Trae提供三种AI驱动性能分析路径：一、SOLO模式静态诊断，自动识别高开销函数并归因；二、上传火焰图，AI解析热点并映射源码；三、Builder模式预评估重构方案性能差异。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在开发过程中发现应用响应缓慢或资源占用异常，需要快速定位导致性能下降的具体函数，则Trae提供了多种内置AI驱动的性能分析路径。以下是实现此目标的操作步骤：
一、启用SOLO模式下的性能诊断智能体
SOLO模式内置了专用于运行时行为建模与热点识别的智能体，它能结合代码结构、调用链路和模拟执行轨迹，自动推断高开销函数。该智能体不依赖真实运行环境，可在静态分析阶段完成初步瓶颈筛查。
1、在Trae IDE左下角点击“SOLO”按钮，选择“性能分析”场景。
2、在弹出对话框中输入自然语言描述，例如：“分析用户登录流程中耗时最长的三个函数，重点关注数据库查询和加密操作”。
3、确认AI生成的任务计划，包含AST扫描、调用图构建、复杂度加权评估等步骤。
4、等待分析完成，查看AI标记的瓶颈函数列表及归因说明，如“JwtTokenGenerator.generateToken() 被识别为CPU密集型，其SHA-256哈希调用未使用线程池隔离”。
二、上传火焰图数据并交由AI解读
Trae支持将本地生成的火焰图（如perf record输出的 folded stack trace）导入，并利用多模态模型解析视觉结构，将图形热点映射回源码位置，同时补充上下文解释。
1、在项目根目录执行性能采集命令，例如：perf record -g -F 99 -p $(pgrep -f 'java.*Application') sleep 30。
2、导出火焰图：perf script | stackcollapse-perf.pl | flamegraph.pl > profile.svg。
3、在Trae中打开“AI分析中心”，点击“上传火焰图”，选择profile.svg文件。
4、AI自动识别顶部宽幅节点，匹配源码行号，并指出：“com.example.auth.service.TokenService.validate() 占用总CPU时间的68%，其内部调用的RSA解密未启用硬件加速指令集”。
三、使用Builder模式重构前的预性能评估
当您准备对某段逻辑进行算法替换或框架升级时，Builder模式可基于代码语义与历史基准数据，预测不同实现方案的性能差异，提前暴露潜在瓶颈迁移风险。
1、选中待优化函数，在右键菜单中选择“Builder → 性能导向重构”。
2、AI列出三种替代方案：同步阻塞IO、CompletableFuture异步链、Reactor响应式流。
3、输入提示词：“对比三者在QPS=2000、P99延迟。
4、AI返回评估结论，例如：“Reactor方案虽降低平均延迟，但因背压策略引发频繁Young GC，Eden区每秒分配量超阈值3.2倍，可能成为新瓶颈”。
四、集成CodeGraph知识图谱进行跨文件调用链性能溯源
通过本地部署的CodeGraph索引，Trae可绕过逐文件grep式搜索，直接定位某函数的所有上游调用者及其聚合耗时贡献，精准识别“隐藏瓶颈放大器”。
1、确保项目目录已执行 codegraph init -i 并完成索引构建。
2、在Trae命令面板输入“show callers of DatabaseConnection.close()”。
3、AI调用CodeGraph一次查询即返回完整调用图谱，并标注：“该方法被TransactionAspectSupport.invokeWithinTransaction()间接调用17次，其中3处未配置timeout属性，导致连接池阻塞级联放大”。
4、点击任一调用路径，AI自动展开对应源码片段并高亮可疑参数配置。
