在鲲鹏处理器生态的应用开发场景中，应用性能调优往往依赖专家经验，代码优化门槛高，一直是开发者面临的痛点。为解决这一难题，基于鲲鹏处理器生态打造的性能优化智能体 KPBot 正式开源，项目托管于OpenAtom openEuler（简称 “openEuler” 或 “开源欧拉”），为开发者带来自动化的性能调优与代码优化能力。
代码仓地址：
https://atomgit.com/openeuler/KPBot
KPBot 聚焦鲲鹏架构下的应用性能优化，核心目标是提升应用调优与代码开发效率。通过 Skills 模块，将通用计算场景中的性能调优方法和专家经验进行沉淀，形成可复用、可调用的能力模块；同时结合鲲鹏架构特性，支持生成适配鲲鹏平台的优化代码，让原本依赖人工经验的性能调优流程逐步走向自动化。
KPBot 具体能力主要覆盖以下几个方面：
标准化 Profiling 流程：将应用性能数据采集流程进行规范化，降低性能分析的使用门槛；
自动化性能调优：基于 Profiling 结果，自动调用相应 Skill，完成性能分析与优化；
专家经验沉淀：将性能优化经验固化为可复用的 Skills，支持持续积累和迭代；
代码性能分析与优化：自动识别代码中的潜在性能瓶颈，分析热点函数并输出优化方案；
自动生成优化代码：根据优化方案调度相应优化 Skill，完成代码修改、调试与验证。
通过上述能力，KPBot 将性能优化过程中原本需要开发者反复进行的分析、决策、编码和验证工作串联起来，帮助开发者更高效地完成鲲鹏平台应用调优。
KPBot 的目标用户覆盖三类群体：鲲鹏服务器使用者、鲲鹏平台应用开发者，以及想要贡献 Skills、Agents 能力模块的社区贡献者。
KPBot采用三层架构设计，分别为工作流层、角色执行层和知识能力层。
其中，工作流层负责组织性能优化任务与执行流程；角色执行层负责不同 Agent 角色之间的任务协同；知识能力层则通过 Skills 等能力模块沉淀性能优化知识与经验。
三层架构相互协同，使 KPBot能够将性能数据分析、优化决策、代码修改和验证等环节串联起来，形成完整的性能优化闭环。
▐ 1. skills库
目前，KPBot已经构建了50+ Skills，覆盖服务应用优化、任务编排、代码分析、优化验证等多个环节，并持续扩充中。
▐ 2. 支持主流 Coding Agent
为了适配不同开发环境，KPBot 以插件形式支持主流 Coding Agent，包括 openCode、Claude Code 和 Codex 等，更多 Agent 支持正在持续适配。
▐ 3. app-tuner 应用优化 workflow
根据硬件+性能监控信息输入，通过 workflow 编排优化 Skills 迭代完成应用调优。
▐ 4. code-optimizer 代码性能优化 workflow
结合鲲鹏微架构知识和历史优化经验库，通过对热点函数做多级性能分析，制定优化方案，自动编码调试，从而构建性能调优验证循环，实现源码级别自动优化。
为了验证 KPBot的实际优化能力，项目进行了 CRC16 性能优化实践。
>>测试环境：
● 处理器：鲲鹏950
● 操作系统：openEuler 24.03
● 软件版本：isa-l v2.32.1
● 模型：GLM5.2
整个优化过程由 KPBot 自动完成，主要包括以下三个阶段。
➢1.启动优化流水工作流，与 Agent 交互，选择 CRC16 优化用例
➢2.自动完成 Agent 多视角分析，给出性能优化方案
➢3.Agent 自动实施优化，调试，测试验证，并最终提交优化 commit 与总结
在该实践中，CRC16 性能最终提升25%。这一案例展示了 KPBot 如何将性能分析、优化决策、代码修改和验证等环节串联起来，形成自动化的性能优化闭环。
未来，KPBot 将持续围绕鲲鹏平台应用性能优化场景完善能力体系，进一步丰富 Skills 与 Agent 能力模块，并持续优化性能分析、代码优化和验证流程。
随着更多优化经验和场景能力不断沉淀，KPBot 也将进一步拓展性能优化智能体的应用边界，为开发者提供更加便捷、高效的鲲鹏平台性能优化工具。
欢迎各位开发者、社区贡献者参与 KPBot 建设，共同探索智能化性能优化的新实践。
-END-
供稿 | 陈强
编辑 | 丘云
校审 | 郑振宇、刘彦飞
关注我们，了解更多
▼
