专题演讲嘉宾：蔡雪建

在 App 的性能治理实践中，火焰图已成为核心分析工具，但其高度依赖专家经验、分析效率低且难以规模化复用。我们构建了 AI 驱动的大前端统一火焰图分析平台 FlameEye，将专家诊断思路沉淀为“Trace 解析 → 结构化数据预处理 → Prompt 驱动推理”的三步工程流水线，实现从原始 Trace 到结构化诊断报告的自动化生成。

平台支持 iOS、Android、Web、RN 多平台，累计处理近 5000 次分析，部分页面启动耗时降低 30%+，发热率下降 40%-50%。本次分享将重点讲解如何将专家经验工程化、如何设计可扩展的 SQL+Prompt 体系、以及如何构建可量化的 AI 评测机制。

演讲提纲

1. 火焰图分析为何难以规模化？

• 高度依赖专家经验，门槛高且难以传承
• 百兆级 Trace 人工分析效率低、易遗漏关键问题
• 多平台、多维度分析割裂，难以形成统一能力
• 专家资源有限，无法支撑规模化需求
• 核心问题：如何把“专家能力”转化为“工程能力”？

2. AI 分析体系建设：如何把专家经验工程化？

• 不直接接入大模型，而是构建完整的分层分析体系
• 三步流架构：Trace 解析 → 结构化特征提取 → AI推理归因
• 将专家直觉沉淀为可计算规则与垂直 Prompt 体系
• 引入源码语义，让分析从“函数耗时”升级为“实现级解释”
• 统一输出结构与反馈闭环，确保能力可复用、可进化

3. AI 评测体系建设：如何让能力稳定、可演进？

• 构建覆盖核心性能场景的标准化样本集
• 建立规则校验 + LLM Judge 的双模评估机制
• 围绕内容质量、成本、端到端耗时三大指标量化能力
• 支持回归对比与持续优化，避免模型漂移

4. 规模化落地：是否真正解决了最初的问题？

• 实现 Android / iOS / Web / RN 多平台统一分析
• 覆盖启动、卡顿、加载、发热等核心性能维度
• 累计 5000+ 次分析，近百用户持续使用
• 分析采纳率接近 80%，部分页面性能提升 30%–50%
• 火焰图能力从“专家瓶颈”走向“工程化基础设施”

5. 未来方向：迈向 AI Native 性能闭环

• 打通监控、抓取、分析、优化的自动化链路
• 探索自动生成修复 MR 与效果验证
• 构建性能领域垂直模型，降低成本、提升精度
• 目标：从“分析助手”进化为“自主优化系统”

您认为，这样的技术在实践过程中有哪些痛点？

• 规则依赖 vs 泛化能力：为保证稳定性必须依赖结构化预处理；规则越强越可控，但对未知场景的适应性可能下降
• 精度 vs 成本与时延：更多调用栈与源码上下文能提升准确率，但会增加 Token 消耗与整体延迟
• 跨平台统一 vs 复杂度：iOS / Android / Web / RN 机制差异大；统一范式会损失细节，平台专属逻辑则提升维护成本

演讲亮点

• 将性能专家“诊断直觉”转化为参数化 SQL + Prompt 双层沉淀模型，实现经验工程化
• 引入“数据 + 源码语义”双输入分析范式，实现从函数耗时到实现级解释的升级
• 构建可量化 AI 评测基线，避免凭感觉优化模型，推动能力工程化演进

听众收益

• 学会如何将领域专家知识工程化为 AI 可执行流水线
• 理解“规则 + LLM”混合架构在垂直场景落地的方法论
• 获得构建 AI 评测体系与成本控制机制的实践经验