写点什么

大前端性能优化新范式:AI 火焰图在亿级 App 中的落地|QCon 北京

  • 2026-04-09
    北京
  • 本文字数:1954 字

    阅读完需:约 6 分钟

从「AI For What」到「Value From AI」,100+可落地实践案例打通 AI 实战最后一公里!

4 月 16 日-4 月 18 日,QCon 全球软件开发大会将在北京举办。本届大会锚定 Agentic AI 时代的软件工程重塑,聚焦 Agentic AI、多智能体协作、算力优化、技术债治理、多模态和 AI 原生基础设施等前沿话题,邀请来自腾讯、阿里、百度、华为、蚂蚁、小米、网易等企业技术专家,带来百余项真实落地案例,系统性分享前沿洞察与实战干货,以技术共创探索 AI 落地新路径。

快手大前端性能负责人蔡雪建已确认出席 “从软件工程到 AI 工程” 专题,并发表题为大前端性能优化新范式:AI 火焰图在亿级 App 中的落地的主题分享。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。团队构建了 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%。本次分享蔡雪建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。

蔡雪建,自 2016 年 3 月加入快手,至今拥有近 10 年移动端开发与性能优化经验,从业务开发者成长为技术专家、大前端性能负责人。专注移动端全链路体验建设,负责启动速度、卡顿、功耗、磁盘、包体积、黑白屏、无效交互等核心体验方向。在行业上开源 LoadingDrawable、RecyclerRefreshLayout、CircleProgressBar 等多个明星项目,累计 Star 9K+。在公司内部主导用户启动体验优化、磁盘管控、卡顿治理等多个大型技术优化项目,通过全链路治理与精细化策略,保障快手 App 性能体验持续保持行业领先水平。他在本次会议的详细演讲内容如下:

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

除此之外,本次大会还策划了Agentic Engineering多模态理解与生成的突破记忆觉醒:智能体记忆系统的范式重塑与产业落地具身智能与物理世界交互Agent Infra 架构设计AI 重塑数据生产与消费AI 原生基础设施AI 驱动的技术债治理小模型与领域适配模型大模型算力优化Agent 可观测性与评估工程AI for SRE等 20 多个专题论坛,届时将有来自不同行业、不同领域、不同企业的 100+资深专家在 QCon 北京站现场带来前沿技术洞察和一线实践经验。

大会日程已 100%上线,更多详情可扫码或联系票务经理 18514549229 进行咨询。