核心用法
本Skill提供Python性能优化的完整工作流，涵盖剖析、优化、验证三阶段：
1. 性能剖析
- CPU剖析：基于cProfile统计调用栈耗时，配合line_profiler定位热点行级代码
- 内存剖析：通过memory_profiler检测内存泄漏，tracemalloc追踪对象分配
- 生产环境：集成py-spy实现零侵入式采样剖析，无需修改代码或重启服务
2. 优化模式
内置10项经实战验证的优化策略：列表推导式、生成器惰性求值、functools.lru_cache缓存、字符串拼接优化、数据结构选型（set/dict vs list）、NumPy向量化、multiprocessing并行化、数据库查询优化等。
3. 验证闭环
提供pytest-benchmark基准测试框架及自定义装饰器，确保优化效果可量化、无回归。
显著优点
- 分层架构：5大模块按需加载，从开发调试到生产监控全覆盖
- 零成本生产剖析：py-spy支持对运行中进程采样，突破传统剖析工具的环境限制
- 内存安全：tracemalloc+弱引用组合解决缓存类内存泄漏痛点
潜在局限
- 非异步专项：asyncio性能问题需配合python-async Skill
- 系统级监控：CPU/GPU硬件监控需切换至conservation:cpu-gpu-performance
- 模块依赖：memory-management依赖profiling-tools，需按序加载
适合人群
- 后端开发工程师优化API响应延迟
- 数据工程师处理大规模数据管道的内存/CPU瓶颈
- DevOps排查生产环境突发性能劣化
常规风险
- 生产环境使用py-spy需root权限，存在采样开销（通常<5%）
- 过度优化陷阱：优先剖析再优化，避免预优化复杂代码
- 多进程剖析时数据聚合需额外处理