perf-profiling 是一份以 AI 消费为目标编写的性能分析与优化参考技能说明,用于在 Claude 等 AI 执行任务时被读取和使用。它的核心规范是:不要优化尚未测量的内容,因为几乎所有的“显而易见”的优化都是错误的。
用途与流程:该技能定义了七个步骤的协议。第一步是定义“足够快”,即明确当前指标(p50、p95、p99 延迟、MB 内存、% CPU)、目标指标(SLO/SLA 或用户期望)以及两者之间的差距;如果没有目标,应先向用户询问,而不是无目标地反复打磨。第二步是测量基线,按语言和场景选择合适的剖析器,例如 Node.js 使用 node --prof、clinic.js、0x,浏览器 JavaScript 使用 Chrome DevTools Performance,Python 使用 cProfile、py-spy、memory_profiler,Go 使用内置 pprof,Rust 使用 cargo flamegraph、perf,CLI 使用 hyperfine,HTTP 使用 wrk、k6、vegeta;要求在真实负载下至少采集 30–60 秒,以覆盖长尾事件。第三步是分析火焰图或主要消耗点,按自身时间、总时间和调用次数找出前三名函数,并做帕累托检查:如果顶部函数占 50% 以上时间就是优化目标,如果时间均匀分散在 100 个函数上则说明可能需要架构变更。第四步是形成优化假设,阅读代码弄清瓶颈在做什么、为什么慢(算法、I/O、内存分配、锁竞争、缓存未命中),并给出常见瓶颈类别与对应修复:大 n 下的 O(n²) 改为 O(n log n) 或 O(n)、热路径中的同步 I/O 改为异步/批量/移除、循环中分配改为预分配或对象池、重复计算改为记忆化或缓存、锁竞争改为无锁结构/分片/不可变数据、大对象序列化改为流式/惰性字段/列式格式、数据库 N+1 改为连接/预取/dataloader、冷缓存或页错误改为预热/预取/局部性。第五步是一次只实施一处改动并重新测量同一负载,如果对目标瓶颈改进不足 10% 就应回退并尝试下一个假设。第六步是验证没有其他回归,包括运行完整测试套件确认正确性,以及更广泛的基准测试确认内存、吞吐量、p99 等指标未退化。第七步是记录基线指标、所做改动、新指标、加速倍数以及改动有效的根因。
主要能力与覆盖层:该技能给出按层组织的优化剧本。前端部分以 Core Web Vitals 为目标(LCP < 2.5s、FID/INP < 100ms、CLS < 0.1),列出首屏以下图片使用 loading="lazy" 并提供 WebP/AVIF、路由和组件代码拆分 lazy(() => import(...)) 以减少首屏 JS、对滚动/缩放/输入等高频处理器做防抖节流、对昂贵重计算使用 useMemo/记忆化避免重渲染风暴、为静态资源设置缓存头并预加载关键字体。后端部分列出 N+1 查询、缺失索引、无界查询、热路径同步阻塞、热点数据未缓存等问题的修复方式。数据库部分要求对慢查询运行 EXPLAIN ANALYZE,识别 Seq Scan 与 Index Scan,并按访问模式匹配索引类型:精确匹配和范围用 B-tree,全文检索用 GIN/GiST,JSON 包含用 GIN。缓存部分按浏览器(静态资源,小时到天)、CDN(API 响应,分钟到小时)、应用(计算/热点数据,秒到分钟)给出典型 TTL 和基于时间、事件或版本号的失效策略,并提醒只在测量收益大于内存与失效成本时才缓存。内存泄漏部分列出未清理的事件监听、保留闭包、不断增长的集合、悬空定时器及其修复方式。
使用方式与限制:该技能以“规则 + 协议 + 修复菜单”的形式组织,供 AI 在性能任务中按步骤读取与执行,并附有输出格式模板,要求报告基线、目标、差距、瓶颈及占比、根因、所施加的单处优化、优化后指标、加速倍数、正确性验证和更广泛影响。它还给出反模式清单:未测量先微优化、优化冷代码、过早异步、全量缓存、单次基准运行、孤立微基准。当剖析显示分布平坦或目标要求 10 倍提速时,应转向架构级改造,如更换算法、把工作移到不同层级、更换数据结构或更换运行时,这些属于架构决策。该技能与 self-consistency、tree-of-thoughts、verification、/check 命令和 simplicity-over-complexity 等规则存在关联。该资料未提供安装命令、可执行代码或具体产品化能力,相关安装与运行方式暂未提供;适用场景为 AI 辅助的前端、后端、数据库、缓存和内存性能剖析与优化,不适用于需要现成工具封装或托管服务的场景。