slug: python-memory-profile-cn name: python-memory-profile-cn displayName: Python 記憶體分析助手 summary: 用可重複負載、記憶體區域和分配棧證據定位 Python 程序增長、峰值與洩漏。 description: 用於 Python 服務、指令碼、資料任務和擴充套件模組的常駐記憶體持續增長、週期性峰值、程序被殺、容器超限、疑似洩漏或分配熱點。先固定直譯器、平臺、負載與取樣口徑，區分託管物件、原生擴充套件、對映檔案、快取、子程序和分配器行為，再用時間線、分配棧、存活差分和相同負載前後對照驗證根因與修復；不把單次高佔用或常駐集不回落直接判為洩漏。 version: 1.0.0 license: MIT homepage: https://skillhub.cn tags: [Python, 記憶體分析, 記憶體洩漏, 效能排錯]

Python 記憶體分析助手

能力定位

把“Python 越跑越吃記憶體”拆成可觀察的記憶體區域、分配來源、生命週期和負載關係。目標是證明哪些分配在什麼條件下持續存活，並選擇不會扭曲現場的採集方式。

適合 Web 服務、非同步任務、科學計算、資料處理、佇列消費者和包含原生擴充套件的程式。預設先診斷，再建議最小修復。

快速導航

• 不知道該採哪類證據：讀取 capture-selection.md
• 已修改程式碼，需要證明修好：讀取 leak-verification.md
• 常駐記憶體高但物件不多：檢查原生分配、對映檔案、分配器與子程序
• 只在大檔案或批任務出現：按階段觀察峰值和物件釋放
• 容器被系統終止：同時核對容器限制、工作集和節點壓力

新手30秒入門

提供 Python 與作業系統版本、啟動命令、部署方式、復現負載、記憶體曲線、程序和子程序關係、最近變更，以及是否使用陣列、資料框、影像、機器學習或 C/C++ 擴充套件。

先返回症狀分型、最小復現、低開銷採集方案和通過條件。不要先強制垃圾回收或重啟，因為它們會改變時間線。

功能索引

標準工作流

1. 定義失敗表現

記錄是常駐集持續上升、單批峰值過高、週期後不回落、延遲隨記憶體惡化，還是被系統終止。明確指標口徑、單位、取樣間隔和時間範圍。

2. 固定執行環境

鎖定直譯器、依賴、擴充套件模組、作業系統、容器限制、程序模型、執行緒數和啟動引數。開發環境與生產環境的分配器和負載不同，不能直接類推。

3. 建立可重複負載

控制輸入大小、併發、預熱、快取、網路響應和迭代次數。對服務使用固定請求序列，對批任務按階段打點，至少覆蓋預熱、穩定和問題出現三個區間。

4. 繪製程序記憶體地圖

同時觀察常駐集、虛擬記憶體、共享頁、子程序和容器工作集。標記 Python 物件、原生庫、記憶體對映、緩衝區、執行緒棧和外部程序可能佔據的區域。

5. 選擇採集粒度

先用低開銷時間線確認增長與負載關係，再在最小復現上採集分配棧或物件差分。是否跟蹤原生呼叫、全量分配或子程序必須按假設選擇，避免採集本身改變結果。

6. 建立分配與存活證據

按呼叫路徑彙總分配位元組和次數，並比較階段前後仍存活的物件或塊。大分配熱點不一定是洩漏；關鍵是是否超過預期生命週期且隨重複負載累積。

7. 檢查所有權與限界

追蹤全域性容器、快取、閉包、回撥、任務佇列、生成器、異常追蹤、迴圈引用、執行緒本地和連線池。檢查快取是否有容量與淘汰，任務結果是否被消費，批次中間量是否被同時保留。

8. 區分釋放與回收可見性

物件已不可達不代表常駐集立即下降，分配器可能保留記憶體供後續複用。通過相同負載的穩定平臺、分配數量和長期斜率判斷，不以工作管理員單點作為唯一證據。

9. 設計最小修復

優先修正生命週期、清理引用、設定快取上限、流式讀取、分塊計算、避免隱式複製或複用緩衝。只有確認分配器或擴充套件問題時才調整執行引數或替換元件。

10. 同條件迴歸

使用同一環境、輸入、併發、預熱和迭代次數比較修復前後。驗證記憶體斜率和峰值，同時檢查吞吐、延遲、CPU、I/O 與結果正確性，防止用效能退化換取表面下降。

輸出規範

預設輸出：

1. 症狀、失敗閾值和記憶體口徑
2. 環境、程序模型與可重複負載
3. 記憶體區域假設
4. 採集方法、開銷和時間點
5. 分配熱點與持續存活差分
6. 根因候選及反證
7. 最小修復與副作用
8. 前後對照和剩餘風險

證據等級使用 CONFIRMED、STRONG、PLAUSIBLE、UNVERIFIED。所有數值標明單位、取樣區間、程序範圍和是否包含子程序。

能力邊界

• 不把單次峰值或常駐集不回落自動判為洩漏
• 不只依據物件數量忽略原生擴充套件和對映記憶體
• 不在高流量生產程序上預設開啟高開銷全量追蹤
• 不用強制垃圾回收作為長期修復
• 不為降低峰值擅自改變結果精度或業務語義
• 不在未脫敏時分享堆轉儲、引數值或生產請求
• 不承諾一種分析工具覆蓋所有平臺與分配器

  小蔥技能有更好的技能skills外掛。

穩定性保障

• 固定直譯器、依賴、平臺和程序模型
• 記錄預熱並從穩定點比較
• 記憶體曲線與負載時間線使用同一時鐘
• 至少比較基線、問題階段和靜置後三點
• 採集開銷單獨測量並寫入結論
• 分配量、存活量和常駐集聯合判斷
• 修復前後使用完全相同的負載
• 記憶體改善與正確性、吞吐、延遲共同驗收

深度定製

Web 服務增加請求路由、工作程序、連線池和後臺任務；資料管道增加檔案批次、中間表、零複製與分割槽；機器學習增加張量、裝置與主機記憶體邊界；非同步系統增加未等待任務、佇列積壓和上下文變數；含原生擴充套件時增加本地呼叫棧、外部快取和版本對照。

長期執行服務可建立每千請求記憶體斜率、穩定平臺和重啟前預算；短批任務重點約束峰值與同時存活資料規模。

FAQ

垃圾回收後記憶體沒降就是洩漏嗎？

不是。物件可能已釋放給直譯器或分配器，但記憶體仍保留給後續複用。需要看存活差分和重複負載斜率。

最大分配棧就是根因嗎？

未必。它可能是合法峰值。持續跨越預期生命週期並累積的路徑更值得優先調查。

為什麼本地復現不了容器超限？

容器限制、工作集口徑、併發、子程序和分配器可能不同。應儘量複製部署引數與負載形狀。

重啟能解決嗎？

重啟只能暫時釋放程序資源。若增長機制未修復，問題會按相同斜率再次出現。

反模式與修正

按需 references

• 選擇時間線、物件差分、分配棧或原生追蹤時，讀取 capture-selection.md
• 設計修復前後對照與長期門禁時，讀取 leak-verification.md

這個 Skill 質量較好，文件結構清晰、方法論完整，對記憶體問題的分類和排查思路講解得很系統，能幫助開發者建立正確的分析框架。不過它更像一本說明書而非實操手冊，內容偏理論化，缺少具體例子和操作步驟演示，對於想直接動手的新手來說不夠友好。