让Codex用Python 3.15新剖析器找性能瓶颈

原文要点

Simon Willison让Codex（GPT-6 Astra Extra High）用Python 3.15内置采样剖析器profiling.sampling分析他的web-edit应用，提示词思路是『先调研，再做火焰图和热力图演示』。作者报告：preserve_endings出现在15296个CPU栈的64.8%中，SequenceMatcher.find_longest_match贡献38.3%的叶子样本；95.1%的栈来自AnyIO工作线程，只采样主线程会完全漏掉热点。以上百分比与模型名为作者所述，本文不复核。

这次做成什么

学会一条可复用的agent性能分析套路：让Codex或同类编程agent先调研你的项目，再调用Python 3.15的profiling.sampling对所有线程采样，产出火焰图与源码热力图，并据此定位真正的热点函数。

准备什么

• 已安装Python 3.15（profiling.sampling为新版本内置模块，旧版本没有）
• 一个可本地运行的Python项目，最好是带并发框架（如AnyIO/asyncio）的应用
• Codex CLI或其他能执行终端命令、读写项目文件的编程agent
• 项目能在本地跑起来并施加负载（测试脚本、压测工具或手工操作）

具体怎么做

1. 确认环境并准备一个可压测的项目

   终端运行python3.15 --version确认解释器版本。准备一个能跑起来的应用：可以是自己的FastAPI/AnyIO服务，也可以像作者那样从PyPI装一个小型web应用做实验。明确启动命令和触发负载的方式（例如一段循环请求的脚本），这两件事agent后面会用到。

2. 向agent下达『先调研再演示』的两段式指令

   把下方提示词发给agent，替换项目名和启动方式。关键是模仿作者的结构：第一，要求它先调研——读懂项目入口、依赖和如何产生有代表性的负载，不要上来就采样；第二，要求它用Python 3.15的profiling.sampling在负载下采样并生成火焰图和源码热力图。profiling.sampling的确切命令行参数本文未从原文获得，让agent自行查阅3.15文档确认，不要凭记忆编造。

3. 检查采样是否覆盖所有线程

   这是本文最有价值的教训：作者的应用95.1%的栈在AnyIO工作线程上。拿到结果后先问agent：采样配置是否包含全部线程？让agent在报告中列出各线程的栈占比。如果报告里几乎只有主线程，说明采样范围不对，要求重采，否则你会像作者警告的那样完全漏掉真正的热点。

4. 读图定位热点并决定是否优化

   看火焰图最宽的帧和热力图最热的源码行，让agent给出：热点函数名、出现在多少百分比的栈中、叶子样本占比（如作者报告的64.8%与38.3%这种口径）。注意这些是采样估计，不是精确计时；决定是否优化前先让agent解释该热点在什么负载条件下出现，避免为罕见路径做无谓优化。

可直接复制的材料

我需要你帮我用Python 3.15内置的profiling.sampling剖析器分析本项目的性能，分两步执行：
第一步先调研，不要急着采样：阅读项目代码，告诉我应用的入口、使用的并发框架、哪些路径最可能消耗CPU，以及如何在本地启动它并施加有代表性的负载。
第二步做演示：用profiling.sampling在负载运行期间采样（请先查阅Python 3.15官方文档确认该模块的用法和参数），生成火焰图和源码热力图，保存到项目下的profile-output目录。
硬性要求：采样必须覆盖进程的所有线程，不要只采主线程；完成后在报告里列出各线程的栈占比、出现频率最高的5个函数及其栈占比、叶子样本占比最高的5个函数。所有数字注明来自采样估计。
项目启动方式：{填写你的启动命令}
负载产生方式：{填写压测脚本或操作说明}

输入与输出示例

本站虚构演示，数字为说明报告口径而编，非实际剖析结果；你的项目数字必然不同。

输入

对一本站虚构的Markdown批处理CLI（Python 3.15，内部用AnyIO并发读文件）发送上述提示词，负载为脚本连续转换500个测试文档。

对应输出

agent报告示意：共记录9 840个CPU栈，其中92.7%来自AnyIO工作线程、7.3%来自主线程；栈占比最高函数：normalize_whitespace占58.2%，render_links占21.4%；叶子样本占比最高：re.Pattern.sub占33.6%。结论：空白符归一化是正则在逐行调用，建议改为整文档一次替换。火焰图与热力图已写入profile-output/。

做完检查这些

• agent先输出了调研结论（入口、并发框架、负载方式），然后才开始采样
• 报告明确列出各线程栈占比，工作线程占比与火焰图主体一致
• 报告同时给出栈占比（inclusive口径）和叶子样本占比（exclusive口径）两组数字
• 火焰图文件和热力图文件真实生成在指定目录且能打开查看

容易卡住的地方

• profiling.sampling是Python 3.15新增模块，用3.14或更早版本会直接找不到模块
• 只采样主线程是最致命的错误：并发应用的绝大多数CPU消耗在工作线程上，作者案例中占95.1%
• 采样剖析给出的是统计估计，样本少或负载太短时百分比波动很大，别把单次结果当精确测量
• agent可能凭训练记忆编造该模块的命令行参数，务必让它对照3.15官方文档核实
• 没有代表性负载时火焰图反映的是启动开销而非业务热点，先准备好压测方式