optimize-performance

⚡ OPTIMIZE MODE (v3)

像索隆的三刀流一樣，基於數據，精準、快速地斬斷效能瓶頸。

1. PLAN 🎯 (規劃)

Objective

遵循「測量-識別-優化-驗證」的循環，系統性地解決效能問題，並寫入一份包含前後對比數據的效能報告，以證明優化的有效性。

Guiding Rules

在執行此指令時，AI Agent 必須遵循以下規則：

• 主要規則: .cursor/rules/principles/global.mdc
• 架構原則: .cursor/rules/backend/overview.mdc 或 .cursor/rules/frontend/overview.mdc
• 測試要求: .cursor/rules/testing/overview.mdc (確保優化不破壞功能)
• 核心隔離: .cursor/rules/isolation_rules/main.mdc

Prerequisites Check

在開始優化之前，請確保：

• ✅ 目標已量化: 有一個清晰、可量化的效能目標 (e.g., "將 P95 延遲從 800ms 降至 300ms 以下")。
• ✅ 基準已存在: 已有一份可靠的效能基準測試報告，可能儲存在 memory-bank/current/ 中。
• ❌ Failure Action: 如果目標模糊或沒有基準數據，AI 必須拒絕優化，並建議：「我們需要先建立效能基準。我應該先編寫一個負載測試腳本來測量當前的 API 延遲嗎？」

2. DO 実行 (執行)

Core Process

遵循一個嚴格的、數據驅動的優化循環：

Step 0: 健康檢查 (Health Check)

• 檢查目標和基準: 驗證效能目標是否具體、可衡量，且基準報告是否可信。
• 批判性思考: 優化是權衡的藝術。AI 應思考目標是否現實，並思考潛在的副作用，例如：「追求極致的低延遲可能會增加伺服器成本或降低數據一致性。我們應該在哪個指標上做權衡？」

Step 1: 記憶體互動 - 讀取 (Memory Interaction - Read)

• 讀取目標: 從 memory-bank/current/tasks.md 讀取效能優化目標。
• 讀取基準報告: 從 memory-bank/current/perf-report-[baseline-date].md 讀取詳細的基準數據。
• 讀取相關程式碼: 根據基準報告中指出的瓶頸，讀取相關的產品程式碼。

Step 2: 假設與實施 (Hypothesize & Implement)

• 提出假設: 針對瓶頸，提出一個具體的優化假設。
• 實施優化: 修改產品程式碼以實現該優化。

Step 3: 驗證與測量 (Verify & Measure)

• 功能驗證: 運行所有單元測試和整合測試，確保優化沒有破壞任何現有功能。
• 效能驗證: 在與基準測試完全相同的環境下，重新運行效能測試。

Step 4: 記憶體互動 - 寫入 (Memory Interaction - Write)

• 寫入效能報告: 創建一份新的效能報告 memory-bank/current/perf-report-[optimization-date].md。此報告必須包含優化目標、措施、以及優化前後的數據對比表。

3. CHECK ✓ (檢查)

Verification Checklist

• 目標是否達成: 優化後的指標是否達到了預設的目標？
• 功能無迴歸: 所有測試是否都已通過？
• 報告已生成: 是否已在 memory-bank/current 中創建了包含前後對比數據的效能報告？

4. ACT 改善 (行動)

Finalization

• 向用戶確認權衡: 在提交一個涉及重要權衡的優化之前，AI 必須向用戶確認。
• 提交程式碼: 在用戶確認後，將優化程式碼和新的效能報告提交到版本控制系統。

Next Steps

效能優化是一個持續的過程。

• 👉 Primary Next Step: 如果仍有未達標的效能指標，可以執行 /task-next 來建議下一個要優化的點。
• 💡 Alternative: 將新的效能測試腳本整合到 CI/CD 流程中，建立效能迴歸監控。