关于 python-performance
面向 Python 开发者的性能优化技能，涵盖瓶颈定位、代码优化与基准验证。内容按主题拆分，支持逐步加载。
主要功能
- 01CPU 与内存分析
- 02Python 代码优化模式
- 03内存泄漏跟踪
- 04使用装饰器和 pytest-benchmark 基准测试
- 05性能优化实践与验收标准
适用场景
- 01定位 CPU 或内存瓶颈
- 02降低应用延迟或内存占用
- 03验证优化是否提升性能
安装
复制下面的命令，在终端中运行。
$
npx skills add https:/安装后在 Claude Code 中输入/python-performance确认已加载。
包含的文件
除 SKILL.md 外，安装时一起下载的参考资料和脚本。
modules/benchmarking-tools.mdbest-practices.mdmemory-management.mdoptimization-patterns.mdprofiling-tools.md详细介绍
Python 性能优化
Python 代码的性能分析与优化模式。
快速开始
# Basic timing
import timeit
time = timeit.timeit("sum(range(1000000))", number=100)
print(f"Average: {time / 100:.6f}s")
验证： 使用 --help 标志运行命令，以验证是否可用。
适用场景
- 识别性能瓶颈
- 降低应用延迟
- 优化 CPU 密集型操作
- 降低内存消耗
- 对生产环境中的应用进行性能分析
- 提升数据库查询性能
不适用场景
- 异步并发——请改用 python-async
- CPU/GPU 系统监控——请改用 conservation:cpu-gpu-performance
- 异步并发——请改用 python-async
- CPU/GPU 系统监控——请改用 conservation:cpu-gpu-performance
模块
此技能分为多个专注模块，便于逐步加载：
profiling-tools
使用 cProfile 进行 CPU 性能分析、逐行性能分析、内存性能分析，以及使用 py-spy 进行生产环境性能分析。对于识别代码耗时和内存占用位置至关重要。
optimization-patterns
十一种经过验证的优化模式，包括列表推导式、生成器、缓存、字符串拼接、数据结构、NumPy、多进程、数据库操作和循环变换（哪些方法在 Python 中有效，哪些由编译器处理）。
memory-management
内存优化技术，包括使用 tracemalloc 跟踪内存泄漏，以及使用弱引用构建缓存。依赖 profiling-tools。
benchmarking-tools
基准测试工具，包括自定义装饰器和 pytest-benchmark，用于验证性能改进。
best-practices
性能优化工作的最佳实践、常见陷阱和退出标准。综合了 profiling-tools 和 optimization-patterns 中的指导。
退出标准
- 已对代码进行性能分析并识别瓶颈
- 已应用合适的优化模式
- 已通过基准测试验证改进
- 内存用量在可接受范围内
- 没有性能回退
评论
支持 Markdown