Python 内存分析助手
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_b4da0893/python-memory-profile-cn。
技能介绍
要解决的典型问题
线上 Python 服务或批任务常出现常驻内存持续爬升、单批峰值撑爆节点、周期负载后曲线不回落,或在容器限额下被系统杀掉。难点不在于「内存变大了」这一句话,而是要把增长拆成 Python 堆、原生扩展、映射文件、子进程与分配器缓存 等区域,并判断是泄漏、峰值工作集、缓存未淘汰还是容量口径不一致。
技能如何协助你排查
本技能按工程证据链组织工作:先症状分型(泄漏 / 峰值 / 缓存 / 碎片 / 复制 / 容量不足),再锁定解释器、依赖、进程模型与可重复负载。它指导你绘制进程内存地图,按假设选择低开销时间线或分配栈、对象存活差分,避免一上来全量追踪扰动现场。
核心步骤包括:汇总分配路径与生命周期、对比基线 / 问题阶段 / 静置后的持续存活对象,检查全局缓存、闭包、队列、生成器与连接池等所有权;区分「对象已不可达」与「常驻集是否下降」;再设计最小修复(流式化、限界、引用清理等),并在相同负载下验收斜率、峰值以及吞吐、延迟与正确性。证据等级使用 CONFIRMED / STRONG / PLAUSIBLE / UNVERIFIED,数值需标明单位、采样区间与是否含子进程。
边界与注意点
它不会把单次峰值或 GC 后数字不变自动判为泄漏,也不建议在高流量生产进程默认开启高开销全量追踪。修复评估强调同条件回归,而非用强制垃圾回收或重启掩盖时间线。深度场景可结合 capture-selection.md(采哪类证据)与 leak-verification.md(证明修好)。
使用场景
- Web 服务在固定 QPS 下常驻集每周线性上涨,需要最小复现并定位仍被持有的对象或缓冲
- 数据处理批任务只在处理 GB 级文件时冲顶,需要按阶段对照峰值与释放是否及时
- 容器内 Worker 被 OOMKill,需要核对 limits、工作集口径与子进程是否未被 Python 对象统计覆盖
- 发布新版本后延迟随运行时间变差,需要把内存曲线与请求批次时间线对齐再做存活差分
适合人员
- 维护多进程 Python API 的后端工程师,需要在不改业务语义前提下证明某次发布是否引入泄漏
- 负责离线 ETL 或科学计算流水线的工程师,要区分合法峰值与中间结果一直被全局结构引用
- 容器平台 SRE,要在不能全量打补丁的生产流量上先做低开销分型再缩小复现环境
- 维护含 C/C++ 扩展或 ML 推理服务的开发者,常驻集高但 `tracemalloc` 对象总数对不上总量