性能工程涵盖负载测试、性能分析与优化，目标是交付可靠、可扩展的系统。该技能提供选择合适性能测试方法（负载、压力、浸泡、尖峰）的框架，用于定位瓶颈（CPU、内存、I/O）的性能分析技术，以及针对后端 API、数据库和前端应用的优化策略。
用途
在发布前验证系统容量、在 CI/CD 流水线中检测性能回归、通过性能分析定位并解决瓶颈、优化全栈应用响应速度。
适用场景
常见触发场景包括：验证 API 能否承受预期流量、找出最大容量与崩溃点、定位应用变慢的原因、检测内存泄漏或资源耗尽、为 SEO 优化 Core Web Vitals、在 CI/CD 中建立性能测试、降低云基础设施成本。
具体用例：发布前容量规划与负载验证、重构后的性能回归测试、排查响应缓慢或高延迟、检测长时间运行服务的内存泄漏、优化数据库查询性能、验证自动扩缩容配置、建立性能 SLO 与预算。
性能测试类型
负载测试：验证系统在预期流量水平下的行为。适用于发布前容量规划、重构后回归测试、验证自动扩缩容。
压力测试：找出系统容量上限与失效模式。适用于容量规划、理解故障行为、基础设施规格决策。
浸泡测试：识别内存泄漏、资源耗尽与随时间推移的性能退化。适用于检测内存泄漏、验证连接池清理、测试长时间运行的批处理任务。
尖峰测试：验证系统对突发流量峰值的响应。适用于验证自动扩缩容、测试事件驱动系统（如产品发布）、确保限流机制有效。
快速决策框架：系统能否承受预期流量→负载测试；最大容量是多少→压力测试；能否长期稳定→浸泡测试；能否应对流量尖峰→尖峰测试。
负载测试快速上手
k6（JavaScript）：安装命令为 macOS 上 brew install k6，Linux 上 sudo apt-get install k6。基本负载测试脚本使用 k6/http 与 check、sleep，通过 options 定义 stages 与 thresholds（如 http_req_duration p(95)<500、http_req_failed rate<0.01），运行命令为 k6 run script.js。压力、浸泡与尖峰测试示例见 examples/k6/。
Locust（Python）：安装命令为 pip install locust。基本负载测试定义 HttpUser 子类，设置 wait_time 与 host，用 @task 装饰器定义任务权重，运行命令为 locust -f locustfile.py --headless -u 100 -r 10 --run-time 10m。REST API 测试与数据驱动测试见 examples/locust/。
性能分析快速上手
何时分析：CPU 高（>70%）用 CPU 分析（py-spy、pprof、DevTools）；内存增长用内存分析（memory_profiler、pprof heap）；响应慢但 CPU 低用 I/O 分析（查询日志、pprof block）。
Python：py-spy 适合生产环境，安装 pip install py-spy，可用 py-spy record -o profile.svg --pid <PID> --duration 30 或 py-spy top --pid <PID>。内存分析使用 memory_profiler 的 @profile 装饰器，运行 python -m memory_profiler script.py。
Go：使用内置 pprof，导入 net/http/pprof 并启动 http.ListenAndServe("localhost:6060", nil)，采集 CPU 用 go tool pprof http://localhost:6060/debug/pprof/profile?seconds=30，交互分析用 top、web。
TypeScript/JavaScript：Node.js 用 node --inspect app.js 后打开 chrome://inspect，在 Performance 标签录制；clinic.js 安装 npm install -g clinic，运行 clinic doctor -- node app.js。
优化策略
缓存：适用于查询频繁（>100 req/min）且可容忍一定陈旧（>1 分钟）的数据。Redis 示例通过 get 命中缓存，未命中则执行函数并用 setex 写入 TTL。
数据库查询优化：避免 N+1 查询，使用 joinedload 等预加载；为常用字段建立索引，如 CREATE INDEX idx_users_email ON users(email)。
API 性能：使用基于游标的分页，通过 WHERE id > ? ORDER BY id LIMIT ? 查询并返回 next_cursor。
前端性能（Core Web Vitals）：关键指标为 LCP < 2.5s、INP < 200ms、CLS < 0.1。优化手段包括代码分割（懒加载）、图片优化（WebP、响应式、懒加载）、预加载关键资源、减少阻塞渲染的资源。
性能 SLO
按服务类型的推荐 SLO：面向用户 API p95 < 200ms、p99 < 500ms、可用性 99.9%；内部 API p95 < 100ms、p99 < 300ms、99.5%；数据库查询 p95 < 50ms、p99 < 100ms、99.99%；后台任务 p95 < 5s、p99 < 10s、99%；实时 API p95 < 50ms、p99 < 100ms、99.95%。
SLO 选择流程：测量基线性能、识别用户期望、设定可达目标（比基线好 10-20%）、随系统成熟迭代。
CI/CD 集成
GitHub Actions 示例在 pull_request 到 main 时触发，安装 k6 后运行 k6 run tests/load/api-test.js。性能预算通过 k6 thresholds 实现，违反阈值即构建失败。
性能分析工作流
标准流程：观察症状（CPU 高、内存增长、响应慢）→ 假设瓶颈（CPU、内存、I/O）→ 按假设选择分析类型 → 在真实负载下运行分析器 → 分析 profile（火焰图、调用树）→ 识别热点（20% 函数消耗 80% 资源）→ 优化瓶颈 → 重新分析验证改进。
最佳实践：在真实负载而非空闲系统下分析；生产环境使用采样分析器（py-spy、pprof）以降低开销；聚焦热路径，优先优化最大瓶颈；用前后对比验证优化效果。
工具推荐
负载测试首选 k6：基于 JavaScript、Grafana 支持、云原生架构、ES6+ DSL、与 Grafana/Prometheus 集成、多协议（HTTP/1.1、HTTP/2、WebSocket、gRPC），适用于现代 API、微服务、CI/CD 集成。备选 Locust：Python 原生、提供实时监控 Web UI、适合复杂用户场景，适用于 Python 团队与复杂用户流程。
性能分析工具：Python 用 py-spy（采样、生产安全）、cProfile（确定性、详细）、memory_profiler（内存泄漏检测）；Go 用 pprof（内置，支持 CPU/heap/goroutine/block）；TypeScript/JavaScript 用 Chrome DevTools 与 clinic.js。
参考文档与示例
详细指南包括 testing-types.md（负载、压力、浸泡、尖峰测试模式）、profiling-guide.md（跨语言 CPU、内存、I/O 分析）、optimization-strategies.md（缓存、数据库、API 优化）、frontend-performance.md（Core Web Vitals、打包优化）、slo-framework.md（SLO 与性能预算）、benchmarking.md（基准测试最佳实践）。示例目录包括 examples/k6/、examples/locust/、examples/profiling/、examples/optimization/。
相关工作流
综合测试策略参见 testing-strategies 技能；CI/CD 集成模式参见 building-ci-pipelines 技能；基于负载测试的基础设施规格参见 infrastructure-as-code 技能。
工作流（v1.1 增强）
阶段一：规划与 SLO。明确测试目的（冒烟、负载、压力、浸泡），确定成功标准（如 p95 延迟 < 200ms、错误率 < 1%），评估测试环境与生产环境的相似度并确定缩放因子。
阶段二：脚本与执行。模拟真实用户行为（登录→浏览→购买），使用 CSV 等动态数据而非静态数据以绕过缓存，逐步增加流量而非突然加压，让系统预热。
阶段三：分析与优化。关联错误发生时的 CPU/内存/数据库指标，定位瓶颈（应用代码、数据库、网络还是压测机本身），输出包含技术摘要与管理摘要的报告。
检查点：测试数据（数据库种子）是否足够；压测机是否出现 CPU 瓶颈（假阴性风险）；第三方 API（Stripe、Twilio）是否已 mock（成本与封禁风险）。