cProfile, pstats — входят в стандартную библиотеку), py-spy, line_profiler, pytest, доступ ИИ-агента к репозиторию (модель и версия агента — сверьтесь с документацией вашего инструмента), тесты проекта, если они естьprofile.out и текстовый отчёт профиля, где явно виден список функций, съедающих основное время, с числами tottime/cumtime.python -m venv .venv && source .venv/bin/activate && python -m pip install -U pip py-spy line_profiler pytest
python -m cProfile -o profile.out main.py
python -c "import pstats; pstats.Stats('profile.out').sort_stats('tottime').print_stats(15)"
py-spy record -o profile.svg -- python main.pyПодробности и проверка — в шагах ниже.

Роль: ты — инженер по производительности Python. Ты работаешь в моём репозитории <путь-к-репозиторию> и не меняешь файлы за пределами списка, который я дам.
Контекст:
- Проект: <краткое описание проекта в 2–3 строках>.
- Целевая функция: <модуль.функция> в файле <путь/к/файлу.py>.
- Профиль: файл profile.out (cProfile, сортировка по tottime) и вывод line_profiler по этой функции.
- Бюджет времени: <целевое время на один вызов, мс>.
- Ограничения: Python <версия>, новые зависимости добавлять нельзя, публичную сигнатуру функции не менять, поведение при исключениях и граничные случаи сохранить.
Задача:
1. Прочитай профиль и назови три самых дорогих участка по tottime, приведя числа из профиля.
2. Для самого дорогого участка предложи не больше трёх вариантов переписывания, от простого к рискованному: (а) убрать лишнюю работу внутри цикла, (б) заменить структуру данных, (в) векторизовать через библиотеку, которая уже есть в зависимостях.
3. Для каждого варианта укажи: что меняется, ожидаемый эффект, риск изменения поведения, как проверить эквивалентность.
4. Реализуй только тот вариант, который я подтвержу словом «делай». До подтверждения файлы не редактируй.
5. После правки покажи diff, запусти <команда тестов> и <команда бенчмарка>, приведи время «до» и «после» в одной таблице.
6. Если тесты падают — откати правку и объясни причину.
Формат ответа: таблица «участок | tottime | что делаем | риск», затем diff, затем результат тестов, затем таблица замеров.
Не добавляй зависимости, не переписывай файл целиком, не трогай форматирование несвязанных строк, не выдумывай цифры — бери только из вывода команд.Заменяемые места: <путь-к-репозиторию>, <краткое описание проекта>, <модуль.функция>, <путь/к/файлу.py>, <целевое время, мс>, <версия Python>, <команда тестов>, <команда бенчмарка>.

bash) или Windows 10/11 с PowerShell — команды профилирования одинаковые, отличается только активация venv: .venv\Scripts\Activate.ps1.venv. Минимальную версию для ваших пакетов сверьте с документацией проекта.profile.out в текущей папке.pytest, прогоните их до правок и зафиксируйте, что они зелёные. Это база для сравнения.| Инструмент | Зачем | Команда проверки |
|---|---|---|
| `cProfile` / `pstats` | Профиль по функциям: `tottime` — время в самой функции, `cumtime` — с учётом вложенных вызовов | `python -c "import cProfile, pstats; print('ok')"` |
| `py-spy` | Сэмплирующий профилировщик, строит SVG-флеймграф без правок кода | `py-spy --version` |
| `line_profiler` | Профиль по строкам внутри одной функции | `python -c "import line_profiler; print('ok')"` |
| `pytest` | Проверка, что переписанная функция ведёт себя так же | `pytest -q` |
Пример: успешная проверка выглядит так — py-spy --version печатает строку вида py-spy 0.x.x (конкретную версию сверьте с документацией), pytest -q печатает 12 passed.
Почему это работает: профилировщики не угадывают, а измеряют фактическое время выполнения, поэтому «горячие» функции видны по числам, а не по интуиции.
Что сделать: запустите скрипт под cProfile, затем отсортируйте отчёт по tottime и выпишите топ-5 функций. Для одной функции снимите построчный профиль.
python -m cProfile -o profile.out main.py
python -c "import pstats; pstats.Stats('profile.out').sort_stats('tottime').print_stats(15)"Фрагмент ожидаемого вывода (числа у вас будут свои):
ncalls tottime percall cumtime percall filename:lineno(function)
1200 4.812 0.004 4.812 0.004 app/hot.py:14(process_rows)
1200 0.731 0.001 0.731 0.001 app/parse.py:7(normalize)Построчный профиль одной функции:
kernprof -l -v main.pyВ коде целевой функции перед запуском поставьте декоратор @profile (его добавляет line_profiler; после замеров декоратор уберите, иначе получите NameError: name 'profile' is not defined при обычном запуске).
Зачем: правило «горячих 5%» означает, что правим только функцию из вершины профиля, а не весь проект. Такой правкой вы затрагиваете малую долю кода, но получаете эффект на всём времени выполнения.
Как проверить: в отчёте print_stats(15) первая строка по tottime — функция из вашего кода (не built-in method), и её tottime заметно больше остальных. Дополнительно можно посмотреть флеймграф: py-spy record -o profile.svg -- python main.py — файл profile.svg открывается в браузере и показывает широкие блоки самых «толстых» вызовов.
Структуру папок и правила, которые делают поведение агента предсказуемым, разберите заранее: ICM на практике: структура папок, которая делает ИИ-агента управляемым.
Что сделать: передайте агенту профиль и ограничения из промпта выше, дождитесь таблицы вариантов, подтвердите один и получите diff.
Порядок работы:
1. Откройте чат/сессию агента в каталоге проекта и вставьте промпт, подставив реальные пути.
2. Приложите вывод print_stats(15) текстом — агент должен ссылаться на числа из него.
3. Выберите вариант с наименьшим риском (обычно «убрать лишнюю работу внутри цикла»).
4. Напишите делай и дождитесь diff-а. Проверьте, что изменён только целевой файл.
Пример: агент предложил три варианта и вы выбрали второй — заменить повторный поиск в списке внутри цикла на множество (set). Diff выглядит так:
- for row in rows:
- if row.key in keys_list:
+ keys = set(keys_list)
+ for row in rows:
+ if row.key in keys:Зачем: ограничение «одна функция, не более 5% строк, без новых зависимостей» не даёт агенту переписать половину проекта и сломать поведение, которое вы не проверяете.
Как проверить: git diff --stat показывает изменения только в одном файле, например app/hot.py | 12 ++++++------. Если в diff-е появились requirements.txt, pyproject.toml или десятки файлов — откатывайте: git checkout -- ..
Как такой агент устроен и чем отличается от обычного чата, разобрано здесь: Как превратить обычный чат с LLM в полноценного AI-агента.

Что сделать: прогоните тесты и снимите замер «до/после» одним и тем же скриптом.
import time, statistics
from app.hot import process_rows # <ваш-модуль>
def bench(fn, arg, n=5):
times = []
for _ in range(n):
t = time.perf_counter()
fn(arg)
times.append((time.perf_counter() - t) * 1000)
return min(times), statistics.median(times)
print("min/median, ms:", bench(process_rows, data))Запустите скрипт дважды: на исходной версии (до git apply) и на переписанной, результаты внесите в таблицу.
| Версия `process_rows` | min, мс | median, мс | Тесты |
|---|---|---|---|
| до правки | `<ваш замер>` | `<ваш замер>` | `passed` |
| после правки | `<ваш замер>` | `<ваш замер>` | `passed` |
Зачем: ускорение без проверки эквивалентности — это изменённое поведение, а не оптимизация. Сравнение min и median отсекает случайные выбросы от прогрева и фоновой нагрузки.
Как проверить: чек-лист приёмки.
pytest -q завершился кодом 0 и печатает passedgit diff меняет только согласованную функциюmedian после правки меньше median до правкиrequirements.txt не появилось новых строк@profile удалён из кода перед коммитомПочему это работает: time.perf_counter() даёт монотонные часы высокого разрешения, поэтому разница в миллисекундах отражает реальное изменение, а не сдвиг системного времени.
Проблема. pip install py-spy падает на системном Python
error: externally-managed-environmentpython -m venv .venv && source .venv/bin/activate
python -m pip install py-spyПроверка: py-spy --version печатает версию без ошибки.
Проблема. После правки агента тесты падают на размерах массивов
ValueError: operands could not be broadcast together with shapes (1000000,) (999999,)git checkout -- app/hot.py
pytest -q tests/test_hot.py::test_lengthЗатем в промпте допишите строку: «Результат функции должен иметь ту же длину, что и вход; приложи проверку len(out) == len(rows)».
Проблема. Тесты падают на сравнении дробных чисел
assert 0.30000000000000004 == 0.3pytest.approx, а в коде сохраняйте прежний порядок суммирования:import pytest
assert result == pytest.approx(0.3, rel=1e-9)Если бизнес-логика требует точности — верните исходную формулу и попросите агента оптимизировать другой участок.
Вы получили профиль с числами, одну переписанную горячую функцию и таблицу замеров «до/после» с зелёными тестами. Следующий проход — повторить шаги 1–3 для второй функции из топа профиля, начиная с нового замера.
Сколько функций можно переписывать за один проход?
Одну. Правило «горячих 5%» работает только при малом diff-е: так вы можете проверить каждое изменение тестами и откатить его одной командой git checkout.
Обязательно ли ставить py-spy, если есть cProfile?
Нет. cProfile входит в стандартную библиотеку и уже даёт список функций с tottime. py-spy нужен, когда хочется увидеть флеймграф или снять профиль без правок кода; минимальную версию и права запуска сверьтесь с документацией.
Что делать, если после правки стало медленнее?
Откатите изменение (git checkout -- <файл>), вернитесь к отчёту профиля и выберите другой участок — например, функцию со вторым по величине tottime. Замеры min и median при повторном прогоне покажут, был ли эффект реальным.
Можно ли доверять цифрам ускорения, которые называет агент?
Только если они взяты из вывода ваших команд. В промпте прямо запрещено выдумывать числа; сравнивайте замеры, снятые вашим скриптом бенчмарка на одной и той же машине.
Статус: практическое руководство. Часть утверждений — заявления вендоров и проектов; проверяйте на своей среде.
Практическое руководство: как найти узкие места профайлером, отдать агенту только медленные участки и портировать их без переписывания всего проекта целиком. Время выполнения: 40–60 минут на первый проход (профиль + одна правка + проверка) Уровень сложности: Intermediate
Машинные данные публикации: Citation Map JSON · JSON-LD · Semantic Embeddings — отдельный этап.
| Сущность | Тип | Роль в публикации |
|---|---|---|
| как ускорить Python код | тема/инструмент | упоминается в заголовке, TL;DR или разделах гайда |
| профилирование Python | тема/инструмент | упоминается в заголовке, TL;DR или разделах гайда |
| оптимизация кода с помощью ИИ | тема/инструмент | упоминается в заголовке, TL;DR или разделах гайда |
| как найти узкие места в коде | тема/инструмент | упоминается в заголовке, TL;DR или разделах гайда |
| Python | платформа/технология | упоминается в заголовке, TL;DR или разделах гайда |
В материале нет отдельного независимого подтверждения; ниже разделены заявления источников и редакционные выводы.
| Источник | Тип | Роль |
|---|---|---|
| Внешние ссылки в материале не указаны | — | — |
Как цитировать: AI Release. Как ускорить Python-код с помощью ИИ-агента: профилирование и переписывание горячих 5%. ai-release.org.