性能优化：瓶颈定位

性能优化遵循「先度量、后优化」：用剖析工具找到真正热点，再针对性改造。AI 可辅助读剖析结果与建议改写，但决策仍要靠数据。

是什么

性能优化指降低延迟或提升吞吐。核心动作是 profiling（剖析）：采集函数耗时与调用次数，画出热点，定位 CPU、IO 或内存瓶颈所在。

为什么有用

凭直觉优化常常改错地方。度量能避免无效改动，把精力放在占大头的热点上，做到投入产出比最高。

怎么用

Python 用 cProfile 采样耗时：

import cProfile, pstats

prof = cProfile.Profile()
prof.enable()
run_pipeline()                 # 待测函数
prof.disable()
pstats.Stats(prof).sort_stats("cumtime").print_stats(10)

把输出交给 AI 解读热点，再决定缓存、并行或算法替换。

注意点

先有基线再比较，避免微优化。注意测量本身的开销。瓶颈常在 IO 与序列化而非计算，别只盯着循环。容器内跑要排除资源限制干扰。

小结

性能优化先度量后动手，用 cProfile 等定位热点，AI 辅助解读；关键是建立基线、聚焦大头瓶颈，避免凭感觉的微优化。

参考与延伸阅读

• Python profile 标准库文档。已核验。https://docs.python.org/3/library/profile.html
• Docker 官方文档。已核验。https://docs.docker.com/