用途：提供一套系统化的性能剖析与优化流程，供 AI 在执行性能任务时参考。核心原则是“不要优化未测量过的东西”，几乎所有“显而易见”的优化都是错的。
主要能力：按七步协议推进——定义“足够快”的目标（当前指标 p50/p95/p99、目标 SLO/SLA、差距）；测量基线（按语言选用剖析器，如 Node.js 用 node --prof、clinic.js、0x，Python 用 cProfile、py-spy，Go 用 pprof，Rust 用 cargo flamegraph，CLI 用 hyperfine，HTTP 用 wrk、k6、vegeta）；分析火焰图与 top 消耗（自身时间、总时间、调用次数，做帕累托检查）；形成优化假设（识别 O(n²)、热路径同步 I/O、循环内分配、重复计算、锁竞争、N+1 等瓶颈类别）；一次只改一处并复测；验证无回归（跑全量测试与更广基准）；记录基线、改动、新指标、加速比与根因。
分层优化手册：前端关注 LCP<2.5s、FID/INP<100ms、CLS<0.1，可用懒加载、WebP/AVIF、路由与组件代码分割、防抖节流、useMemo、缓存头与字体预加载；后端处理 N+1、缺失索引、无界查询、热路径同步阻塞、热数据缓存；数据库用 EXPLAIN ANALYZE 判断 Seq Scan 与 Index Scan，并按查询模式选 B-tree、GIN/GiST 等索引；缓存按浏览器、CDN、应用层设定 TTL 与失效策略；内存泄漏按未清理监听器、闭包引用、无限增长集合、悬挂定时器分类修复。
适用场景：前后端与数据库性能瓶颈定位、Core Web Vitals 优化、查询与缓存调优、内存泄漏排查。
限制：资料未提供具体安装命令、收费方式与平台支持信息；若剖析呈平坦分布或目标需 10 倍提速，单点优化无法弥合，需架构级变更（算法、分层、数据结构、运行时）。