用途：把 AI 当作自主性能工程师，针对用户指定代码（某函数、模块或基准套件）反复做测量、火焰图分析、修改、复测、对比，直到无明显收益或用户叫停。适用指标含 CPU 时间（默认）、内存、walltime。
主要能力：通过 CodSpeed CLI 与 MCP 工具（compare_runs 对比运行、query_flamegraph 定位热点、list_runs/get_run/list_repositories 查找基线与运行 ID）获得唯一权威性能数据；按自耗时排序函数，识别可消除计算、算法改进、热循环分配、类型转换、libm 调用、冗余内存初始化、缓存局部性等优化点；一次只改一处并运行现有测试保正确性；用墙钟模式（walltime）验证，避免模拟模式下幻影收益。
必要用法：基准必须先经 CodSpeed 运行，禁止直接跑 cargo bench、pytest-benchmark、go test -bench 等原始基准。无基准时先停止优化并调用 setup-harness 技能创建；需 codspeed auth login 认证。常用命令示例：cargo codspeed build -m simulation、codspeed run -m simulation -- <bench_command>、codspeed exec -m simulation -- <command>，验证时改 -m walltime。Rust 用 cargo codspeed，Python 用 pytest-codspeed，Go 用 go test -bench，Node.js 支持 vitest/tinybench/benchmark.js，C/C++ 用 Google Benchmark 与 valgrind-codspeed，任意语言可用 exec harness 或 codspeed.yml。
适用场景：已有可运行基准、需要基于数据而非直觉做性能优化的项目；聚焦热点函数、提升特定基准或减少分配与内存开销。
限制：模拟模式不测系统调用，此类瓶颈需用 walltime；无基准、未认证或环境不支持时须请用户排障，不得绕过 CodSpeed；架构级改动需用户批准；单次收益低于 1–2% 通常应停止。具体收费、价格与平台信息暂未提供。