¥
立即购买

专业分析Python代码片段,识别性能瓶颈并提供具体的优化建议,包括效率提升、运行加速和资源消耗减少。优化方案保持功能不变,旨在生成更高效、更专业的代码,适用于开发人员、代码审查和性能调优场景。

免费试用多模型对比变量与模板化文本输出
完整提示词模板
¥0

提示词变量

正在加载表单组件...

提示词生成结果

📝
暂无试用结果

变量说明

  • 代码片段
    需要分析的原始Python代码
    示例:“def calculate_sum(n): total = 0 for i in range(n): total += i return total”
  • 性能优化目标
    期望达成的性能优化目标
    示例:“提升执行速度”
  • 代码应用场景
    代码主要运行的应用场景
    示例:“Web后端服务”
  • 已知性能瓶颈
    用户已观察到的具体性能问题或怀疑的瓶颈点
    示例:“循环内部有大量数据库查询...”
  • 代码约束条件
    如依赖库版本、硬件限制、兼容性要求等
    示例:“必须兼容Python 3.8,不能使用特定库...”
  • 期望优化优先级
    优化时考虑的主要侧重点
    示例:“平衡可读性与性能”

使用场景案例

  • 后端订单汇总优化
    该用例模拟订单汇总接口在高并发与较大订单批次下的性能瓶颈:存在典型的 N+1 数据库查询、循环内反复创建连接、正则匹配未复用编译对象、Python 级聚合与不必要的二次 JSON 转换,整体放大 I/O 与 CPU 开销。期望分析输出定位瓶颈并提出可逐步落地的优化方案,如批量查询与连接池、正则预编译、向量化或内建聚合替代 Python 循环、缓存热点 SKU 价格、减少对象分配以缓解 GC,确保接口语义与返回结构不变的前提下显著降低延迟并提升稳定性。
  • 日志聚合提速
    该用例覆盖典型的离线日志聚合场景:海量 CSV 合并、逐行 apply/iterrows 聚合与逐行正则/时间解析导致算法复杂度与内存用量过高。期望分析能提出可行的矢量化替代方案(如 groupby/agg、分类分桶向量化)、分块读取与按列读取、一次性正则预编译、避免 append 的增量构建策略、合理 dtypes 降内存,以及并行或多进程 I/O 预取等方法,以在结果完全一致前提下显著降低内存峰值并缩短执行时长。
  • 文本推理加速
    该用例针对文本分类推理通道,展示重复模型加载、低效特征映射与 Python 实现 softmax 带来的吞吐下降与延迟上升问题。期望分析明确 I/O 与算法复杂度的瓶颈,提出如模型常驻与权重缓存、向量化 softmax、词表 dict 映射、批处理/流水线、减少临时对象与复用张量缓冲等方案,并建议在不改动外部协议前提下增强并发与吞吐,降低 GC 压力并显著缩短端到端延迟。