性能优化进入廉价试错时代，软件“慢一点也没关系”的借口正在变少
据性能工程师 Dan Luu 的文章《软件再无慢的理由》介绍，Coding Agent 已把许多过去需要数天人工实现和验证的优化，压缩成可以在后台连续试验的任务。他举出的例子包括正则表达式引擎、搜索工具、游戏 AI 和 GPU 相关优化。
作者：林岚｜OC 开发者生态编辑
据性能工程师 Dan Luu 的文章《软件再无慢的理由》介绍，Coding Agent 已把许多过去需要数天人工实现和验证的优化，压缩成可以在后台连续试验的任务。他举出的例子包括正则表达式引擎、搜索工具、游戏 AI 和 GPU 相关优化。
一句话结论：AI 没有让性能工程的判断消失，但它显著降低了“把一个想法实现出来并测一遍”的成本，于是大量过去不值得做的 2%、5% 优化开始变得划算。
过去，优化是否值得做，先取决于工程师时间。一个可能只提升 2% 的改动，如果需要几天实现、补测试、排查并发错误，再承担维护成本，团队通常会理性放弃。Coding Agent 改变的首先不是 CPU，而是这笔人力账：它可以批量修改、运行基准、记录失败，再从结果里继续迭代。
Dan Luu 的 Azul 游戏 AI 实验尤其能说明问题。多线程搜索、可重放调试日志、不同搜索架构，本来都是很“磨人”的工作；交给 Agent 后，验证循环可以持续运行。其经验数字是，搜索速度每翻倍大约能换来 100 Elo。单个优化可能不起眼，但十几个不值得手写的优化叠加后，差距会迅速扩大。
更值得关注的是“按工作负载定制”。通用软件必须照顾广泛用户，不能为了某一组查询过拟合；但企业内部服务和个人工具拥有真实请求日志，可以让 Agent 针对自己的数据做优化，再用留出集检验。Dan Luu 对自己的 ripgrep 查询做了一轮非常粗糙的定制，留出集仍获得约 2% 提升。数字不大，关键是启动这次实验只花了几分钟人工时间。
先别急着把它理解为“一键让所有程序快十倍”。模型仍不擅长开放式实验设计，也会过拟合、破坏正确性，甚至用错误指标赢得基准。真正可复用的能力是自动化实验环境：正确性测试、性能基线、留出工作负载、可回滚提交和资源上限。没有这些护栏，Agent 只会更快地制造不可维护的“聪明代码”。
关键事实
- 来源：Dan Luu 的个人性能实验与工程观察。
- 核心变化：实现、测试和淘汰优化方案的人力成本大幅下降。
- 代表案例：游戏 AI 多线程化、正则引擎、ripgrep 工作负载定制。
- 关键边界：实验结果来自特定环境，并非所有项目都能复制相同增益。
OC 判断
性能工程正在从“少数专家手工雕刻”转向“专家定义测量系统，Agent 扩大搜索”。瓶颈会从写代码移动到选指标、构造留出集和识别退化。团队真正该投资的不是一句“帮我优化”，而是一套能让错误改动自动出局的验证管线。
为什么重要
- 对开发者：过去排在 backlog 最后的小优化，可能值得重新估算成本。
- 对企业：高频核心工作负载将比通用基准更有定制价值。
- 对用户：软件性能可能重新成为可竞争的产品差异，而不只是发布后的修补项。
评论
围绕这篇文章补充信息、提出问题或分享观察。