用途：在需要让 Python 或 Rust 代码更快、优化慢函数或热循环、排查性能瓶颈，或决定是否向量化时使用。核心原则是每次优化都是假设，只有基准测试能证实；不测量就不优化，不保留无法改善可信基准的改动，且每次改动都重新校验正确性。
主要能力：提供一套分阶段工作流。阶段0判断优化是否必要，明确目标与瓶颈证据；阶段1刻画负载，列出输入维度、典型值与最大值，判断受 CPU、内存带宽还是 IO/延迟限制；阶段2针对主导维度设计复杂度与手段，如 Python 侧 NumPy/Polars 向量化、Numba、Rust/PyO3，或数据并行、异步并发；阶段3先建正确性对照与参数化基准并记录基线；阶段4用剖析定位热点，单次改动后重测并复验正确性，循环至收益递减。
使用方式：按清单逐项填写，先保留朴素实现作为正确性对照，用 timeit、pytest-benchmark 或 criterion 建立基准，Python 用 pyinstrument、Rust 用 samply/flamegraph 剖析，编译改动可用 cargo-show-asm 验证向量化或内联。
适用场景：优化慢函数、热循环、批处理与数值计算，判断向量化或并行化是否值得。
限制：资料未提供具体安装命令、平台矩阵细节与收费信息；perf/callgrind 仅限 Linux 的说明来自资料，其余工具细节需参考其 tools.md。