IT技术博客大学习 共学习 共进步

标签:SmartPerfetto

共 2 篇相关文章

IT 累计浏览 7

「置顶」我做了什么

本文是作者的个人技术项目总览,系统梳理了他长期维护的四大方向工作。在 Android 性能分析与工具链建设上,以 SmartPerfetto 为核心,构建了一套基于 Perfetto 的 AI 辅助分析体系,并配套开发了 Android App Memory Analysis、TraceFix(自动插桩)等专用工具,形成了从 Trace 采集、数据可视化到自动化分析的完整流程。AI 与自动化方向,重点介绍了本地运行的 OpenClaw 系统,它整合了多种模型与工具,用于知识管理、日报生成及工程协作,其公开成果如 AI Field Notes 展现了持续的自动化信息处理能力。此外,作者还开发了数款面向真实需求的 iOS 与 Android 应用,如健康预测 App 100Years。在技术内容输出方面,他通过维护 Android Performance 博客、Android Weekly 周刊及知识星球,沉淀了大量关于系统性能、工具使用及方法论的深度文章与案例,构成了公开的知识体系。整体而言,这些项目贯穿了从底层性能分析、工具开发、AI 实践到应用实现与知识分享的完整技术闭环。

IT 累计浏览 3

SmartPerfetto 架构文章 Q&A:8 个深度技术问答

文章深入解析了SmartPerfetto架构的核心设计哲学,重点阐述了其在确定性约束与Agent自主性之间的平衡策略。关键机制在于三层配合:Strategy文件以声明式规则定义分析必须完成的步骤与硬性约束,Planning Gate强制Agent在执行前提交计划以确保规划纪律,而Verifier则在事后对关键分析动作进行多维度检查与纠错。这使得系统对核心分析路径(如滑动卡顿的根因深钻)施加强约束,而在探索性环节保留灵活度。 文章澄清了Agent与Workflow的本质区别,指出决策权分配应因环节而异。SmartPerfetto在数据收集阶段采用类似SOP的确定性策略(Workflow),而在需要因果推理和归纳的归因阶段充分信任LLM的自主能力(Agent)。其最终架构选择基于Claude Agent SDK,并叠加了场景分类、策略注入、验证纠错等自建约束层,而非固定控制流的ReAct或LangGraph。这一选择源于性能分析路径的不可预测性,使LLM能根据运行时数据自主选择分析路径,同时通过约束框架确保分析深度与完整性,定义了由观测能力、约束框架与反馈质量共同决定的Agent能力边界。