mimo code通过cycle机制、compose模式和四层记忆系统实现自动化性能调优。用户仅需一句话指令即可触发“分析—改写—验证—沉淀”闭环，支持显式编排profiler、tuner、validator、archiver四类agent，并借助/dream命令跨会话进化经验。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
直接用 MiMo Code 编排 Agent 做性能调优，关键不是堆角色，而是让不同 Agent 各司其职、有记忆、能接力。它不像传统多 Agent 系统那样靠人工串联流程，而是靠内置的 Cycle 机制、Compose 模式和持久记忆系统把“分析—改写—验证—沉淀”自然串起来。
用 Compose 模式启动闭环调优流程
这是最轻量也最有效的起点。不需要手动定义多个 Agent，只需按下 Tab 键切换到 Compose 模式，输入类似“优化这个 Python 函数的执行速度，目标是减少 40% 运行时间，当前耗时 2.1 秒”的一句话指令。
MiMo Code 会自动触发完整链路：
- 先调用 Writer 子 Agent 读取历史性能数据（比如上次 profiling 的 cProfile 输出）
- 主 Agent 基于项目记忆定位瓶颈模块，生成优化方案（如向量化替代循环、缓存重复计算）
- Code Agent 负责改写代码并插入 benchmark 断点
- Test Agent 自动运行前后对比脚本，生成吞吐量/延迟变化报告
- 最后由 Distill Agent 提取本次优化的关键模式（例如“对 pandas DataFrame 的 .apply() 替换为 .vectorize() 平均提速 3.2×”），写入全局 skill 库
按任务阶段分配专用 Agent 角色
当需要更精细控制，比如在高并发服务中做端到端压测调优，可显式编排以下四类 Agent：
- Profiler Agent：接入本地 perf 或 py-spy，持续采集 CPU/内存热点，输出 flame graph 数据结构
- Tuner Agent：接收 profiler 输出，结合项目记忆中的历史参数（如上次调优的 GIL 释放策略），推荐 JVM 参数或 asyncio 配置
- Validator Agent：在 Docker 容器中启动对比测试，自动拉起 wrk 或 locust，校验 QPS 和 P99 延迟是否达标
- Archiver Agent：将本次调优的配置变更、指标快照、失败回滚点打包为 versioned checkpoint，供下次 /dream 自动压缩复用
所有 Agent 共享同一套四层记忆（会话级、项目级、任务树级、全局 skill 级），无需重复传参。比如 Tuner Agent 修改了 uvicorn 的 workers 数，Validator Agent 会自动读取该值用于压测部署。
利用 Cycle 机制维持长程调优一致性
性能调优常需几十轮迭代（改参数→跑压测→看日志→再改）。MiMo Code 的 Cycle 不是简单保存上下文，而是在每轮到达窗口 45% 时，由独立 Writer 子 Agent 提取四项核心字段：
- 当前瓶颈特征（如 “asyncio event loop blocked >80ms”）
- 已尝试的三类解法及其效果（“增加线程池 size=8 → QPS +12%，但内存增长 30%”）
- 未验证的假设（“怀疑数据库连接池未复用，待加 log 确认”）
- 跨 session 可复用的配置模板（如 “fastapi+uvicorn+redis 缓存模板 v2.3”）
这些字段被写入结构化文件，后续任何 Agent 都能精准读取，避免“上一轮说要查连接池，下一轮又从头猜问题”。窗口快满时自动 rebuild，保证推理始终基于最新摘要，而不是原始日志流。
通过 /dream 实现跨会话经验进化
每 7 天 MiMo Code 会自动运行 /dream 命令，由独立 Agent 对过去所有性能调优会话做三件事：
- 去重合并相似场景（把 12 次“MySQL 慢查询优化”聚类为 3 类典型模式）
- 提取高频有效操作（如 “添加 USE INDEX 提速 67% 出现 23 次”）
- 更新全局 skill 库，使下次遇到同类问题时，Compose 模式默认优先尝试已验证路径
这意味着你第一次调优 Django ORM 查询可能花 20 分钟，第三次遇到类似 N+1 问题，系统会直接给出带 explain 分析和 select_related 建议的完整方案——不是靠模型猜，而是靠沉淀的真实经验。
