pprof 是定位真实性能瓶颈的必备工具，需通过 HTTP 接口采集 CPU/内存数据，结合逃逸分析、避免反射、慎用 goroutine 等手段系统优化。
用 pprof 定位真实瓶颈，别猜
90% 的性能优化失败，是因为没搞清哪段代码真正拖慢了系统。pprof 不是可选项，是必选项。直接在 HTTP 服务里加 import _ "net/http/pprof"，然后用 go tool pprof http://localhost:6060/debug/pprof/profile?seconds=30 抓 30 秒 CPU 样本；内存则用 http://localhost:6060/debug/pprof/heap。
常见误操作：
- 只看 top 函数名，忽略调用栈深度 ——
runtime.mallocgc高不等于你要改内存分配，可能是某层循环里反复make([]int, n) - 用
go test -bench测微基准，但线上是并发 + GC + 网络 IO 的混合负载，结果偏差大 - 没设
GODEBUG=gctrace=1观察 GC 频率，GC 次数暴涨常比单次耗时更伤吞吐
避免逃逸，控制变量生命周期在栈上
Go 编译器会把可能逃逸到堆上的变量自动分配到堆，而堆分配 + GC 是性能隐形杀手。用 go build -gcflags="-m -l" 查逃逸分析结果，重点关注带 ... escapes to heap 的行。
典型修复方式：
立即学习“go语言免费学习笔记（深入）”；
- 函数参数传
[]byte而非*[]byte或string（后者底层数据不可变，拼接易触发新分配） - 循环内不要反复
new(T)或&T{}，改用对象池sync.Pool复用结构体实例 - 小数组优先用
[32]byte而非[]byte，编译器更可能将其留在栈上
减少反射和 interface{} 动态调度开销
json.Marshal、fmt.Printf、map[interface{}]interface{} 这类泛化操作，在高频路径中代价极高。反射需运行时遍历类型信息，interface{} 调用会引入动态分发（类似虚函数表查找）。
实操建议：
- JSON 场景优先用
easyjson或ffjson生成静态序列化代码，避免运行时反射 - 避免在 hot path 上用
fmt.Sprintf("%v", x)，改用类型明确的拼接，如strconv.Itoa(i)+ 字符串字面量 - Map 键值类型尽量具体，比如用
map[string]*User替代map[interface{}]interface{}，减少类型断言和哈希计算开销
慎用 goroutine，警惕 goroutine 泄漏与调度压力
不是所有并发都该用 goroutine。每启动一个 goroutine 至少占用 2KB 栈空间，且调度器需维护其状态。高频短任务（如单次 HTTP 请求处理中的日志打点）用 goroutine 反而降低性能。
关键检查点：
- goroutine 是否有明确退出条件？
select缺少default或timeout容易卡死 - 是否用了无缓冲 channel 做同步？阻塞式发送/接收在高并发下易形成 goroutine 积压
- 用
runtime.NumGoroutine()定期采样，突增且不回落基本可判定泄漏
真正需要并发的场景（如批量 IO），优先考虑 worker pool 模式，用固定数量 goroutine 处理任务队列，而非为每个请求启一个。
重构时最容易被忽略的是：性能热点往往不在你怀疑的算法里，而在日志格式化、HTTP header 解析、或某个被反复调用的辅助函数里 —— 一定要让 pprof 说话，而不是靠经验“感觉”。
