| name | performance-profiler |
| description | コードのパフォーマンスボトルネックを特定・改善するスキル。「パフォーマンスを改善して」「遅い原因を調べて」「プロファイリングして」「ボトルネックを探して」「N+1問題を直して」「メモリリークを調べて」「最適化して」「応答が遅い」「処理が重い」「重くなった」「チューニングして」などで発動する。静的解析による性能アンチパターン検出と、言語別プロファイリング計装の両方を提供する。 |
| metadata | {"version":"1.0.0","tier":"experimental","category":"debug","tags":["performance","profiling","optimization","bottleneck"]} |
performance-profiler
コードの性能問題を 静的解析（アンチパターン検出） と 動的プロファイリング（計装） の2つのアプローチで特定・改善する。
パス解決
このSKILL.mdが置かれているディレクトリを SKILL_DIR とする。スクリプトは scripts/ から、言語別プロファイリングコマンドは references/profiling-commands.md を参照する。
ワークフロー
Step 0: スコープチェック
以下に該当する場合は確認する:
- 対象コード・プロジェクトが存在しない
- 「遅い」箇所や処理の特定が一切できない（計測データも仮説もない）
Step 1: コンテキストを把握する
-
言語・フレームワーク — Python/JS/Go/Java/Rust/Ruby等、ORMやHTTPフレームワークも確認する
-
問題の性質 — 遅い箇所の仮説があるか。実測データ（レイテンシ・CPU・メモリ）があるか
-
アプローチの選択:
| 状況 | アプローチ |
|---|
| コードを見て問題を探したい | Step 2: 静的解析 から開始 |
| 実行して計測したい | Step 3: プロファイリング計装 から開始 |
| 両方 | Step 2 → Step 3 の順で実施 |
Step 2: 静的解析（アンチパターン検出）
detect_antipatterns.py を実行して自動検出する:
python ${SKILL_DIR}/scripts/detect_antipatterns.py
python ${SKILL_DIR}/scripts/detect_antipatterns.py --path src/
python ${SKILL_DIR}/scripts/detect_antipatterns.py --lang python
python ${SKILL_DIR}/scripts/detect_antipatterns.py --json
スクリプトの検出結果をもとに、以下の観点で コードを直接確認 する:
N+1 クエリ
- ループ内で ORM / DB アクセスが繰り返されていないか
SELECT * で必要以上のデータを取得していないかeager_load / prefetch_related / JOIN で解決できないか
非効率なループ・データ処理
- ネストループで同じデータを繰り返し走査していないか（O(n²) の罠）
- ループ内で不変な処理（ファイル読み込み・正規表現コンパイル等）を繰り返していないか
- リスト内包表記が
generator に置き換えられる箇所はないか（メモリ節約）
- 文字列を
+ でループ連結している箇所はないか（join で O(n) に改善）
不要なI/O・ブロッキング
- 非同期コンテキストで同期I/O を呼んでいないか（
requests in async def 等）
- ループ内でファイル open/close を繰り返していないか
- 結果をキャッシュできる繰り返し外部API呼び出しはないか
メモリ問題
- 大きなオブジェクトを不必要にコピーしていないか（参照渡しで十分な箇所）
- グローバル変数・クラス変数にデータを蓄積し続けていないか（メモリリーク候補）
- 大量データを一度にメモリに展開していないか（ストリーミング処理を検討）
並行性の未活用
- 独立したI/O処理が直列に並んでいないか（
asyncio.gather / Promise.all / goroutine で並列化可能）
- CPU バウンド処理で GIL の影響を受けているか（multiprocessing / 別言語バインディングを検討）
Step 3: プロファイリング計装
言語別のプロファイリング手順は references/profiling-commands.md を参照する。
計装の手順:
- ホットパスの特定: プロファイラを実行して CPU 時間・メモリ使用量の上位関数を特定する
- マイクロベンチマーク: 疑わしい関数を単体で計測して仮説を検証する
- Before/After 計測: 改善前後で必ず数値を比較して効果を確認する
Step 4: 改善案を提示する
報告フォーマット
## パフォーマンス分析結果
### 検出された問題
#### 🔴 Critical（即時対応推奨）
**[カテゴリ] <問題の要約>**
場所: <ファイル名:行番号>
問題: <何がなぜ遅いか>
改善前:
<問題のあるコード例>
改善後:
<修正後のコード例>
改善効果の見込み: <O(n²)→O(n) / DB クエリ数 N→1 等>
#### 🟡 Warning（改善推奨）
...（同形式）
#### 🔵 Suggestion（検討を推奨）
...（同形式）
### プロファイリング結果（計測データがある場合）
- ホットパス上位: <関数名 / 処理時間の割合>
- メモリピーク: <MB>
- DB クエリ数: <N件>
### 優先改善ロードマップ
1. [最優先] <対応方針>（期待効果: <数値>）
2. ...
### サマリー
- Critical: X件 / Warning: X件 / Suggestion: X件
- 推定改善効果: <全体的な見通し>
判定スキーマ（machine-readable）
skill-mentor など呼び出し元が結果を集約するために使用する構造化フォーマット。
Step 4 の報告末尾に <!-- verdict-json --> コメントで囲んで出力する。
{
"skill": "performance-profiler",
"verdict": "OPTIMIZED | NEEDS_IMPROVEMENT | CRITICAL_BOTTLENECK",
"severity_summary": {
"critical": 0,
"warning": 0,
"suggestion": 0
},
"blocking": false,
"issues": [
{
"severity": "Critical | Warning | Suggestion",
"category": "N+1 | ループ | I/O | メモリ | 並行性 | その他",
"summary": "問題の要約（1行）",
"location": "ファイル名:行番号",
"estimated_impact": "DB クエリ数 N→1 / O(n²)→O(n) / メモリ X MB削減 等"
}
]
}
verdict: critical=0 && warning=0 → OPTIMIZED、critical=0 && warning>0 → NEEDS_IMPROVEMENT、critical>0 → CRITICAL_BOTTLENECK。
blocking: Critical が1件以上の場合のみ true。
言語別クイックリファレンス
詳細なプロファイリングコマンドは references/profiling-commands.md を参照。
| 言語 | 推奨プロファイラ | クイックコマンド |
|---|
| Python | cProfile, py-spy, memory_profiler | python -m cProfile -s cumtime script.py |
| Node.js / TS | --prof, clinic.js, 0x | node --prof app.js |
| Go | pprof | go tool pprof http://localhost:6060/debug/pprof/profile |
| Java | JProfiler, async-profiler | java -agentpath:libasyncProfiler.so=start,file=profile.jfr |
| Rust | flamegraph, perf | cargo flamegraph |
| Ruby | stackprof, derailed_benchmarks | bundle exec stackprof --mode cpu --out tmp/stackprof.dump |
補助スクリプト
- detect_antipatterns.py — 静的解析による性能アンチパターン検出（言語横断・grep/AST ベース）
