用途：对软件代码库进行算法复杂度与性能热点分析，找出可能的高开销模式，并提出或实施不破坏现有行为的安全优化。核心规则是：只有在理解当前行为且能保留该行为时才优化，优先选择小而经过验证、带测试的改进，而非正确性不明的广泛重写。
主要能力：默认在用户要求分析、扫描、审计、审查或让出一份报告时，自动产出完整复杂度报告，无需用户指定报告字段。报告内容包括：分析范围与检测到的技术栈/测试命令、按可能影响排序的主要发现、每个发现的文件与行号、当前模式及为何可能昂贵、估计的当前复杂度、建议改动、改动后的估计复杂度、风险等级、所需测试或基准以及明确声明未修改任何文件。仅在用户明确要求实现、修复、优化、应用、变更或重构时才编辑文件。
使用方式：先建立基线，识别语言、框架、测试命令、构建命令与性能敏感路径，检查现有测试；扫描仓库时可运行：python3 scripts/analyze_complexity.py /path/to/repo --format markdown 或 --format json。扫描器覆盖 Python、JavaScript、TypeScript、JSX/TSX、Java、Go、C、C++、C#、Ruby、PHP 和 Swift 文件中的常见模式，其输出是线索而非定论。接着对机会排序，优先处理热路径、大输入路径、渲染循环、数据库/API 循环和共享工具，并区分算法复杂度与常数因子清理。优化时遵循保守原则，例如用映射/集合替换重复线性查找、用索引或分组替换嵌套扫描、在 UI 中减少不必要渲染、在数据访问中消除 N+1 行为。最后运行相关测试与类型、lint、构建命令，必要时添加微基准或测量，并报告原始复杂度、新复杂度、改动文件、运行的测试及残余风险。
适用场景：适用于需要评估性能瓶颈、审查复杂度问题或在保证行为不变前提下做受控优化的代码库。
限制：仅在数据规模足够大、复杂度确有影响时才值得优化；必须确认输出顺序、对象标识、可变性、缓存失效、去重语义以及数据库批处理的租户、权限、软删除、分页和排序约束；缓存需有有效失效策略。若测试缺失且行为不明确，应先做最小重构或询问预期行为，再改变语义。扫描器未报告时仍需手动检查已知热路径。