技能介绍

解决什么问题

当 Python 代理、工具服务器或检索管道变慢时，请求日志和黑盒延迟往往只能把问题推给“模型慢”或“下游抖”，很难落到具体代码行。这个技能针对这类工作负载：在大规模重构或盲目加 worker 之前，用 Scalene 对 Python 进程做行级 CPU、GPU、内存剖析，把时间与内存消耗归因到函数、循环、序列化、张量运算或大块对象分配上。

核心能力与关键步骤

前提是有可复现工作负载的 Python 项目或脚本，并具备本地或 staging 运行权限；技能负责引导剖析，不替代可重复基准。
按上游文档驱动 scalene CLI 跑目标代理、工具服务器或检索管道，采集行级 CPU、GPU 与内存数据。
把输出读回代码路径：定位 CPU-bound 热点、GPU 计算热点、隐式拷贝和大对象分配，再决定是局部优化、缓存、异步化还是水平扩展。
技能附基础用法与上游文档链接，用于快速确认如何筛选目标模块、设置运行范围并解释当前环境下的输出。

适用边界与注意点

Scalene 面向 Python 进程本身，不直接归因网络等待、LLM 推理服务、外部数据库或下游依赖；这些仍要结合 tracing、日志或 instrumentation。
需要稳定可复现负载；请求量、缓存状态和模型响应差异过大时，单次剖析结论不稳定。
GPU 指标依赖本地运行时与设备可见性；在容器或设备受限的 staging 环境可能缺项。
上游访谈提到 Scalene 可让 GPT-4 给出建议，但那只是背景资料，不能当成本技能包含自动优化建议。