py-perf
Installation
SKILL.md
Python 效能分析與最佳化
目標與邊界
用此 skill 找出可重現的瓶頸,採用最小且可驗證的改善,並防止效能回歸。
不要在沒有代表性 workload、correctness test 與 baseline 時進行猜測性微調。效能改善不能以單次執行、開發機體感或未說明環境的倍數宣稱。
執行流程
- 定義效能目標:延遲 percentile、吞吐、CPU、記憶體峰值、allocation、startup、I/O 或成本。
- 建立正確性基準:先確保輸出與行為可測;最佳化前後必須相同。
- 建立代表性 workload:資料大小、分布、並行、cache 狀態與冷/熱啟動符合實際使用。
- 量測 baseline:記錄 Python build、套件版本、OS、CPU、核心數、電源模式與命令。
- 選擇 profiler:先找出時間或記憶體熱點,再使用行級工具細查。
- 一次修改一個瓶頸:優先演算法、資料流與 I/O,再考慮低階微調。
- 重新量測與比較:重複樣本、觀察變異、確認沒有轉移瓶頸。
- 建立 regression gate:保存 benchmark、環境與可接受閾值。
- 回報 trade-off:可讀性、記憶體、精確度、延遲、相容性與維護成本。