performance-optimization

性能优化 skill 概览

performance-optimization skill 是做什么的

performance-optimization skill 是一套“先度量、后优化”的工作流，用来诊断和提升应用速度，避免拍脑袋式判断。它的核心任务很直接：先帮你做 profile，找出真正的瓶颈，修复这个瓶颈，再验证结果。相比泛泛的“把它变快”提示词，它更适合需要严谨性能工作的场景，而不是宽泛建议。

适合谁安装

这个 performance-optimization skill 最适合开发者、AI 辅助编程者，以及正在处理 web 应用、前端、API，或数据密集型功能的技术负责人；尤其是在延迟、加载时间或 Core Web Vitals 很重要的情况下。如果你已经有明确症状或要求——比如交互卡顿、LCP/INP/CLS 表现差、bundle 过大、改动后回归、或者对流量敏感的代码路径——它会非常对路。

安装前的真实决策标准

如果你想要的是可重复的优化流程，而不是“神奇修复”，就安装 performance-optimization。它最关键的区别在于：它明确反对过早优化，并且把证据放在中心位置。若你想要不测量就直接给出特定框架的调优配方，这个 skill 对那个需求来说可能太“讲规矩”了；但如果你需要一种方法来决定先优化什么，它就是很好的选择。

如何使用 performance-optimization skill

安装上下文，以及先读哪里

要使用 performance-optimization skill，先在你的 AI 编程环境里添加父级 skill 集合，然后在包含可度量性能目标的任务中按名称调用这个 skill。建议先阅读 skills/performance-optimization/SKILL.md；这个仓库路径很重要，因为这个 skill 是自包含的，没有额外附带 helper scripts 或参考文件。也就是说，输入质量对结果的影响，比隐藏工具链更大。

这个 skill 需要什么输入才好用

高质量的 performance-optimization usage 应该从证据开始，而不是笼统抱怨。请提供：

• 受影响的页面、路由、功能或 endpoint
• 当前指标数值或症状
• 你是怎么测的
• 环境细节：设备、浏览器、网络、数据集大小、生产环境还是本地环境
• 如果怀疑回归，说明最近的改动
• 约束条件，例如“不能迁移框架”或“必须保留 SEO”

强输入示例：

Use performance-optimization for our product page. Mobile LCP is 4.1s in Chrome, CLS is 0.18, and users report delayed hero rendering on 4G. We recently added a carousel and a third-party review widget. Please identify likely bottlenecks, suggest measurement steps, rank fixes by expected impact, and tell me how to verify improvement.

弱输入示例：

Make my site faster.

如何把粗略目标变成可用提示词

一个好的 performance-optimization guide 提示词通常会包含以下结构：

1. 说明目标指标或用户抱怨。
2. 给出基线数据。
3. 指定范围。
4. 补充代码或架构上下文。
5. 要求按优先级给出修复和验证步骤。

示例：

Apply the performance-optimization skill to our React checkout flow. INP is ~320ms on mid-range Android during quantity changes. The page renders a large cart list, coupon validation runs on input, and analytics fire on every interaction. Help me measure the hot path, isolate the interaction bottleneck, propose code-level fixes, and define a before/after verification checklist.

实战工作流和输出预期

实际使用时，最好把这个 skill 分成四步来跑：建立基线、隔离瓶颈、设计修复方案、验证结果。你可以要求它把“假设”和“已确认发现”分开写。如果你已经做过 profile，就贴上 traces、Lighthouse 输出、DevTools 发现，或者 flamegraph 摘要；如果还没测，先让 skill 设计 profiling 方案。performance-optimization install 决策里最重要的质量杠杆就在这里：这个 skill 在搭配真实测量和仓库上下文时最有价值，而不是替代它们。

performance-optimization skill 常见问题

它比普通的“优化性能”提示词更好吗？

通常是的，前提是你的目标是可靠的决策。performance-optimization skill 提供了更稳的默认流程：先测量，再定位，再修复，最后验证。普通提示词往往不管真实瓶颈是什么，就直接跳到缓存、memoization、lazy loading 或 code splitting。

它只适用于 Web 性能和 Core Web Vitals 吗？

不完全是，但这个 skill 的重点确实放在面向用户的性能信号上，并且明确提到了 Core Web Vitals 目标。它最自然适合前端和页面速度优化，不过同样的流程也能帮助处理后端延迟、数据处理变慢或回归问题——只要你能定义“慢”是什么意思，并且能测量它。

什么时候不该用 performance-optimization？

如果还没有任何问题证据，不要把 performance-optimization for Performance Optimization 当成第一步。若没有变慢、没有预算、没有 SLA，也没有用户投诉，这个 skill 本身就反对贸然做优化。它也不适合拿来开箱即用地做基准测试自动化，或者附带特定框架脚本，因为仓库没有提供这些支撑资源。

如何改进 performance-optimization skill

提供更精准的证据，而不是更宽泛的请求

提升 performance-optimization 输出质量最快的方法，是缩小范围、提高指标清晰度。“Checkout 页面在移动端，LCP 3.8s，可能是图片和字体问题”会明显优于“整个应用都很慢”。如果可以，附上截图、profiler 记录、bundle 报告、request waterfall，或者最近的 commit。这个 skill 在看到可观察事实时，推理会强很多。

留意常见失败模式

最大的失败模式，是在确认瓶颈之前就要求修复。另一个常见问题，是把很多症状混在同一个请求里：启动慢、交互卡顿、API 延迟，往往需要不同的调查路径。也不要要求“所有可能的优化”。那样很容易得到一长串泛化清单，而不是按优先级排序的行动方案。更好的做法是要求按预期影响、实现成本和验证方式来排序。

先做第一轮，再继续迭代

第一轮答复后，带着结果回来：例如“我们把 widget script 延后了，LCP 从 4.1s 降到 3.2s，但 INP 没变。”这样 performance-optimization skill 就能从理论分析切换到有指导的迭代。最好的工作流是循环式的：建立基线、只改一个有意义的变量、重新测量，然后再要下一个预期影响最高的改进，而不是一次性上十个推测性的修复。