下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“python-performance-optimization”。 分析处理大型列表的函数
预期结果:
时间报告显示 process_data() 消耗了 2.3 秒（占总时间的 85%），其中 90% 的时间花在嵌套循环中。建议：将 O(n²) 算法替换为字典查找以获得 O(n) 性能。
正在使用“python-performance-optimization”。 分析内存使用模式
预期结果:
内存分析显示 data_cache 字典中分配了 500MB 且无限增长。建议：使用 maxsize 参数实现 LRU 缓存或使用 WeakValueDictionary 进行自动清理。
安全审计
安全Static analysis flagged 68 patterns but all are false positives. The backtick detections are markdown code formatting, not shell execution. Network and URL findings are educational examples using test endpoints. SQLite references are documentation examples. System reconnaissance patterns are legitimate profiling tool demonstrations. This is a documentation-only skill with no executable code or security risks.
质量评分
你能构建什么
调试慢速 API 端点
分析 Web 应用程序以识别慢速数据库查询并优化响应时间。
优化数据处理管道
分析 ETL 工作流的内存使用和执行时间，以减少资源消耗。
提升算法效率
分析计算代码以识别低效模式并应用适当的优化。
试试这些提示
帮助我分析这个 Python 函数以识别性能瓶颈。以下是我的代码：[paste code]。向我展示如何使用 cProfile 测量执行时间并找到慢速函数。
我的 Python 应用程序内存使用量随时间增加。帮助我使用 memory_profiler 和 tracemalloc 识别以下代码中的内存泄漏：[paste code]。解释输出结果的含义。
我已经分析了代码并发现了这些瓶颈：[paste profiling output]。推荐具体的优化技术，并为每个建议展示优化前后的代码示例。
指导我设置 py-spy 以在不停止运行中的 Python 生产服务的情况下进行分析。解释如何生成火焰图并解读结果以找到热点路径。
最佳实践
- 始终在优化前进行性能分析，以识别实际的瓶颈，而非假设的瓶颈
- 使用适当的数据结构：字典用于查找，集合用于成员测试，生成器用于大型序列
- 使用 functools.lru_cache 缓存昂贵的计算，并批量执行 I/O 操作以减少系统调用开销
避免
- 在没有性能分析数据的情况下优化代码会导致在非瓶颈点浪费精力
- 在循环中使用 + 运算符进行字符串连接而不是使用 join() 会导致二次时间复杂度
- 当使用基于迭代器的处理就足够时，将整个文件或数据集加载到内存中