performance-profiler

性能分析器

对 Node.js、Python 和 Go 应用进行系统化性能分析。使用火焰图定位 CPU 瓶颈，通过堆快照检测内存泄漏，分析打包体积，优化数据库查询，检测 N+1 模式，并使用 k6 和 Artillery 运行负载测试。严格遵循先测量的方法：建立基线、定位瓶颈、修复并验证改进效果。

黄金法则 — 先测量： 分析 → 确认瓶颈 → 修复 → 再次测量 → 验证改进效果。每项优化都需要基线指标、分析器证据、修复措施、修复后指标和差值。完整规则见 references/cpu-and-memory-profiling.md。

核心能力

• CPU 分析 — Clinic.js/V8 火焰图（Node）、py-spy/cProfile/scalene（Python）、pprof（Go）、Chrome DevTools（浏览器）。
• 内存分析 — 堆快照及前后对比、GC 压力分析、泄漏检测、对象保留关系图。
• 数据库优化 — 读取 EXPLAIN ANALYZE 执行计划、检测并批处理 N+1 查询、慢查询日志、识别缺失索引、确定连接池大小。
• 打包分析 — webpack/Next.js 分析器、摇树优化、动态导入、识别大型依赖。
• 负载测试 — k6 渐增负载脚本、在 CI 中强制执行 SLA 阈值、跟踪 P50/P95/P99 延迟、模拟并发用户。

适用场景

• 应用运行缓慢，但不知道瓶颈在哪里。
• 发布前的 P99 延迟超过 SLA。
• 内存使用量随时间不断增长（疑似泄漏）。
• 添加依赖后打包体积增大。
• 为流量激增做准备（上线前进行负载测试）。
• 数据库查询耗时超过 100ms，或验证依赖升级后没有性能回退。

先澄清

开始分析前，请确认以下输入。如果其中某项缺失或含糊不清，且会影响结果，请询问；如果不会影响结果，则采用合理的默认值并说明所用选项。

• 运行时和症状： Node / Python / Go，以及 CPU / 内存 / 打包体积 / 查询 / 流量激增（用于选择分析器和工具链）。
• 基线和 SLA 目标： 当前数值以及需要达到的 P95/P99（或体积）阈值（先测量的方法需要两者才能验证差值）。
• 环境： 本地 / 预发布 / 生产环境决定了安全的分析方法，以及是否允许进行负载测试。

只询问与当前请求最相关的两三个输入，不要询问整个清单。如果用户希望立即获得结果，请直接给出结果，并在开头说明假设。

工具

工具	用途	命令
benchmark_reporter.py	解析基准测试结果，并报告相对于阈值的回退或改进	python scripts/benchmark_reporter.py results.json --fail-on-regression
bottleneck_detector.py	分析日志/追踪数据，标记高延迟、慢查询和慢跨度	python scripts/bottleneck_detector.py trace.json --latency-threshold 200
resource_analyzer.py	分析 CPU/内存/磁盘使用数据，并标记异常和趋势	python scripts/resource_analyzer.py metrics.json --cpu-threshold 80

这三个工具都接受文件路径或表示标准输入的 -，并支持 --json。

参考资料

加载与任务相符的参考资料——保持此文件精简，按需查阅详细内容：

• references/cpu-and-memory-profiling.md — 完整的先测量再优化规则、Node.js CPU 性能分析（Clinic.js 火焰图、V8 CPU 性能分析文件）以及内存泄漏检测（Node 堆快照、Python memray/tracemalloc）。排查 CPU 或内存问题时阅读。
• references/database-and-bundle.md — EXPLAIN ANALYZE 工作流、N+1 检测模式和中间件脚本、Next.js 打包分析器设置、快速体积检查以及常见打包优化收益表。优化查询或打包体积时阅读。
• references/load-testing-and-methodology.md — 完整的 k6 负载测试脚本、前后测量模板、快速见效的优化清单、常见陷阱、最佳实践、故障排查表和成功标准。进行负载测试或记录优化成果时阅读。

范围与限制

此技能涵盖：

• 使用火焰图和堆快照对 Node.js、Python 和 Go 应用进行 CPU 和内存性能分析
• 数据库查询优化，包括解读 EXPLAIN ANALYZE、检测 N+1 问题和索引建议
• webpack 和 Next.js 项目的前端打包分析及体积缩减策略
• 使用 k6 进行负载测试的方法，包括渐增模式、阈值执行和 CI 集成

此技能不涵盖：

• 应用性能监控（APM）平台的设置和配置（Datadog、New Relic、Grafana）——请参阅 engineering/observability-designer
• 基础设施层面的性能调优（内核参数、网络栈、容器资源限制）——请参阅 engineering/senior-devops
• 面向安全的性能问题，例如 DDoS 缓解或速率限制——请参阅 engineering/senior-security
• 移动应用性能分析（iOS Instruments、Android Profiler）——请参阅 engineering/senior-mobile

集成点

技能	集成方式	数据流
engineering/observability-designer	性能分析结果用于指导可观测性仪表板设计；告警阈值根据性能分析基线推导	性能分析器基线和 SLA 阈值 → Prometheus/Grafana 告警规则和仪表板面板
engineering/ci-cd-pipeline-builder	k6 负载测试和打包体积检查作为 CI 流水线关卡集成	k6 阈值配置和打包预算脚本 → CI 流水线阶段定义
engineering/database-designer	查询优化建议为架构设计决策提供依据；索引建议反馈到架构迁移中	EXPLAIN ANALYZE 结果和索引建议 → 架构迁移文件和索引定义
engineering/senior-backend	后端架构决策纳入性能分析数据；通过负载测试验证连接池大小和缓存策略	性能分析报告和负载测试结果 → 架构决策记录和实施指南
engineering/tech-debt-tracker	将性能回退和未解决的瓶颈作为技术债务事项跟踪，并记录其测量影响	前后测量报告和未解决的发现 → 已量化成本的技术债务待办事项
engineering/senior-frontend	打包分析结果推动前端优化工作；代码拆分和延迟加载决策以性能分析数据为依据	打包分析器输出和 Lighthouse 得分 → 前端优化任务和组件重构计划