我用 AI 搭了个 Android 性能分析工具，踩了不少坑
做 Android 这么多年，性能优化一直是件让人头疼的事。
你肯定遇到过这种场景：用户反馈列表滑动卡顿，你打开 Android Profiler 抓了一堆数据，CPU 调用链几百层深，看了半天也定位不到问题在哪。
市面上有一些工具，但大多要么需要 Root，要么要改业务代码接入 SDK，要么就是只给个耗时数据让你自己去猜。
我想做一个东西：丢一个 trace 过去，它告诉我哪个类的哪个方法慢了、为什么慢、怎么改。
就这么个想法，断断续续搞了几周，算是跑起来了。
做了什么
项目叫 SmartInspector，一个 CLI 工具，跑在终端里。
核心流程就三步：
连手机 → 自动采集 trace → AI 分析 → 出报告
比如你在终端输入 /trace app，它会通过 adb 采集 Perfetto trace，然后自动分析 CPU、帧渲染、内存、IO 这些指标，最后给一份 Markdown 格式的报告。
最实用的是源码归因——它不只是说"第 23 帧耗时 156ms"，而是会告诉你：
MainActivity.onCreate()里调了loadData()，里面Gson.fromJson()在主线程解析了一个 2.3MB 的 JSON。建议挪到子线程或者用流式解析。
还能分析布局文件，帮你找嵌套过深和过度绘制的地方。
怎么实现的
架构不复杂：
CLI → 意图路由 → 采集 → 分析 → 归因 → 报告
关键的设计思路是确定性流程用代码，需要"理解"的部分用 AI。
- 意图路由：few-shot prompt 分类，max_tokens=5，基本不会出错
- trace 采集和 SQL 查询：纯代码，调用 Perfetto 的 TraceProcessor
- 源码归因：AI 拿着耗时方法名去项目源码里找对应位置
- 报告生成：AI 把分析结果写成人类能读的报告
说白了就是把大问题拆成小问题，每个小问题让 AI 只做一件事，准确率就上去了。
AI 辅助开发的真实感受
说实话，一开始也没想到能靠 AI 搞出来。试了几轮之后有几点体会：
爽的地方
一个完整的 pipeline 从需求到能跑，大概 3 周。纯自己写我估计要 2 个月以上。特别是写那种"架构搭架子"的代码，你把需求描述清楚，AI 帮你出模块划分和接口定义，你负责拍板就行。
修 Bug 也是，有个布局文件后缀识别的问题，我把日志贴给 Claude Code，它直接定位到 attributor.py 里的条件判断逻辑，改了一行就好了。
不爽的地方
AI 不会主动发现需求变更。一开始没考虑鸿蒙支持，后来要加，它不会提醒你"这个架构应该提前考虑跨平台"。
复杂 Bug 还是得自己来。有个 trace 数据覆盖的问题，AI 改了 3 次都没对，最后我自己看代码才找到原因。它擅长写新代码，不擅长在复杂状态机里找逻辑错误。
还有 Token 消耗。多 Agent 协作的模式，分析一个 trace 要跑好几轮 LLM 调用，成本不低。
一些实际数据
- 从零到第一个可用版本：约 3 周
- Python 约 3000 行，Kotlin 约 800 行
- AI 生成比例约 70%，剩下 30% 是手写和重构
- Bug 修复成功率约 60%，复杂逻辑问题基本靠人
项目地址
开源了，感兴趣的同学可以看看：
目前还在早期阶段，很多功能在持续迭代。后面打算支持鸿蒙平台，增加 GPU 渲染分析，再做 CI/CD 自动检测。
欢迎提 issue 和 PR，也欢迎交流 AI 辅助开发的经验。
这是「AI码上见」专栏的第一篇，后续会持续分享用 AI 搞开发的真实经历。
