用途：分析 DAG 工作流的执行性能，采集指标、检测瓶颈并生成优化建议。
主要能力：
- 指标采集：记录执行延迟、Token 消耗、成本与资源使用情况。
- 瓶颈检测：识别慢节点、关键路径、资源争用与低效环节。
- 优化建议：提出并行化、缓存、模型选择与去冗余建议。
- 成本分析：按节点统计成本，计算总执行成本，预测规模化成本并比较执行策略。
关键指标结构：采集节点级 duration、waitTime、executionTime、tokens、cost、toolCalls 与 retries；聚合后得到 totalDuration、totalTokens、totalCost、parallelizationEfficiency、criticalPathDuration 与 resourceUtilization。
通过内置定价表按模型估算成本，示例定价（每 1K Token）： 'haiku': { input: 0.00025, output: 0.00125 }, 'sonnet': { input: 0.003, output: 0.015 }, 'opus': { input: 0.015, output: 0.075 }
检测逻辑：执行时间超过均值 2 倍标记为慢节点；Token 超过均值 3 倍标记高用量；retries ≥ 2 标记重试过多；工具调用超过 1000ms 标记工具延迟；waitTime 大于 executionTime 标记依赖等待。输出按影响度排序的瓶颈列表。
优化生成：并行化效率低于 0.5 时建议并行化；opus 占比超过 30% 时建议模型降级；平均输入 Token 超过 4000 时建议压缩上下文；存在顺序瓶颈时建议重构 DAG。
使用方式：以执行追踪为输入，输出包含 profileId、traceId、dagId、摘要、指标、节点明细、瓶颈、优化项与可视化文本的性能报告。资料未提供安装命令或调用命令。
集成：输入来自 dag-execution-tracer，失败指标输出给 dag-failure-analyzer，优化建议输出给 dag-task-scheduler，模式输出给 dag-pattern-learner。
适用场景：分析 DAG 工作流的执行效率与成本，定位慢节点和依赖等待，评估模型选择是否合理。
限制：资料未说明具体部署方式、支持平台、真实计费口径与实测效果；成本为基于内置定价的估算，仅供参考。