跑完 perf record,或者 go tool pprof,又或者 Java Flight Recorder,你手里多了一个 50MB 的文件,里面塞满调用栈。打开火焰图工具,盯着满屏彩色矩形,指望瓶颈自己跳出来。
这种体验不新鲜。一个开发者干脆做了个工具,把这一步交给大模型:上传性能分析文件,选 AI 服务商,贴进自己的 API 密钥,拿回一份按严重程度排序的瓶颈清单,附带能直接粘贴的代码修复。
工具叫 AIProfiler,支持的格式覆盖了主流技术栈:
- Linux 的 perf.data 与 perf script 输出
- Go 的 pprof,含 CPU、heap、block、mutex
- Java Flight Recorder 的 .jfr
- Chrome DevTools 的 .cpuprofile 与 .trace
- Speedscope 的 .speedscope.json
- Python 的 cProfile 与 py-spy
- .NET 的 .nettrace,以及 Node.js 的 --cpu-prof
输出不是一句"这个函数很热"。它给的是分级结论,比如某个循环吃掉了 40% 的 CPU 时间;配上精确到行的证据、调用栈和采样计数;再给出对应语言的修复代码和解释。没有仪表盘要学,上传、读、改,三步结束。
隐私和成本这块说得比较直白:免费,没有付费档,不用注册。API 密钥只向所选服务商转发一次,不记录不存储;性能文件 7 天后自动删除;全程内存处理,不落盘。
示例输出长这样:json.Marshal 出现在热路径上,占 23% CPU,证据是 encode.go 第 42 行的 1847 个采样,修复建议是换成 json-iterator/go 或预分配缓冲区,前后代码都给了。
做这个工具的理由只有一句:性能工具告诉你时间花在哪,开发者需要知道为什么以及怎么改,而结构化数据喂给大模型后,它在这件事上表现得出奇地好。
用法也简单:从生产服务抓一份 profile,或者本地生成一份,打开 aiprofiler.samma.app,拖入文件、选服务商、填密钥,然后读修复建议。没有账号,没有追踪,没有二次推销。
作者还在收反馈:分析质量在你的技术栈上站不站得住?还缺哪些 profiler 格式?什么会让你经常用它?
热门跟贴