mimo code 通过主 agent 指挥、多子 agent 协同（测试/采集/分析/报告）实现自动化性能评估，依托 compose 模式精准拆解目标、四层记忆保障历史比对、/dream 机制沉淀经验，使人专注问题定义与结论确认。
☞☞☞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☜☜☜
用 MiMo Code 编排 Agent 做自动化性能评估协同，关键不是“写脚本”，而是让多个子 Agent 各司其职、共享上下文、并行推进——主 Agent 当指挥官，子 Agent 分头执行测试、采集、分析、报告等任务。
明确性能评估目标并进入 Compose 模式
先定义清楚你要评估什么：是某个函数的吞吐量？API 接口的 P99 延迟？还是整套微服务在压测下的内存泄漏趋势？目标越具体，Agent 编排越精准。确认后按 Tab 键 切换到 Compose 模式，输入类似“对 service-auth 模块做 1000 QPS 下的 CPU 占用与响应延迟评估，输出对比图表和瓶颈建议”的自然语言指令。
系统自动拆解任务并派发子 Agent
MiMo Code 会基于你的目标，自主生成一组协作的子 Agent，每个绑定专属工具与上下文：
- Test Runner 子 Agent：调用 wrk 或 k6 启动压测，实时上报原始指标
- Profiler 子 Agent：在相同时间窗口内 attach 进程，采集 flame graph 和 GC 日志
- Analyzer 子 Agent：拉取 Prometheus 数据 + 日志片段，识别延迟尖峰与线程阻塞模式
- Reporter 子 Agent：汇总三方结果，生成 Markdown 报告（含图表链接、根因推测、优化建议）
所有子 Agent 共享同一份项目记忆与当前会话 Checkpoint，中途可随时取消任一子任务，不影响其余流程。
利用持久记忆保障跨轮评估一致性
多次性能评估不是孤立事件。MiMo Code 的四层记忆体系（项目级、会话级、任务级、工具级）会自动记录每次 baseline 数据、环境配置（JVM 参数、容器资源限制）、甚至你上次标注的“已知干扰项”。下次再跑同类评估时，它能主动比对历史趋势，并在报告中标出“本次 GC pause 比上周升高 42%，建议检查缓存淘汰策略”这类带上下文的结论。
用 Dream 沉淀长期评估经验
每七天一次的 /dream 自动触发，会让独立 Agent 对所有历史性能评估会话进行去重、压缩与关联建模。比如把“Spring Boot 应用在 -Xmx2g 下反复出现 Full GC”提炼为一条项目记忆规则，后续遇到相似堆配置+GC 日志特征，就会提前预警，不再等压测结束才反馈。
不复杂但容易忽略：真正发挥协同价值的，不是单次跑通，而是让每次评估都成为下一次的“认知跳板”。MiMo Code 把人从盯监控、切终端、贴截图的重复劳动里解放出来，只负责定义问题和确认结论。
