoria o está caliente.
Convierte este video a vertical 1080×1920.
Lo hace con el motor de video y no con la CPU. En mi Mac, 15 s de video pasaron de 22,1 s a 4,1 s. Necesita ffmpeg: si falta, el agente te avisa.
Renderiza estos 3 videos en paralelo sin que se cuelgue la Mac.
Reparte el trabajo: con un M4 Pro de 24 GB, 3 renders con 3 hilos y 2 GB de caché cada uno, y un solo servidor de Whisper.
Usa la skill rendimiento-equipo y calibra el dictado en este equipo: mide los modelos de OpenWhispr y dime cuál me conviene.
Mide en tu equipo los modelos que ya tienes y te dice cuál se equivoca menos sin cargarlo. Si faltan candidatos que podrían ganar, te pide permiso antes de bajarlos para probarlos. Nunca cambia tu OpenWhispr. En Mac o en Windows.
Si no le pides al agente nada de eso, la skill no aparece: está pensada para cuando la Mac trabaja duro.
Te sirve si usas Claude Code o Codex en una Mac con Apple Silicon para video, audio, Remotion o lotes de archivos. Si solo chateas con una IA en el navegador, no hace nada.
Cada afirmación lleva su nivel de evidencia en references/fuentes.md: oficial, del mantenedor, medida en el equipo o criterio propio.