用途：用于即将优化代码、被要求提速、评估“X比Y快”的说法，或编写与阅读基准测试时。核心是把Knuth的规则理解完整：不凭直觉优化非关键代码，同时要找出并修复关键的那部分；而判断关键所在要靠测量，不应先验猜测。
主要能力与要点：
- 先分析再改：用Amdahl定律说明整体加速受目标代码占运行时间比例限制，未测量时大多数优化只是在无关代码上白费力气。
- 区分宏观与微观：算法、数据结构、I/O与查询形态、缓存、批处理属于宏观层面，收益可达数量级；运算符替换、循环技巧等微观调整只影响常数因子，仅值得用在分析器确认的热点上。
- 优化循环：复现问题、记录基线、先取宏观收益、用分析器定位热点、最后逐一微优化并测量，达到预算即停止。若任务有明确实时或吞吐硬指标，按指标设计不算过早优化。
- 诚实基准：处理预热/JIT、死代码消除、真实输入规模、噪声（频率调节、节流、同机进程）；延迟敏感场景报告p50/p95/p99而非均值。
- 设计期决策：数据布局与模式、N+1与批量查询、同步与流式、运行时选择等决定性能上限，应在决策成本低时用已知成本估算，而非指望日后再分析。边界是允许设计层面的渐近与I/O推理，不允许在测量前做行级微调。
必要用法：资料给出检查清单——是否有可复现问题与基线数字；目标代码占运行时间比例是否经分析确认；是否存在数据结构或算法级修复；基准是否经得起预热、死代码、输入真实性与噪声检验并报告百分位；是否属于架构决策；是否用未测量的速度换取可读性。资料仅含Python片段示范，未提供安装命令或运行方式。限制：未说明适用语言、代理平台、工具有效性或收费信息。