应用性能优化

---

name: application-performance-performance-optimization description: "使用性能分析、可观测性和后端/前端调优来优化端到端应用性能。在需要跨技术栈协调性能优化时使用。" risk: unknown source: community date_added: "2026-02-27"

使用专业的性能和优化代理端到端优化应用性能：

[扩展思考：此工作流编排了一个覆盖整个应用技术栈的综合性能优化流程。从深度性能分析和基线建立开始，工作流逐步推进到每个系统层的针对性优化，通过负载测试验证改进效果，并建立持续监控以维持性能。每个阶段都建立在前一阶段的洞察之上，创建一个数据驱动的优化策略，解决真实瓶颈而非理论改进。工作流强调现代可观测性实践、以用户为中心的性能指标和成本效益优化策略。]

何时使用此技能

• 跨后端、前端和基础设施协调性能优化
• 建立基线和性能分析以识别瓶颈
• 设计负载测试、性能预算或容量规划
• 为性能和可靠性目标构建可观测性

不适用场景

• 任务是小范围的局部修复，没有更广泛的性能目标
• 无法访问指标、追踪或性能分析数据
• 请求与性能或可扩展性无关

操作说明

1. 确认性能目标、约束条件和目标指标。
2. 通过性能分析、追踪和真实用户数据建立基线。
3. 跨技术栈执行分阶段优化，确保可衡量的影响。
4. 验证改进效果并设置防护措施以防止性能回退。

安全注意事项

• 未经批准和安全保障，避免对生产环境进行负载测试。
• 逐步推出性能变更，并准备回滚计划。

阶段1：性能分析与基线建立

1. 全面性能分析

• 使用 Task 工具，subagent_type="performance-engineer"
• 提示："为以下内容全面分析应用性能：$ARGUMENTS。生成CPU使用的火焰图、内存分析的堆转储、追踪I/O操作并识别热点路径。如果可用，使用DataDog或New Relic等APM工具。包括数据库查询分析、API响应时间和前端渲染指标。为所有关键用户旅程建立性能基线。"
• 上下文：初始性能调查
• 输出：详细的性能分析报告，包含火焰图、内存分析、瓶颈识别、基线指标

2. 可观测性栈评估

• 使用 Task 工具，subagent_type="observability-engineer"
• 提示："评估以下内容的当前可观测性设置：$ARGUMENTS。审查现有监控、OpenTelemetry分布式追踪、日志聚合和指标收集。识别可见性差距、缺失指标和需要更好检测的区域。推荐APM工具集成和业务关键操作的自定义指标。"
• 上下文：步骤1的性能分析
• 输出：可观测性评估报告、检测差距、监控建议

3. 用户体验分析

• 使用 Task 工具，subagent_type="performance-engineer"
• 提示："分析以下内容的用户体验指标：$ARGUMENTS。测量Core Web Vitals（LCP、FID、CLS）、页面加载时间、可交互时间和感知性能。如果可用，使用真实用户监控（RUM）数据。识别性能不佳的用户旅程及其业务影响。"
• 上下文：步骤1的性能基线
• 输出：用户体验性能报告、Core Web Vitals分析、用户影响评估

阶段2：数据库与后端优化

4. 数据库性能优化

• 使用 Task 工具，subagent_type="database-cloud-optimization::database-optimizer"
• 提示："基于性能分析数据优化数据库性能：$ARGUMENTS，分析数据：{context_from_phase_1}。分析慢查询日志，创建缺失索引，优化执行计划，使用Redis/Memcached实现查询结果缓存。审查连接池、预编译语句和批处理机会。如需要，考虑读副本和数据库分片。"
• 上下文：阶段1的性能瓶颈
• 输出：优化后的查询、新索引、缓存策略、连接池配置

5. 后端代码与API优化

• 使用 Task 工具，subagent_type="backend-development::backend-architect"
• 提示："针对瓶颈优化后端服务：$ARGUMENTS，目标瓶颈：{context_from_phase_1}。实现高效算法，添加应用级缓存，优化N+1查询，有效使用async/await模式。实现分页、响应压缩、GraphQL查询优化和批量API操作。添加断路器和隔板以增强弹性。"
• 上下文：阶段1的性能分析
• 输出：优化后的后端代码、缓存实现、API性能改进