2.7 KiB
2.7 KiB
| name | description |
|---|---|
| performance-optimization | 性能优化工作流（TSL/Python/C++）：度量→定位→优化→验证。Triggers: 性能优化, 优化性能, 代码慢, 提升速度, performance optimization, slow code, profiling |
性能优化工作流
适用语言：TSL / Python / C++ 核心原则：没有度量就没有优化。
使用时机
- 功能正确，但响应慢或资源消耗过高
- 热路径明显（循环/批处理/大规模数据）
- 需要在不改变行为的前提下提升性能
必备输入
- 目标场景与数据规模（输入大小、并发量）
- 基线指标（耗时、吞吐、内存、CPU）
- 约束条件（允许的改动范围、兼容性要求）
工作流程（按顺序）
1. 度量基线（Baseline）
先拿到“优化前”的数据作为对照。
- TSL（计时示例，使用 MTIC/MTOC）：
T1 := MTIC;
// ... 逻辑 ...
Elapsed := MTOC(T1);
Echo "Elapsed:", Elapsed;
- Python：
import time
start = time.time()
# ... code ...
print(f"Elapsed: {time.time() - start:.3f}s")
- C++：
auto start = std::chrono::high_resolution_clock::now();
// ... code ...
auto elapsed = std::chrono::duration_cast<std::chrono::milliseconds>(
std::chrono::high_resolution_clock::now() - start);
std::cout << "Elapsed: " << elapsed.count() << "ms\n";
2. 定位瓶颈（Profiling）
只优化热点，不动冷路径。
- TSL：插入关键路径计时，或使用
docs/tsl/syntax_book/07_debug_and_profiler.md中的工具 - Python：
cProfile/line_profiler - C++：
perf/gprof/valgrind --tool=callgrind
3. 优化策略（从高收益到低收益）
3.1 算法级（优先级最高）
- 降低复杂度：
O(n^2)→O(n log n)→O(n) - 避免重复计算：缓存、记忆化
3.2 数据结构级
- 选择合适容器：数组 vs 哈希表 vs 树
- 预分配容量，减少扩容
3.3 循环级
- 循环内不做 I/O
- 循环内避免重复解析/格式化
- 提前计算循环不变量
3.4 I/O 级
- 批量读写（减少系统调用）
- 缓存（明确 TTL 与容量上限）
4. 验证效果（Verify）
- 对比优化前后指标
- 运行回归测试，保证行为一致
- 在真实数据量下复测
反模式（不要做）
- 没有度量就“感觉”优化
- 牺牲可读性换取微小收益
- 为冷路径引入复杂缓存
- 未验证就宣称提升
输出清单（交付要求）
- 基线指标（优化前）
- 瓶颈定位结果（热点函数/路径）
- 优化方案与改动点
- 优化后指标（对比数据）
- 风险说明与回滚策略
权威参考
- TSL：
docs/tsl/syntax_book/07_debug_and_profiler.md - Python：
docs/python/tooling.md - C++：
docs/cpp/toolchain.md