把「性能剖析」交给智能体，难点不在模型能力，而在流程是否说清楚：输入是什么（可复现的性能场景），按什么顺序处理，交付什么（热点报告与优化建议），哪些事不能做。Skill 就是把这些写下来的载体。

这篇是最短路径：不追求完美，只求在 10 分钟内让「性能剖析」第一次跑通。

准备（2 分钟）

  • 一份真实但已脱敏的可复现的性能场景
  • 一个支持技能或自定义指令的智能体工具（如 Claude Code、Cursor、GPTs、扣子等任一）
  • 一份你认可的热点报告与优化建议范例（可选，但很有帮助）

第 1 步：写最小指令（3 分钟）

任务：性能剖析
输入：可复现的性能场景
步骤：
1. 确定基准场景
2. 运行剖析
3. 按耗时排序热点
4. 提出改动并复测对比
输出：热点报告与优化建议，末尾列出需人工确认的内容。
信息不足时先提问，不要编造。

第 2 步：放到工具里（2 分钟）

把上面的内容放进所用工具的规则或技能位置：Claude Code 放进 .claude/skills/perf-profiling/SKILL.md（前面补上 name 与 description），Cursor 放进 .cursor/rules/，GPTs 放进 Instructions。具体位置见各平台版本的文章。

第 3 步：跑一次（2 分钟）

用一句自然语言发出请求，例如：

用性能剖析技能处理这份可复现的性能场景，输出热点报告与优化建议。

观察智能体是否按步骤执行，输出结构是否符合预期。

第 4 步：修一处（1 分钟）

找出输出中最不满意的一点，只改对应的那一句指令，再跑一次。不要一次改很多处，否则不知道是哪处起了作用。

跑通之后

  • 用测试用例覆盖边界情况
  • 用检查清单确认上线前事项
  • 风险较低，但输出仍需快速过目再使用

交付物结构示例

建议把热点报告与优化建议固定成下面的结构（示意），方便复核与归档：

## 结论
一句话说明最重要的发现或结果

## 主要内容
- 确定基准场景：……
- 运行剖析：……
- 按耗时排序热点：……
- 提出改动并复测对比：……

## 依据
- 引用输入中的具体位置或数据

## 需人工确认
- ……（没有则写“无”）

结构固定之后，复核的人只要先看“结论”和“需人工确认”两部分，就能快速判断结果能否使用。

平台选择建议

同一个「性能剖析」技能可以落在不同平台上，选择时主要看你在哪里工作、要不要执行代码、要不要接外部系统：

  • Claude Code Skill：Claude Code 的 Agent Skills 以文件夹为单位：一个 SKILL.md（YAML 头写 name 与 description）加上可选的脚本和参考资料。智能体平时只看到 description。详见Claude Code Skill 版
  • GitHub Copilot 指令与提示文件：GitHub Copilot 支持仓库级自定义指令文件 .github/copilot-instructions.md。详见GitHub Copilot 指令与提示文件 版
  • OpenAI Agents SDK：OpenAI Agents SDK 是一个轻量的智能体开发框架。详见OpenAI Agents SDK 版

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码，可据此排除不支持相应能力的平台。

智能体与人的分工

技能不是把工作全部交出去，而是把重复、机械的部分交给智能体，人把住判断和责任：

步骤智能体负责人负责
确定基准场景按指令完成并给出依据抽查关键处，确认无误
运行剖析按指令完成并给出依据抽查关键处，确认无误
按耗时排序热点按指令完成并给出依据抽查关键处，确认无误
提出改动并复测对比按指令完成并给出依据抽查关键处，确认无误
最终交付整理热点报告与优化建议决定是否采用、是否对外

风险较低，但输出仍需快速过目再使用。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。