用途
本技能用于端到端优化应用性能，通过编排多个专业性能与优化子代理，覆盖整个应用栈。它强调现代可观测性实践、以用户为中心的性能指标以及高性价比的优化策略，从深度剖析与基线建立开始，逐层进行针对性优化，通过负载测试验证改进，并建立持续监控以维持性能。每个阶段都基于前一阶段的洞察，形成数据驱动的优化策略，解决真实瓶颈而非理论上的改进。
主要能力
技能按五个阶段组织，每个阶段包含若干步骤，每步通过 Task 工具调用特定子代理执行：
阶段一：性能剖析与基线
- 综合性能剖析：生成 CPU 火焰图、内存堆转储、追踪 I/O 操作、识别热路径，使用 APM 工具（如 DataDog 或 New Relic），包含数据库查询剖析、API 响应时间和前端渲染指标，为所有关键用户旅程建立性能基线。
- 可观测性栈评估：审查现有监控、OpenTelemetry 分布式追踪、日志聚合和指标收集，识别可见性缺口、缺失指标和需要更好埋点的区域，推荐 APM 工具集成和业务关键操作的自定义指标。
- 用户体验分析：测量 Core Web Vitals（LCP、FID、CLS）、页面加载时间、可交互时间和感知性能，使用真实用户监控（RUM）数据，识别性能较差的用户旅程及其业务影响。
阶段二：数据库与后端优化
- 数据库性能优化：分析慢查询日志、创建缺失索引、优化执行计划、使用 Redis/Memcached 实现查询结果缓存，审查连接池、预处理语句和批处理机会，必要时考虑读副本和数据库分片。
- 后端代码与 API 优化：实现高效算法、添加应用级缓存、优化 N+1 查询、有效使用 async/await 模式，实现分页、响应压缩、GraphQL 查询优化和批量 API 操作，添加熔断器和舱壁模式以增强韧性。
- 微服务与分布式系统优化：分析服务间通信、实现服务网格优化、优化消息队列性能（Kafka/RabbitMQ）、减少网络跳数，实现分布式缓存策略并优化序列化/反序列化。
阶段三：前端与 CDN 优化
- 前端包与加载优化：实现代码分割、tree shaking、懒加载和动态导入，使用 webpack/rollup 分析优化包体积，实现资源提示（prefetch、preconnect、preload），优化关键渲染路径并消除阻塞渲染的资源。
- CDN 与边缘优化：配置 CloudFlare/CloudFront 实现最优缓存，为动态内容实现边缘函数，设置响应式图片和 WebP/AVIF 格式的图片优化，配置 HTTP/2 和 HTTP/3，实现 Brotli 压缩，为全球用户设置地理分布。
- 移动端与渐进式 Web 应用优化：实现 Service Worker 以支持离线功能，针对慢速网络进行自适应加载优化，减少移动 CPU 的 JavaScript 执行时间，为长列表实现虚拟滚动，优化触摸响应和平滑动画，如适用可考虑 React Native/Flutter 特定优化。
阶段四：负载测试与验证
- 综合负载测试：使用 k6/Gatling/Artillery 进行负载测试，基于生产流量模式设计真实负载场景，测试正常负载、峰值负载和压力场景，包含 API 测试、浏览器测试和 WebSocket 测试（如适用），测量不同负载级别下的响应时间、吞吐量、错误率和资源利用率。
- 性能回归测试：创建自动化性能回归测试，为关键指标设置性能预算，使用 GitHub Actions 或类似工具集成到 CI/CD 流水线，创建 Lighthouse CI 前端测试、Artillery API 性能测试和数据库性能基准，实现性能回归的自动回滚触发器。
阶段五：监控与持续优化
- 生产监控设置：使用 DataDog/New Relic/Dynatrace 设置 APM，配置 OpenTelemetry 分布式追踪，实现自定义业务指标，创建 Grafana 仪表盘，设置 PagerDuty 性能退化告警，为关键服务定义带错误预算的 SLI/SLO。
- 持续性能优化：建立持续优化流程，创建性能预算跟踪，为性能变更实现 A/B 测试，在生产中设置持续剖析，记录优化机会待办列表，创建容量规划模型，建立定期性能审查周期。
使用方式
技能通过 Task 工具调用不同子代理执行各步骤，子代理类型包括：performance-engineer、observability-engineer、database-cloud-optimization::database-optimizer、backend-development::backend-architect、frontend-developer、cloud-infrastructure::cloud-architect、frontend-mobile-development::mobile-developer、performance-testing-review::test-automator。
配置选项包括：
- performance_focus："latency" | "throughput" | "cost" | "balanced"（默认 "balanced"）
- optimization_depth："quick-wins" | "comprehensive" | "enterprise"（默认 "comprehensive"）
- tools_available：["datadog", "newrelic", "prometheus", "grafana", "k6", "gatling"]
- budget_constraints：设置基础设施变更的最大可接受成本
- user_impact_tolerance："zero-downtime" | "maintenance-window" | "gradual-rollout"
适用场景
- 跨后端、前端和基础设施协调性能优化
- 建立基线和剖析以识别瓶颈
- 设计负载测试、性能预算或容量规划
- 为性能和可靠性目标构建可观测性
限制
- 不适用于没有更广泛性能目标的局部小修复
- 不适用于无法访问指标、追踪或剖析数据的情况
- 不适用于与性能或可伸缩性无关的请求
- 安全注意事项：未经批准和保障措施，避免对生产环境进行负载测试；性能变更应逐步推出并制定回滚计划
成功标准
- 响应时间：关键端点 P50 < 200ms，P95 < 1s，P99 < 2s
- Core Web Vitals：LCP < 2.5s，FID < 100ms，CLS < 0.1
- 吞吐量：支持当前峰值负载的 2 倍，错误率 < 1%
- 数据库性能：查询 P95 < 100ms，无查询超过 1s
- 资源利用率：正常负载下 CPU < 70%，内存 < 80%
- 成本效率：每美元性能至少提升 30%
- 监控覆盖：100% 关键路径已埋点并告警