uniprof MCP：多言語非コード修正統合ツールで、ワンクリックでCPU性能プロファイリングとホットスポット分析

Uniprof

uniprofは、CPUパフォーマンス分析を簡素化するツールで、複数のプログラミング言語とランタイムをサポートし、コードの変更や依存関係の追加なしに、Dockerコンテナまたはホストモードでワンクリックでパフォーマンスプロファイリングとホットスポット分析を行うことができます。

開発者ツール監視 #パフォーマンスプロファイリング #多言語対応 #フレームグラフ分析 #MCP統合 .TypeScript

スコア : 4.5ポイント

ダウンロード数 : 7.7K

更新時間 : 2025-12-29

サイトを開く

Uniprof MCP Serverとは？

Uniprof MCP Serverは、Model Context Protocol (MCP)に基づくサービスで、AIアシスタント向けに特別に設計されたパフォーマンス分析ツールです。これにより、AIアシスタント（Claude、Cursor、VS Codeなど）は、ユーザーのアプリケーションのCPUパフォーマンスを直接分析し、パフォーマンスのボトルネックを特定し、最適化の提案を提供できます。簡単な自然言語の指示により、AIアシスタントは、Python、Node.js、Ruby、Java、.NETなどのさまざまなプログラミング言語で書かれたアプリケーションを分析でき、複雑なパフォーマンス分析ツールを手動でインストールしたり、コードを変更したりする必要はありません。

Uniprof MCP Serverの使い方は？

Uniprof MCP Serverの使用は非常に簡単で、3つのステップだけです。 1. AIクライアントにUniprof MCP Serverをインストールします。 2. 自然言語でAIアシスタントに分析するアプリケーションを伝えます。 3. AIアシスタントが提供するパフォーマンス分析レポートと最適化の提案を確認します。たとえば、「このPythonスクリプトのパフォーマンス問題を分析してください」と直接言うことができ、AIアシスタントは自動的にパフォーマンス分析を実行し、詳細なレポートを提供します。

適用シナリオ

Uniprof MCP Serverは、以下のシナリオに特に適しています。 • 開発中にパフォーマンスのボトルネックを迅速に特定する • コードレビュー時にパフォーマンスの影響を評価する • コードのパフォーマンスを最適化する方法を学ぶ • 異なる実装方法のパフォーマンスの違いを比較する • チームのコードにパフォーマンス分析のサポートを提供する初心者でも経験豊富な開発者でも、AIアシスタントを通じて簡単に専門的なパフォーマンス分析の支援を得ることができます。

主要機能

多言語対応

Python、Node.js、Ruby、PHP、Java、.NET、Go、Rustなどのさまざまなプログラミング言語のパフォーマンス分析をサポートし、主流の開発スタックを網羅します。

ゼロコンフィグレーション分析

コードを変更したり、依存関係を追加したりする必要なく、既存のアプリケーションを直接分析できます。AIアシスタントが最適な分析ツールと設定を自動的に選択します。

コンテナ化分析

デフォルトでDockerコンテナを使用して分析を行い、環境の分離と安全性を確保し、ホスト環境を汚染することを避けます。

AIインテリジェント分析

AIアシスタントはパフォーマンス分析を実行するだけでなく、結果を解釈し、具体的な最適化の提案とコードの改善策を提供します。

フレームグラフ可視化

自動的にインタラクティブなフレームグラフを生成し、関数呼び出し関係とCPU時間の分布を直感的に表示し、ホットスポットの迅速な特定を支援します。

クロスプラットフォーム対応

macOSとLinuxシステムをサポートし、WindowsではWSL2を通じて使用でき、主流の開発環境を網羅します。

利点

複雑なパフォーマンス分析ツールのコマンドを学ぶ必要なく、自然言語で分析を完了できます

複数のプログラミング言語をサポートし、すべてのパフォーマンス分析のニーズをワンストップで解決します

コンテナ化実行により、環境がきれいに保たれ、開発環境に影響を与えません

AIアシスタントがインテリジェントな解釈を提供し、単なる生データの出力ではありません

最適な分析戦略を自動的に適合させ、手動での設定は不要です

主流のAIクライアントとシームレスに統合され、使い勝手が良いです

制限

コンテナモードを使用するにはDockerをインストールする必要があります（ただし、ホストモードもサポートしています）

Windowsのネイティブ環境はサポートされておらず、WSL2を通じて使用する必要があります

一部の特殊なカスタマイズされた分析ニーズには、手動での設定が必要な場合があります

非常に短時間で実行されるアプリケーションの場合、サンプリングが不十分になる可能性があります

AIクライアントがMCPプロトコルをサポートしている必要があります

使い方

Uniprof MCP Serverのインストール

AIクライアントにUniprof MCP Serverをインストールします。自動インストールをサポートするクライアントには、ClaudeCode、Cursor、VS Codeなどがあります。

AIクライアントの設定

クライアントが自動インストールをサポートしていない場合は、手動でMCPサーバーの設定を追加できます。通常は、クライアントの設定ファイルにサーバー情報を追加する必要があります。

パフォーマンス分析の開始

AIアシスタントのダイアログ画面で、分析するアプリケーションを直接説明します。たとえば、「このPythonスクリプトのパフォーマンス問題を分析してください」などです。

分析結果の確認

AIアシスタントは、CPUホットスポット、フレームグラフのリンク、具体的な最適化の提案を含む詳細なパフォーマンス分析レポートを提供します。

使用例

Python Webアプリのパフォーマンス最適化

Flask Webアプリの応答が遅く、パフォーマンスのボトルネックを特定する必要があります。

Node.js APIサービスの調整

Node.js REST APIは高コンカレンシー時にCPU使用率が高く、最適化が必要です。

Javaマイクロサービスのパフォーマンス診断

Spring Bootマイクロサービスは負荷テストでパフォーマンスが悪く、詳細な分析が必要です。

データサイエンススクリプトの最適化

Pythonのデータ前処理スクリプトが遅く、データ分析のフローに影響を与えています。

よくある質問

Uniprof MCP Serverは有料ですか？

私のAIクライアントがMCPをサポートしていない場合はどうすればいいですか？

分析は私のアプリケーションの実行に影響を与えますか？

Dockerコンテナ内のアプリケーションの分析をサポートしていますか？

分析の安全性をどのように確保しますか？

リアルタイムのパフォーマンス監視をサポートしていますか？

🚀 uniprof

uniprofは、人間とAIエージェントにとってCPUプロファイリングを簡素化します。コードの変更や依存関係の追加なしに、任意のアプリケーションのプロファイリングが可能です。

# 1ステップで任意のアプリのプロファイリングと分析を行う
npx uniprof python script.py

📑 目次

サポートされるプラットフォーム
システム要件
インストール
- MCPサーバー
クイックスタート
- ホストモードとコンテナモード
デバッグ情報を含めてコンパイルする
ドキュメント
クレジット
ライセンス

✨ 主な機能

uniprofは、さまざまなプラットフォームとランタイムに特化した複数のプロファイラーに共通インターフェースを実装しています。実行されるコマンドに基づいて使用するプロファイラーを自動的に検出し、プロファイラーを実行し、さまざまな出力形式を単一の形式に変換し、データに統計分析を行ってホットスポットを特定します。

プラットフォーム	プロファイラー	コンテナ	ホスト	最小バージョン
Python	py-spy	✅	✅	Python 3.7+
Node.js	0x	✅	✅	Node 14+
Ruby	rbspy	✅	✅	Ruby 2.5+
PHP	Excimer	✅	✅	PHP 7.2+
JVM	async-profiler	✅	✅	Java 8+
.NET	dotnet-trace	✅	✅	.NET 5+
BEAM	perf	✅	✅*	OTP 24+
ネイティブ (macOS)	Instruments	❌	✅	Xcode 14.3+
ネイティブ (Linux)	perf	✅	✅	Linux 2.6.31+

* ホストモードはLinuxのみ対応

🖥️ システム要件

要約: DockerがインストールされたmacOSまたはLinux

uniprofはmacOSとLinuxでの実行を想定して設計されていますが、主にmacOSで開発およびテストされています。Linuxで実行中にバグを見つけた場合は、こちらに報告してください。現在、Windowsホストでの実行はサポートされていませんが、WSL2を介してWindowsにインストールされたLinuxで実行することができます。ただし、WSL2を介してuniprofを使用する場合、ネイティブWindows実行ファイルのプロファイリングはサポートされていませんが、PythonやNode.jsなどの高レベル言語ランタイムのプロファイラーは引き続き使用できます。

プロファイリングツールは正しくセットアップするのが非自明な場合が多く、特権昇格が必要になることがあります。セットアップを簡素化し、プロファイリング対象のコードに対してより良い分離を提供するために、uniprofは各ランタイムについて、特定のプロファイリングツールを実行するように事前に構成されたDockerコンテナを使用することをデフォルトとしています。uniprofはコンテナ内にワークスペースをマウントし、プロファイラーをアタッチしてプログラムを実行します。uniprofは、ホストシステムにプロファイリングツールがインストールされている場合、--mode hostフラグを指定してコンテナ外でのプロファイリングもサポートしています。コンテナ化された実行がサポートされていない唯一のケースは、macOS上のネイティブMach - Oバイナリをプロファイリングする場合です。なぜなら、Apple Instrumentsはコンテナ内で実行できないからです。

📦 インストール

npm install -g uniprof

MCPサーバー

# uniprof MCPサーバーを自動インストールする
uniprof mcp install claudecode
uniprof mcp install cursor
uniprof mcp install vscode

自動インストールがサポートされているクライアント: amp, claudecode, codex, cursor, gemini, vscode, zed

あなたのクライアントで自動インストールがサポートされていない場合は、npx -y uniprof mcp runコマンドを使用してstdioトランスポートでMCPサーバーを追加してください。

詳細なMCPドキュメントについては、docs/mcp.mdを参照してください。

🚀 クイックスタート

基本的な使用法

# 1ステップでほとんどの言語のプロファイリングと即時分析を行う
uniprof python app.py
uniprof node server.js
uniprof ruby script.rb
uniprof java -jar myapp.jar
uniprof dotnet MyApp.dll
uniprof ./my-native-app

# プロファイリングし、ブラウザでフレームグラフを可視化する
uniprof --visualize python app.py

高度な使用法

# 1. 環境を確認する (オプション)
uniprof bootstrap

# 2. プロファイルを記録する
uniprof record -o profile.json -- python app.py
uniprof record -o profile.json -- node server.js
uniprof record -o profile.json -- ruby script.rb
uniprof record -o profile.json -- php script.php
uniprof record -o profile.json -- java -jar myapp.jar
uniprof record -o profile.json -- ./gradlew run
uniprof record -o profile.json -- ./mvnw spring-boot:run
uniprof record -o profile.json -- dotnet MyApp.dll
uniprof record -o profile.json -- elixir script.exs
uniprof record -o profile.json -- mix run
uniprof record -o profile.json -- ./my-native-app
uniprof record -o profile.json -- /Applications/MyApp.app

# 3. プロファイルデータを分析してホットスポットを見つける
uniprof analyze profile.json

# 4. ブラウザでフレームグラフを可視化する
uniprof visualize profile.json

詳細なコマンドラインオプションのドキュメントについては、docs/cli.mdを参照してください。

ホストモードとコンテナモード

--modeオプションを使用して、プロファイリングの実行方法を制御します。

auto (デフォルト): Dockerが利用可能な場合はコンテナモードを優先し、それ以外の場合はホストを使用します。
- 言語ランタイム (Python/Node.js/Ruby/PHP/BEAM/JVM/.NET) はゼロセットアップでコンテナをデフォルトとします。
- macOS上のネイティブMach - Oバイナリはホスト (Instruments) を使用します。macOS上のELFバイナリはコンテナモードでサポートされています。
- Linux上のネイティブはデフォルトでコンテナを使用します。ローカルのperf設定を使用する場合はホストを使用できます。
host: ホストにインストールされたプロファイラーを強制的に使用します。
container: Dockerコンテナを強制的に使用します (macOS Instruments/Mach - Oバイナリにはサポートされていません)。

# 自動モード (デフォルト)
uniprof record -o profile.json -- python script.py

# ホストのプロファイラーを強制的に使用する
uniprof record --mode host -o profile.json -- python script.py

# コンテナモードを強制的に使用する
uniprof record --mode container -o profile.json -- ./my-linux-app

🔧 デバッグ情報を含めてコンパイルする

ネイティブプロファイリングには、意味のある結果を得るためにデバッグ情報が必要です。デバッグシンボルにより、プロファイラーはメモリアドレスを関数名にマッピングできるようになり、16進数のアドレスだけでなく読みやすい出力が得られます。さらに、フレームポインタは、特に最適化されたコードに対して、呼び出しスタックの精度を向上させます。

コンパイラ	DWARFデバッグ情報	フレームポインタ	注意事項
gcc	`gcc -g -o myapp main.c`	`gcc -fno-omit-frame-pointer -o myapp main.c`	最大限のデバッグ情報には`-g3`を、GDB固有の拡張機能には`-ggdb`を使用します
clang	`clang -g -o myapp main.cpp`	`clang -fno-omit-frame-pointer -o myapp main.cpp`	macOSで完全なデバッグ情報を得るには`-gfull`を使用します
swift	`swiftc -g main.swift`	`swiftc -Xcc -fno-omit-frame-pointer main.swift`	`swift build`でデバッグビルドにはデフォルトでシンボルが含まれます
cargo	`cargo build` (デバッグモード) `cargo build --release` + `[profile.release]` `debug = true`	`RUSTFLAGS="-C force-frame-pointers=yes" cargo build`	デバッグビルドにはデフォルトでDWARFが含まれます。リリースビルドの場合は、Cargo.tomlに`debug = true`を追加します
go	`go build -gcflags=all="-N -l"`	組み込みで常に有効	Goはデフォルトでデバッグ情報を含みます。`-gcflags`は最適化を無効にしてより良いデバッグを行います
zig	`zig build-exe -O Debug main.zig`	`zig build-exe -fno-omit-frame-pointer main.zig`	シンボル付きの最適化ビルドには、デバッグ情報付きの`-O ReleaseSafe`を使用します
ghc	`ghc -g -rtsopts main.hs`	`ghc -fno-omit-frame-pointer main.hs`	プロファイリングビルドには`-prof`を使用します。`-rtsopts`はランタイムプロファイリングオプションを有効にします

📚 ドキュメント

CLIリファレンス
高度な使用方法
プラットフォームガイド
MCPサーバー

🤝 クレジット

py-spy (MIT) はPythonのプロファイリングに使用されています。uniprof-pythonイメージに含まれています。
0x (MIT) はNode.jsのプロファイリングに使用されています。uniprof-nodejsイメージに含まれています。
rbspy (MIT) はRubyのプロファイリングに使用されています。uniprof-rubyイメージに含まれています。
Excimer (Apache 2.0) はPHPのプロファイリングに使用されています。uniprof-phpイメージに含まれています。
async-profiler (Apache 2.0) はJVMのプロファイリングに使用されています。uniprof-jvmイメージに含まれています。
dotnet-trace (MIT) は.NETのプロファイリングに使用されています。uniprof-dotnetイメージに含まれています。
perf (GPL) はLinux上のネイティブプロファイリングに使用されています。uniprof-nativeおよびuniprof-beamイメージに含まれています。
speedscope (MIT) はuniprofにバンドルされており、フレームグラフの可視化に使用されます。

📄 ライセンス

このリポジトリ内のすべてのuniprofソースコードは、MITライセンスの下でライセンスされています。LICENSEを参照してください。

uniprofは、サードパーティソフトウェアをバンドルしたDockerイメージをダウンロードして実行します。これらのイメージをビルドするために使用されるDockerfileは、containers/にあります。これらのイメージとその内容はMITライセンスの対象外であり、それぞれのライセンスによって管理されます。uniprofはこれらのコンポーネントに対する権利を付与せず、再ライセンスも行いません。