Skip to content

SmartPerfetto

tags: #Perfetto #AI-Performance #MCP #Agent #Android source: SmartPerfetto GitHub project: Gracker/SmartPerfetto score: 技术深度9/10 | 实用价值9/10 | 时效性9/10 | 领域匹配10/10 | 综合 9.3/10

核心概念

AI 驱动的 Android 性能分析平台，基于 Claude Agent SDK + MCP 协议 + Perfetto trace_processor。通过 146 个 YAML 声明式 Skill 和 20 个 MCP Tool，将 trace 数据查询、数值计算交给工具，LLM 只负责推理归因和自然语言表达，解决了 LLM 无法直接分析二进制 trace 的根本问题。

架构设计

技术栈

  • 后端: TypeScript + Express + Claude Agent SDK (Anthropic)
  • 前端: Fork Perfetto UI + 自定义 AI Assistant 插件
  • 数据引擎: trace_processor_shell (HTTP RPC, 端口池 9100-9900)
  • Agent 编排: Claude Agent SDK + MCP Protocol (20 tools)
  • Skill 定义: YAML 声明式 pipeline (164 个 skill)
  • 部署: Docker Compose 一键启动

核心架构分层

Frontend (Perfetto UI + AI Plugin) @ :10000
  ↓ SSE/HTTP
Backend (Express) @ :3000
  ├── agentv3 Runtime
  │   ├── ClaudeRuntime (主编排器)
  │   ├── Scene Classifier (关键词分类, <1ms)
  │   ├── System Prompt Builder (动态场景 prompt, 4500 token 预算)
  │   ├── Claude Agent SDK (MCP 协议)
  │   ├── SSE Bridge (SDK stream → 前端事件)
  │   └── Verifier (4 层验证 + 反思纠错)
  ├── MCP Server (20 tools: 9 always-on + 8 full-analysis + 3 comparison)
  ├── Skill Engine (146 YAML Skills)
  └── trace_processor_shell (HTTP RPC)

分析流程

  1. Scene Classifier: 关键词匹配路由到 12 种场景策略 (scrolling/startup/ANR/interaction/memory/game 等)
  2. System Prompt Builder: 动态组装 角色 + 方法论 + 场景策略 + 架构指南 + 输出格式
  3. Claude Agent SDK: LLM 自主调用 MCP 工具，最多 30 轮
  4. Verifier: 4 层验证 (heuristic → plan → hypothesis → LLM)，不通过则反思纠错最多 2 轮
  5. SSE 流式输出: 实时推送分析结果到前端

MCP 工具体系 (20 个)

Always-on 工具 (9)

工具 用途
execute_sql 执行 Perfetto SQL，支持 summary=true 压缩
invoke_skill 执行 Skill pipeline
list_skills 列出可用 Skills
detect_architecture 检测渲染架构 (Standard/Flutter/Compose/WebView)
lookup_sql_schema 查询 761 个 Perfetto stdlib 表/视图/函数
query_perfetto_source 查询 stdlib 源码
list_stdlib_modules 列出 stdlib 模块
lookup_knowledge 加载 6 个领域背景知识
recall_patterns 跨会话分析模式记忆 (加权 Jaccard 匹配)

全分析模式工具 (8)

submit_plan, update_plan_phase, revise_plan, submit_hypothesis, resolve_hypothesis, write_analysis_note, fetch_artifact, flag_uncertainty

对比模式工具 (3)

execute_sql_on, compare_skill, get_comparison_context

Skill 系统 (146 个)

分层结构

  • atomic/ (87): 单步检测，如帧耗时统计、CPU 频率查询
  • composite/ (29): 多步分析，如滚动卡顿根因分类
  • pipelines/ (28): 渲染管线检测 (23 种 Android 渲染管线)
  • deep/ (2): 深度因果分析 (blocking chain, binder tracing)
  • modules/: 模块配置 (app/framework/hardware/kernel)
  • vendors/: 厂商定制 (Pixel/Samsung/Xiaomi/OPPO/vivo/Honor/Qualcomm/MediaTek)

输出分层 (L1-L4)

  • L1: 概览统计
  • L2: 异常检测
  • L3: 根因分类
  • L4: 深度根因链 (含 Mermaid 因果图)

Context Engineering

核心设计：LLM context 极其宝贵，必须精打细算。

  • SQL Summarizer: SQL 结果压缩 ~85% token (统计值 + 采样)
  • Artifact Store: Skill 结果缓存，分级获取 (summary/rows/full)，每次调用节省 ~3000 tokens
  • System Prompt: 4500 token 预算，按场景动态组装
  • Complexity Classifier: 简单查询走 Lightweight Mode (5 轮, 3 个工具)
  • Analysis Notes: 抗 context compression 的持久笔记

安全边界

  • 并发守卫 (同一 session 不允许并行)
  • 超时控制 (40s/轮 × 30 轮 = 20min 上限)
  • Watchdog (连续 3 次同工具失败 → 策略切换)
  • Circuit Breaker (>60% 工具调用失败 → 简化分析)
  • Safety Timer (Promise.race 强制超时)

多 LLM 支持

通过 ANTHROPIC_BASE_URL + API Proxy 支持：GLM、DeepSeek、Qwen、Kimi、豆包、OpenAI、Gemini、Ollama 本地模型等。Function calling 质量好的模型效果最佳。

关联分析

  • 与 SmartInspector 的详细对比见综合分析页面
  • 基于 Perfetto SQL 引擎，与 Google Perfetto 深度集成
  • 使用 Claude Agent SDK 的 MCP 协议，与 Claude 生态紧密绑定

可执行建议

  1. 关注 Skill YAML DSL 设计: 声明式定义分析 pipeline 的模式值得 SI 项目借鉴，可将 perf_analyzer 中的 SQL 查询逻辑抽取为 YAML skill
  2. Context Engineering 实践: SQL Summarizer 和 Artifact Store 的 token 节省策略可直接参考
  3. Verifier 4 层验证: 反思纠错机制是提升 AI 分析质量的关键，SI 可引入类似验证循环
  4. 厂商定制层: vendors/ 目录的设备特定分析策略，对国内 Android 性能分析非常实用