菜单
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。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
| 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。