findscripter 何时使用
适用：
- Python 应用变慢、延迟/响应时间偏高，但不确定瓶颈在 CPU、内存、IO 还是 DB。
- CPU 密集运算、数据处理流水线、热点算法需要提速。
- 内存占用过高或疑似内存泄漏，需要定位分配来源。
- 数据库查询、IO 操作慢，需要批量化或异步化。
- 给线上 Python 进程做无侵入采样剖析。
不该用（负边界）：
- 排查的是功能正确性缺陷/逻辑 bug，而非性能 → 用调试类技能。
- 非 Python 代码，或需要跨服务分布式链路追踪 → 用
performance-profiler。 - 还没测量就想"凭感觉优化"——本技能要求先剖析、后优化。
铁律：先测量，后优化（profile before optimizing）；只优化高频热路径，避免对罕见路径过度优化；先保证清晰，再谈性能。
步骤 / 指令
- 建基线：用
timeit/time.perf_counter或下方@benchmark装饰器记录优化前耗时/内存，作为对照。 - 定位热点（按需选工具）：
- CPU 整体热点 →
cProfile+pstats（按cumtime排序看 Top N）。 - 单函数逐行 →
line_profiler（kernprof -l -v script.py）。 - 内存分配/峰值 →
memory_profiler（@profile+python -m memory_profiler）或tracemalloc快照对比。 - 线上/不可重启进程 →
py-spy（采样，无需改代码）。
- CPU 整体热点 →
- 按收益排序优化（先大后小）：算法/数据结构 → 实现层惯用法 → 缓存 → 向量化(NumPy) → 并行(多进程/异步)。
- 复测对比：用同一基线脚本测优化后，报告加速比；用
pytest-benchmark --benchmark-compare做回归。 - 守门：在 CI/关键路径加基准测试，防止性能回退。
优化决策速查：
- 成员查找频繁 → 用
dict/set（O(1)）替代list in（O(n)）。 - 大数据集只遍历一次 → 用生成器而非列表，内存恒定。
- 纯数值批量运算 → NumPy 向量化替代 Python 循环。
- 重复/递归计算 →
functools.lru_cache。 - 海量同构小对象 → 类加
__slots__省内存。 - CPU 密集且可并行 →
multiprocessing.Pool（GIL 下多线程无效）。 - IO 密集 →
asyncio/aiohttp异步并发（见async-python-patterns）。 - DB 写入 →
executemany+ 单次commit批量化；查询加索引、SELECT指定列、EXPLAIN QUERY PLAN看计划。 - 字符串拼接 →
"".join(...)替代循环+=。 - 热循环内减少函数调用与全局变量访问（局部变量更快）。
示例
cProfile 定位 CPU 热点：
import cProfile, pstats
from pstats import SortKey
profiler = cProfile.Profile()
profiler.enable()
main() # 待剖析入口
profiler.disable()
stats = pstats.Stats(profiler)
stats.sort_stats(SortKey.CUMULATIVE)
stats.print_stats(10) # Top 10
stats.dump_stats("profile_output.prof")
命令行剖析与查看：
python -m cProfile -o output.prof script.py
python -m pstats output.prof # 交互：sort cumtime / stats 10
线上进程无侵入采样（py-spy）：
pip install py-spy
py-spy top --pid 12345 # 实时热点
py-spy record -o profile.svg --pid 12345 # 生成火焰图
py-spy dump --pid 12345 # 当前调用栈
缓存递归——lru_cache 量级提速：
from functools import lru_cache
@lru_cache(maxsize=None)
def fib(n):
return n if n < 2 else fib(n-1) + fib(n-2)
# fib.cache_info() 查看命中率
通用基准装饰器：
import time
from functools import wraps
def benchmark(func):
@wraps(func)
def wrapper(*args, **kwargs):
start = time.perf_counter()
result = func(*args, **kwargs)
print(f"{func.__name__} took {time.perf_counter()-start:.6f}s")
return result
return wrapper
检测内存泄漏（tracemalloc 前后快照对比）：
import tracemalloc
tracemalloc.start()
snap1 = tracemalloc.take_snapshot()
run_suspect_code()
snap2 = tracemalloc.take_snapshot()
for stat in snap2.compare_to(snap1, 'lineno')[:10]:
print(stat)
tracemalloc.stop()
注意事项
- 不测量不优化：靠猜测优化是头号陷阱，先用 profiler 找真实瓶颈。
- 优先用内置函数与标准库（多为 C 实现），优先选对数据结构，再谈微优化。
- 避免不必要的数据拷贝、滥用全局变量、忽视算法复杂度。
multiprocessing例子和带if __name__ == "__main__":的脚本相关代码必须放在该守卫内，否则 Windows 下会递归启动子进程。- 剖析有开销：
cProfile/memory_profiler会拖慢被测代码，比较时只看相对值；线上用py-spy采样更轻。 - NumPy/多进程/异步提速有适用前提（数值批量、CPU 密集可分、IO 密集）；用错场景反而更慢。
- 数据库需配合连接池；
SELECT *、缺索引、N+1 是常见慢源。 - 性能结论依赖具体环境与数据规模，务必在目标环境实测，勿照搬加速比。
互见
- requires：无
- related：
performance-profiler—— 跨语言(Node/Python/Go)与线上链路、负载测试的更广剖析方法论；async-python-patterns—— IO 密集型的 asyncio 异步并发优化 - combines_with：
systematic-debugger—— 先定位再优化的系统化排查流程
采编自 sickn33/antigravity-awesome-skills（MIT）。