PerfettoKit：AI 加持的 Android 性能检测 SDK，让卡顿无处遁形

不止告诉你"哪里卡"，还能给你"怎么修"的代码。

痛点：你是否也在这样定位卡顿？

作为 Android 开发者，你可能经历过这样的场景：

QA 说"列表滑动有点卡"，但你复现不了
Systrace 抓了 20 秒数据，看了半天不知道从哪入手
Profiler 里一堆调用栈，到底哪个才是掉帧的元凶？
好不容易定位到问题，优化方案还得自己翻文档找

PerfettoKit 就是为了解决这些问题而生的。

一句话介绍

PerfettoKit 是一个面向 Android 开发者的轻量级性能检测 SDK，集成了多维数据采集、规则引擎、方法级根因定位和 AI 智能诊断，从检测到修复建议一步到位。

核心亮点

1. 🎯 方法级根因定位，不再大海捞针

传统工具告诉你"第 42 帧掉了"，PerfettoKit 直接告诉你：

复制代码

🎯 JankDemo.heavyCompute
   8次超时, 影响 11/28帧掉帧, 累计 264ms, 均 33.0ms, 峰值 41ms
   链: SampleAdapter.onBind → JankDemo.heavyCompute → IntArray.sort

怎么做到的？

5ms 周期栈采样 --- 高精度捕获方法热点
Choreographer 慢消息抓栈 --- 在掉帧的精确时刻抓取调用链
对比归因算法 --- 对比"掉帧期间"和"正常期间"的栈差异，找出真正变慢的方法（而不是高频但低耗时的方法）

2. 🧠 AI 智能诊断：从数据到代码修复

这是 PerfettoKit 最独特的功能 --- 集成 LLM 智能分析：

复制代码

━━━ AI 增强建议 ━━━
### 根因（一句话）
   1. 在 SampleAdapter.onBind 方法中减少对象创建和字符串拼接操作。
   2. 使用线程池处理可能的同步 I/O 操作。
━━━ 代码示例 ━━━
class SampleAdapter : RecyclerView.Adapter<SampleAdapter.ViewHolder>() {
    override fun onBindViewHolder(holder: ViewHolder, position: Int) {
        val sb = StringBuilder()
        sb.append("Name: ").append(data.name)
        holder.itemView.textView.text = sb.toString()
    }
}

支持任意 OpenAI 兼容服务：GPT-4o、Ollama 本地模型、DeepSeek 等。本地推理无需联网，隐私安全。

3. 📊 多维数据，一次采集全搞定

采集维度	具体指标
帧率	FrameMetrics 各阶段耗时、掉帧率、连续掉帧检测
CPU	主线程/进程 CPU 占用率
内存	Java/Native 堆增长、GC 频率
线程	线程数异常、主线程阻塞
IO/网络	主线程 IO、网络请求统计
对象分配	Bitmap 大图、频繁 GC
Looper	慢消息统计、超时方法

4. 📚 知识库驱动的模式识别

内置 10 种常见卡顿模式（YAML Skill 库），自动匹配并给出针对性建议：

yaml 复制代码

# cpu_intensive.yaml
name: "CPU 密集导致帧卡顿"
match:
  hotMethod: "*sort*|*compute*|*calculate*|*parse*"
  percentage: ">20%"
suggestion:
  - 将计算密集操作移到 Dispatchers.Default 协程
  - 大数据集排序使用分页或流式处理

覆盖：cpu_intensive · gc_pressure · main_thread_io · binder_block · heavy_layout · image_decode_main_thread · lock_contention · recycler_scroll · heavy_draw · memory_leak_gc

30 秒接入

Step 1 --- 添加 JitPack 仓库：

kotlin 复制代码

// settings.gradle.kts
maven { url = uri("https://jitpack.io") }

Step 2 --- 引入依赖：

kotlin 复制代码

implementation("com.github.yeyu-lab:PerfettoKit:1.0.0")

Step 3 --- 开始检测（零代码模式）：

kotlin 复制代码

// 什么都不用写，SDK 通过 ContentProvider 自动初始化
// 自动检测 Activity 启动、列表滑动等场景

或者手动标记关键路径：

kotlin 复制代码

val session = PerfettoKit.beginSession("checkout_flow")
// ... 你的业务代码 ...
val report = session.end() // 自动输出诊断报告到 Logcat

启用 AI 诊断

kotlin 复制代码

class MyApp : Application() {
    override fun onCreate() {
        super.onCreate()
        PerfettoKit.init(this, PerfettoKit.Config(
            aiProvider = OpenAICompatProvider(
                apiKey = "ollama",  // 本地模型无需真实 key
                baseUrl = "http://your-pc-ip:11434/v1",
                model = "qwen2.5-coder:7b"
            )
        ))
        PerfettoKit.enableAutoDetect()
    }
}

真实输出效果

一次完整的检测报告输出（Logcat）：

复制代码

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
          PerfettoKit 性能诊断报告
  场景: auto_scroll_list | 时长: 3120ms
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【总览】
   实际渲染: 28/187帧 (15.0%) [FrameMetrics, 用户感知]
   主线程CPU: 72.4% | 慢消息: 14条

【卡顿元凶 Top 5】
   🎯 JankDemo.heavyCompute --- 影响 11帧, 累计 264ms
   🎯 JankDemo.bitmapAlloc --- 影响 7帧, 累计 145ms
   🎯 JankDemo.fakeSyncIO --- 影响 4帧, 累计 180ms

【Skill 命中】
   ✔ cpu_intensive --- 命中 JankDemo.heavyCompute
   ✔ image_decode_main_thread --- 命中 JankDemo.bitmapAlloc
   ✔ main_thread_io --- 命中 JankDemo.fakeSyncIO

━━━ AI 增强建议 ━━━
   1. 将 IntArray.sort 移到后台线程
   2. Bitmap.createBitmap 改用 Glide 异步加载
   [附代码示例...]

技术架构

复制代码

┌─────────────────────────────────────────────────────┐
│                    Application                       │
├─────────────────────────────────────────────────────┤
│  PerfettoKit.init()  →  beginSession()  →  end()   │
├─────────────────────────────────────────────────────┤
│              Collectors（多维采集层）                  │
│  Frame │ CPU │ Memory │ Thread │ IO │ Looper │ ...  │
├─────────────────────────────────────────────────────┤
│              Analysis（分析层）                       │
│  栈采样聚合 │ 对比归因 │ 热点方法识别                   │
├─────────────────────────────────────────────────────┤
│              Rules + Skills（规则层）                 │
│  SlowFrame │ ScrollJank │ YAML Skill 模式匹配        │
├─────────────────────────────────────────────────────┤
│              AI Enhancement（AI 层）                 │
│  OpenAI Compatible API → 根因+步骤+代码示例           │
├─────────────────────────────────────────────────────┤
│              Report（输出层）                         │
│  Logcat │ DiagnosisReport │ SessionStore             │
└─────────────────────────────────────────────────────┘

与同类工具对比

特性	PerfettoKit	Android Profiler	Systrace	BlockCanary
方法级根因定位	✅	⚠️ 手动分析	⚠️ 手动分析	❌
AI 修复建议	✅	❌	❌	❌
自动场景检测	✅	❌	❌	⚠️ 仅阻塞
多维数据采集	✅ 10维	✅	⚠️ 帧+CPU	❌ 仅主线程
知识库模式匹配	✅ 10种	❌	❌	❌
历史回归检测	✅	❌	❌	❌
线上可用	✅ 轻量	❌ 开发工具	❌ 开发工具	✅
无需 PC 连接	✅	❌	❌	✅

适用场景

开发阶段：手动标记关键路径，快速定位新引入的卡顿
QA 阶段：自动检测覆盖所有场景，输出可读的诊断报告
CI/CD：历史回归检测，PR 合入前自动卡性能门禁
线上灰度：轻量采集 + 本地规则匹配，不依赖网络

开源协议

Apache License 2.0 --- 商业项目可放心使用。

链接

GitHub: https://github.com/yeyu-lab/PerfettoKit
JitPack: https://jitpack.io/#yeyu-lab/PerfettoKit

一行代码接入，AI 帮你修 Bug。 如果觉得有用，欢迎 Star ⭐

kotlin 复制代码

implementation("com.github.yeyu-lab:PerfettoKit:1.0.0")