Menu
识别代码性能瓶颈，分析时间复杂度和空间复杂度，并提供优化建议。当用户要求分析代码性能、查找瓶颈或提供优化建议时调用。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | code-performance-analyzer |
| description | 识别代码性能瓶颈，分析时间复杂度和空间复杂度，并提供优化建议。当用户要求分析代码性能、查找瓶颈或提供优化建议时调用。 |
Code Performance Analyzer 是一个用于识别代码性能瓶颈并提供优化建议的技能。它能够分析多种编程语言的代码，识别潜在的性能问题，并给出具体的优化方案。
调用此技能当：
时间复杂度分析
空间复杂度分析
算法效率分析
代码结构分析
数据结构分析
算法优化
数据结构优化
循环优化
内存管理优化
并行化建议
编译/解释优化
请分析以下代码的性能瓶颈并提供优化建议：
function fibonacci(n) {
if (n <= 1) return n;
return fibonacci(n - 1) + fibonacci(n - 2);
}
请分析文件 /path/to/file.js 的性能瓶颈并提供优化建议。
请分析文件 /path/to/file.py 中名为 process_data 的函数的性能瓶颈。
# 代码性能分析报告
## 1. 基本信息
- 文件：example.js
- 语言：JavaScript
- 代码行数：50
## 2. 性能瓶颈识别
### 2.1 主要瓶颈
- **位置**：第 25-30 行，循环嵌套
- **问题**：时间复杂度 O(n²)
- **影响**：大数据集下运行缓慢
### 2.2 次要瓶颈
- **位置**：第 10 行，重复计算
- **问题**：每次调用都重新计算相同值
- **影响**：增加不必要的计算开销
## 3. 优化建议
### 3.1 针对主要瓶颈
- **建议**：将嵌套循环改为单次循环，使用哈希表优化查找
- **预期改进**：时间复杂度从 O(n²) 降至 O(n)
- **优化后代码**：
```javascript
// 优化前
for (let i = 0; i < n; i++) {
for (let j = 0; j < n; j++) {
// 比较操作
}
}
// 优化后
const map = new Map();
for (let i = 0; i < n; i++) {
map.set(arr[i], i);
}
for (let i = 0; i < n; i++) {
// 直接查找
if (map.has(target - arr[i])) {
// 处理逻辑
}
}
// 优化前
function expensiveCalculation(n) {
// 复杂计算
}
// 优化后
const cache = new Map();
function expensiveCalculation(n) {
if (cache.has(n)) return cache.get(n);
const result = /* 复杂计算 */;
cache.set(n, result);
return result;
}
| 指标 | 优化前 | 优化后 | 改进幅度 |
|---|---|---|---|
| 时间复杂度 | O(n²) | O(n) | 显著提高 |
| 内存复杂度 | O(1) | O(n) | 略有增加 |
| 预期运行时间 | 1000ms | 100ms | 10倍提升 |
## Examples
### Example 1: JavaScript 斐波那契数列优化
**输入**：
请分析以下斐波那契数列实现的性能瓶颈：
function fibonacci(n) { if (n <= 1) return n; return fibonacci(n - 1) + fibonacci(n - 2); }
**输出**：
function fibonacci(n) {
if (n <= 1) return n;
let a = 0, b = 1;
for (let i = 2; i <= n; i++) {
let temp = a + b;
a = b;
b = temp;
}
return b;
}
const cache = new Map();
function fibonacci(n) {
if (n <= 1) return n;
if (cache.has(n)) return cache.get(n);
const result = fibonacci(n - 1) + fibonacci(n - 2);
cache.set(n, result);
return result;
}
| 指标 | 优化前 | 优化后 |
|---|---|---|
| 时间复杂度 | O(2ⁿ) | O(n) |
| 空间复杂度（动态规划） | O(n) | O(1) |
| 空间复杂度（记忆化） | O(n) | O(n) |
| 计算 fib(40) 耗时 | 约 1 秒 | 约 0.1 毫秒 |
### Example 2: Python 列表操作优化
**输入**：
请分析以下 Python 代码的性能瓶颈：
def find_duplicates(nums): duplicates = [] for i in range(len(nums)): for j in range(i + 1, len(nums)): if nums[i] == nums[j] and nums[i] not in duplicates: duplicates.append(nums[i]) return duplicates
**输出**：
nums[i] not in duplicates 检查（第 6 行）def find_duplicates(nums):
seen = set()
duplicates = set()
for num in nums:
if num in seen:
duplicates.add(num)
else:
seen.add(num)
return list(duplicates)
| 指标 | 优化前 | 优化后 |
|---|---|---|
| 时间复杂度 | O(n²) | O(n) |
| 空间复杂度 | O(k)（k 为重复元素数量） | O(n) |
| 运行效率 | 低 | 高 |
in 操作在大型列表上效率较低，优先使用集合
## Analysis Process
1. **代码解析**：理解代码结构和功能
2. **复杂度分析**：计算时间和空间复杂度
3. **瓶颈识别**：找出性能问题所在
4. **优化方案设计**：提出具体的优化建议
5. **代码优化**：提供优化后的代码示例
6. **效果评估**：分析优化前后的性能对比
7. **结论与建议**：给出最终结论和实施建议
## Benefits
- **提高代码运行速度**：减少执行时间，提升用户体验
- **降低资源消耗**：减少CPU和内存使用
- **改进算法效率**：优化算法设计，提高可扩展性
- **增强代码可维护性**：优化后的代码通常更简洁、易读
- **降低运营成本**：减少服务器资源消耗，降低成本
## Limitations
- 该技能基于静态分析，可能无法捕获所有运行时性能问题
- 对于某些复杂系统，可能需要结合动态性能分析工具
- 优化建议可能需要根据具体业务场景进行调整
- 某些优化可能需要权衡性能和代码可读性
## Best Practices for Performance Optimization
1. **先测量，后优化**：使用性能测试工具确认瓶颈
2. **优先优化热点代码**：专注于执行频率最高的代码
3. **考虑算法复杂度**：选择合适的算法和数据结构
4. **避免过早优化**：先确保代码功能正确，再进行优化
5. **测试优化效果**：优化后进行性能测试，验证改进
6. **保持代码可读性**：不要牺牲可读性换取微小的性能提升
7. **考虑硬件和环境**：优化应适应目标运行环境
## Conclusion
Code Performance Analyzer 是一个强大的工具，可以帮助开发者识别和解决代码中的性能问题。通过使用这个技能，开发者可以编写更高效、更可靠的代码，提高应用程序的性能和用户体验。