（3755期）Nm Parseltongue Python Performance – Python性能剖析与优化专家

Python性能剖析与优化专家 Python性能分析专业工具集，集成cProfile、内存剖析与生产级py-spy，精准定位代码瓶颈并提供10+优化模式。 使用说明 核心用法 本Skill提供Python性能优化的完整工作流，涵盖剖析、优化、验证三阶段： 1. 性能剖析 CPU剖析：基于cProfile统计调用栈耗时，配合line_profiler定位热点行级代码 内存剖析：通过memory_profiler检测内存泄漏，tracemalloc追踪对象分配 生产环境：集成py-spy实现零侵入式采样剖析，无需修改代码或重启服务 2. 优化模式内置10项经实战验证的优化策略：列表推导式、生成器惰性求值、functools.lru_cache缓存、字符串拼接优化、数据结构选型（set/dict vs list）、NumPy向量化、multiprocessing并行化、数据库查询优化等。 3. 验证闭环提供pytest-benchmark基准测试框架及自定义装饰器，确保优化效果可量化、无回归。 显著优点 分层架构：5大模块按需加载，从开发调试到生产监控全覆盖 零成本生产剖析：py-spy支持对运行中进程采样，突破传统剖析工具的环境限制 内存安全：tracemalloc+弱引用组合解决缓存类内存泄漏痛点 潜在局限 非异步专项：asyncio性能问题需配合python-async Skill 系统级监控：CPU/GPU硬件监控需切换至conservation:cpu-gpu-performance 模块依赖：memory-management依赖profiling-tools，需按序加载 适合人群 后端开发工程师优化API响应延迟 数据工程师处理大规模数据管道的内存/CPU瓶颈 DevOps排查生产环境突发性能劣化 常规风险 生产环境使用py-spy需root权限，存在采样开销（通常<5%） 过度优化陷阱：优先剖析再优化，避免预优化复杂代码 多进程剖析时数据聚合需额外处理 原始说明 Profiles Python code for performance bottlenecks and memory issues