性能分析（Perf Profiling）

优化的前提是度量。不知道慢在哪，就不知道该优化哪。 每次优化都要有"前"和"后"的数据对比，否则不算优化。

第一步：明确分析目标

性能问题
  │
  ├─ 前端性能？（页面加载慢、交互卡顿、首屏慢）
  │   └─ 前端分析流程
  │
  ├─ 后端性能？（API 响应慢、数据库查询慢、CPU/内存高）
  │   └─ 后端分析流程
  │
  └─ 不确定？
      └─ 先用浏览器 DevTools Network 面板判断瓶颈在前端还是后端

用 AskUserQuestion 确认：

• 具体症状：哪里慢？慢到什么程度？（要数据，不要"感觉"）
• 性能基线：当前是多少？目标是多少？
• 复现条件：特定页面？特定数据量？特定并发？

前端性能分析

2.1 Core Web Vitals 度量

度量工具：

# Lighthouse CLI（如果可用）
npx lighthouse <url> --output=json --output-path=./lighthouse-report.json

# 或用 Playwright 采集性能数据
# 通过 MCP playwright 工具访问页面并执行 performance API

2.2 Bundle 分析

# Webpack
npx webpack-bundle-analyzer stats.json

# Vite
npx vite-bundle-visualizer

# Next.js
ANALYZE=true next build

关注点：

• 总 bundle 大小（gzip 后）
• 最大的几个依赖占比
• 有没有重复打包的依赖
• 是否做了 code splitting

2.3 前端常见瓶颈与优化方向

后端性能分析

3.1 API 响应时间度量

# 简单测量（单次）
time curl -s -o /dev/null -w "%{time_total}" <api-url>

# 并发测试（如 wrk 可用）
wrk -t4 -c100 -d30s <api-url>

# 或用 Node.js 脚本测量
node -e "
const start = Date.now();
fetch('<api-url>').then(() => console.log(Date.now() - start + 'ms'));
"

记录关键指标：

• p50 / p95 / p99 响应时间
• 吞吐量（req/s）
• 错误率

3.2 数据库查询分析

-- MySQL/PostgreSQL 查询分析
EXPLAIN ANALYZE <your-query>;

// Node.js ORM 慢查询日志
// Prisma: 在 PrismaClient 初始化时开启
const prisma = new PrismaClient({ log: ['query', 'warn', 'error'] });

// Sequelize: 开启 benchmark
const sequelize = new Sequelize({ benchmark: true, logging: console.log });

关注点：

• 全表扫描（缺索引）
• N+1 查询
• 未使用的索引
• 慢查询（>100ms）

3.3 Node.js / Python Profiling

Node.js：

# CPU profiling
node --prof app.js
node --prof-process isolate-xxx.log > processed.txt

# 内存快照
node --inspect app.js
# 然后在 Chrome DevTools 中 Take Heap Snapshot

Python：

# cProfile
python -m cProfile -s cumtime app.py

# memory_profiler
pip install memory_profiler
python -m memory_profiler app.py

3.4 后端常见瓶颈与优化方向

第四步：优化与对比

4.1 优化前记录基线

在做任何改动之前，必须记录当前性能数据：

## 性能基线（优化前）

| 指标 | 值 | 测量条件 |
|------|-----|---------|
| LCP | 3.8s | 首页，Chrome，4G 模拟 |
| API /users 响应 | p95: 450ms | 100 并发，30s |
| 数据库查询 | 320ms | users 表 10 万行 |

4.2 优化后对比

每次优化后，用相同条件重新测量，对比前后：

## 优化效果对比

| 指标 | 优化前 | 优化后 | 改善 |
|------|--------|--------|------|
| LCP | 3.8s | 1.9s | -50% ✅ |
| API /users p95 | 450ms | 120ms | -73% ✅ |
| Bundle 大小 | 2.1MB | 890KB | -58% ✅ |

4.3 输出性能报告

完整性能分析后，输出报告到 docs/specs/ 或直接在对话中给出：

# 性能分析报告：<模块/页面>

## 问题描述
用户反馈/指标异常的具体描述

## 分析结论
瓶颈在哪，为什么慢

## 优化措施
| # | 措施 | 预期效果 | 实际效果 |
|---|------|---------|---------|

## 性能对比
基线 vs 优化后

## 后续建议
还可以进一步优化的方向

分析准则

• 数据驱动：不凭直觉优化。先度量，找到瓶颈，再优化，再度量
• 优先级：先优化影响最大的瓶颈（80/20 法则）
• 工具按项目选：不强制某个工具，项目里有什么用什么，缺什么建议安装什么
• 不过度优化：达到目标就停。从 3s 优化到 2s 和从 2s 优化到 1.5s 的成本完全不同
• 回归保护：性能优化不能破坏功能。优化后必须跑测试确认功能正常

与其他 skill 的关系

task-execute 执行中发现性能问题 → perf-profiling（分析定位）
refactoring 重构后 → perf-profiling（回归验证，确认性能没退化）
release 发版前 → perf-profiling（性能相关需求的验收）