Python Performance Optimization Skill：让 AI 编程助手真正学会性能调优的 profiling-first 指南

Skill超级捕获手技术创作者 2026-09-13 10 阅读

大多数 AI 编程助手在性能问题上给建议时有一个通病：上来就告诉你”用 lru_cache“”改用 NumPy”，而不是先告诉你瓶颈在哪里。wshobson/agents 出品的 python-performance-optimization Skill 正是为解决这个问题而生——它把 profiling-first 的思维方式完整嵌入到 AI agent 的工作流里，让性能调优从”凭感觉优化”变成”先测后做”。

功能与原则

这个 Skill 的核心能力是引导 AI agent 对 Python 代码进行系统性的性能诊断与优化，覆盖 CPU profiling、内存 profiling、行级分析、调用图分析四大维度。其设计原则非常明确：永远先 profiling，再优化。在给出任何优化建议之前，Skill 会要求 agent 先用 cProfile、memory_profiler、line_profiler 或 py-spy 获取真实数据，再基于数据决策。

认可度

GitHub Star：wshobson/agents 主仓库约 38,500 stars（截至 2026-09-13）
周安装量：python-performance-optimization 单 skill 约 28,000 次/周（来源：skillsmd.top）
所属生态：wshobson/agents 是 GitHub Star History 全球排名第 736 位的顶级项目，也是 The Agentic Leaderboard 常驻选手（最高排名第 19 位）

链接

GitHub：https://github.com/wshobson/agents

Skill 路径：plugins/python-development/skills/python-performance-optimization/

原作者

Seth Hobson（GitHub: wshobson），独立开发者，专注于为 AI 编程智能体构建生产级工作流组件。wshobson/agents 是他维护的最大项目，目标是让 AI coding agent 的工作流从”能用”升级到”专业”。

介绍

wshobson/agents 是一个多 harness 的 agent 插件市场，同时支持 Claude Code、Codex CLI、Cursor、OpenCode、GitHub Copilot 和 Gemini CLI，从同一套 Markdown 源文件生成各 harness 的原生插件。python-performance-optimization 是其 python-development 插件下的 16 个专业 skill 之一。

这个 skill 本身是一份完整的性能调优指南。文件结构分为三层：SKILL.md 承载主流程和工具分类索引；references/advanced-patterns.md 包含 NumPy vectorization、异步 I/O、并行化等进阶模式；references/details.md 则是 cProfile、memory_profiler、line_profiler、py-spy 等核心工具的逐个实战代码模板。任何支持 Agent Skills 标准的 agent（如 Claude Code、Codex）都可以通过 Skills CLI 一键安装并激活。

特点

Profiling-first 原则：永远先测量，再优化；不基于猜测给优化建议
覆盖全维度性能指标：CPU 时间、内存使用、I/O 等待、调用栈关系
渐进式文档结构：SKILL.md → advanced-patterns.md → details.md，需要多深就读多深
零依赖：纯 Markdown 格式，无需安装任何框架，打开 agent context 即可使用
多工具链：cProfile / line_profiler / memory_profiler / py-spy 全部覆盖，含生产级 live profiling
跨 agent 兼容：Claude Code、Codex CLI、Cursor、OpenCode、GitHub Copilot、Gemini CLI 全部支持
渐进式优化策略：从算法选择 → 数据结构 → 实现模式 → 并行化 → 原生扩展，分层给出优化路径

使用方法

安装（以 Claude Code 为例）：

npx skills add https://github.com/wshobson/agents --skill python-performance-optimization

或在 Claude Code 中直接对话安装：

/plugin marketplace add wshobson/agents
/plugin install python-development

激活触发：当 prompt 中涉及以下任意关键词时，agent 自动激活该 skill：
– “代码很慢”/”slow endpoint”/”性能问题”
– “内存泄漏”/”memory leak”
– “优化 throughput”/”reduce latency”
– “benchmark”/”profiling”/”瓶颈分析”

最小使用示例（让 agent 对当前代码做 CPU profiling）：

帮我用 cProfile 分析这个脚本的性能，找出最耗时的前 10 个函数。

Skill 会引导 agent 生成如下流程：

import cProfile, pstats
from pstats import SortKey

profiler = cProfile.Profile()
profiler.enable()
# … 执行待分析的函数 …
profiler.disable()

stats = pstats.Stats(profiler)
stats.sort_stats(SortKey.CUMULATIVE)
stats.print_stats(10)  # Top 10 函数

使用场景与人群

适用场景：
– Python API endpoint 响应变慢，需要定位瓶颈
– ETL / 数据处理 pipeline 执行时间超出预期
– 内存持续增长，怀疑内存泄漏
– 需要在 caching、算法调整、NumPy vectorization、并发之间做技术选型
– 生产环境 Python 进程需要 live profiling 而不中断服务

目标用户：
– 后端工程师、数据工程师、ML 工程师
– 使用 Claude Code / Codex 等 AI 编程助手的开发者
– 希望 AI agent 提供专业性能调优建议而非表面建议的团队

输入与输出案例

案例 1：定位 API 瓶颈

Input：Python Flask endpoint 运行缓慢，需要诊断

Skill 引导 agent 输出：

import cProfile, pstats
profiler = cProfile.Profile()
profiler.enable()
# 调用目标 endpoint 逻辑
profiler.disable()
stats = pstats.Stats(profiler)
stats.sort_stats('cumulative')
stats.print_stats(15)

→ 识别出 db.query() 占用 72% 执行时间，建议添加索引或启用连接池

案例 2：NumPy 加速对比

Input：纯 Python 循环做矩阵乘法，速度太慢

Skill 引导 agent 输出：

import numpy as np
import timeit

def python_multiply(): 
    return [x*y for x,y in zip(a,b)]

def numpy_multiply():
    return np.array(a) * np.array(b)

py = timeit.timeit(python_multiply, number=100)
np = timeit.timeit(numpy_multiply, number=100)
print(f"Speedup: {py/np:.1f}x")

→ 典型场景下 NumPy 向量化可带来 50-100x 加速

GitHub: https://github.com/wshobson/agents

评论区

0 条评论

登录后可评论。