用途：在代码库中定位算法复杂度热点，输出结构化报告；仅在用户明确使用 implement、fix、optimize、apply 等动词时，才实施低风险优化。不适用于冷路径微优化、内存调优或与复杂度无关的风格重构。
主要能力：工作流为基线→排序→验证行为→优化（需用户选择）→验证。识别低效循环、嵌套迭代、N+1 查询、循环内排序、渲染路径重复计算等，区分算法级优化与常数因子清理。
使用方式：先用扫描器获取线索：python3 scripts/analyze_complexity.py /path/to/repo --format markdown，支持 --format json；PR 场景可用 --changed-only --base origin/main。Python 采用 AST 分析，精度较高；其他语言基于正则与缩进、函数边界启发式，结果需人工确认。报告仅请求时自动生成，包含范围、检测到的技术栈与测试命令、按影响排序的发现、文件与行号、当前模式与复杂度估计、建议改动与改动后复杂度、风险等级、所需测试或基准，并声明未修改文件。
优化前需确认数据规模足以体现复杂度差异，并保留输出顺序、可变性、引用共享、缓存失效、权限与分页等约束；编辑后先跑最相关测试，再跑构建、lint 与类型检查，必要时添加基准对比。若测试失败，可用 git restore <file> 或 git restore -SW <file> 回滚并确认恢复。
限制：扫描器只提供线索而非证明；无发现时仍需人工检查热点路径。退出码：0 成功，2 输入错误，3 无匹配文件，130 中断。费用、平台与具体效果暂未提供。