用途：为五类常见循环变换提供“手写还是交给编译器”的决策规则，核心价值在于识别哪些手工优化是冗余的（编译器已做）、哪些是有害的（破坏向量化或误导基准测试）。
主要能力与决策规则：先剖析，profiler 未证明是热点循环就不要优化。在 C/C++/Rust 中，循环不变量外提（LICM）和强度削减在 -O2/-O3 下自动执行，手工写法冗余；展开也交给编译器，虽非默认开启（GCC 需 -funroll-loops），但收益判断由编译器掌握，手工展开常破坏自动向量化。若循环无法向量化，先修别名（restrict / restrict）和循环形状，用优化报告确认（-fopt-info-vec-missed、-Rpass-missed=loop-vectorize），最后才用 intrinsics 并接受可移植性代价。仍值得手写的变换：编译器遗漏的显式 SIMD、循环融合（防寄存器与缓存压力）、多累加器展开以打断编译器合法上不会重排的浮点归约链。Python 手段是外提不变量、用 NumPy 向量化、用 numexpr/Numba 融合；不要手工展开或强度削减，其瓶颈是字节码分发。
无分支化：独立于上述五类变换，编译器不会自动做，因为把条件 push 改为无条件存储加条件索引推进改变了写入内存，LLVM 无法作为保语义变换应用。其杠杆是分支误预测（每次约 15-20 周期），可预测分支无需处理。适用条件是谓词接近随机且最坏情况有害；当选择性稳定偏斜或输入已排序/聚簇时应跳过。它让开销与数据无关，而非更快：50% 最坏情况约快 4 倍，1% 最好情况约慢 2 倍。代价是输出缓冲区按全长分配，且可读性变差，增加维护成本。
两个陷阱：合成基准陷阱（在小而合成的输入上验证的微优化在生产数据上可能反而更慢，应在生产分布数据上用优化屏障基准测试）；“已生成不等于已执行”（自动向量化会静默失败，需用代码生成或优化报告确认，而非看源码）。
适用场景：审查热点循环中出现手工展开、移位代替乘法、定制 SIMD 时；编写已被剖析证明热点的循环时；反驳某个循环微优化“更快”的说法时。限制：循环未被 profiler 证明为热点则不该用；架构级性能问题应查 pensive:architecture-review；复杂度热点（O(n^2)）应查 pensive:performance-review。每个加速声明都需在生产分布数据上有基准证据。URL：https://www.skills.sh/athola/claude-night-market/loop-optimization