uniprof MCP - 多語言免代碼修改集成工具，一鍵實現CPU性能剖析與熱點分析

探索

Uniprof

uniprof是一個簡化CPU性能分析的工具，支持多種編程語言和運行時，無需修改代碼或添加依賴，可通過Docker容器或主機模式進行一鍵式性能剖析和熱點分析。

開發者工具監控 #性能剖析 #多語言支持 #火焰圖分析 #MCP集成 .TypeScript

評分 : 4.5分

下載量 : 8.4K

更新時間 : 2025-12-29

打開站點

什麼是Uniprof MCP Server?

Uniprof MCP Server 是一個基於Model Context Protocol (MCP)的服務，專門為AI助手設計的性能分析工具。它允許AI助手（如Claude、Cursor、VS Code等）直接對用戶的應用程序進行CPU性能分析，識別性能瓶頸，並提供優化建議。通過簡單的自然語言指令，AI助手就能幫助您分析Python、Node.js、Ruby、Java、.NET等多種編程語言編寫的應用程序，無需您手動安裝複雜的性能分析工具或修改代碼。

如何使用Uniprof MCP Server?

使用Uniprof MCP Server非常簡單，只需三個步驟： 1. 在您的AI客戶端中安裝Uniprof MCP Server 2. 通過自然語言告訴AI助手要分析哪個應用程序 3. 查看AI助手提供的性能分析報告和優化建議例如，您可以直接說："請幫我分析一下這個Python腳本的性能問題"，AI助手就會自動運行性能分析並給出詳細報告。

適用場景

Uniprof MCP Server特別適合以下場景： • 開發過程中快速定位性能瓶頸 • 代碼審查時評估性能影響 • 學習如何優化代碼性能 • 對比不同實現方案的性能差異 • 為團隊代碼提供性能分析支持無論您是初學者還是經驗豐富的開發者，都能通過AI助手輕鬆獲得專業的性能分析幫助。

主要功能

多語言支持

支持Python、Node.js、Ruby、PHP、Java、.NET、Go、Rust等多種編程語言的性能分析，覆蓋主流開發棧。

零配置分析

無需修改代碼或添加依賴，直接分析現有應用程序。AI助手自動選擇最適合的分析工具和配置。

容器化分析

默認使用Docker容器進行分析，確保環境隔離和安全，避免汙染主機環境。

AI智能分析

AI助手不僅能運行性能分析，還能解讀結果，提供具體的優化建議和代碼改進方案。

火焰圖可視化

自動生成交互式火焰圖，直觀展示函數調用關係和CPU時間分佈，幫助快速定位熱點。

跨平臺支持

支持macOS和Linux系統，在Windows上可通過WSL2使用，覆蓋主流開發環境。

優勢

無需學習複雜的性能分析工具命令，通過自然語言即可完成分析

支持多種編程語言，一站式解決所有性能分析需求

容器化執行確保環境乾淨，不會影響開發環境

AI助手提供智能解讀，不僅僅是原始數據輸出

自動適配最佳分析策略，無需手動配置

與主流AI客戶端無縫集成，使用體驗流暢

侷限性

需要安裝Docker才能使用容器模式（但支持主機模式）

Windows原生環境不支持，需通過WSL2使用

某些特殊的定製化分析需求可能需要手動配置

對於非常短時間運行的應用程序，採樣可能不夠充分

需要AI客戶端支持MCP協議

如何使用

安裝Uniprof MCP Server

在您的AI客戶端中安裝Uniprof MCP Server。支持自動安裝的客戶端包括：ClaudeCode、Cursor、VS Code等。

配置AI客戶端

如果您的客戶端不支持自動安裝，可以手動添加MCP服務器配置。通常需要在客戶端的配置文件中添加服務器信息。

開始性能分析

在AI助手的對話界面中，直接描述您要分析的應用程序。例如："請幫我分析這個Python腳本的性能問題"。

查看分析結果

AI助手會提供詳細的性能分析報告，包括CPU熱點、火焰圖鏈接和具體的優化建議。

使用案例

Python Web應用性能優化

一個Flask Web應用響應緩慢，需要找出性能瓶頸。

Node.js API服務調優

Node.js REST API在高併發下CPU使用率過高，需要優化。

Java微服務性能診斷

Spring Boot微服務在負載測試中表現不佳，需要深度分析。

數據科學腳本優化

Python數據預處理腳本運行太慢，影響數據分析流程。

常見問題

Uniprof MCP Server需要付費嗎？

我的AI客戶端不支持MCP怎麼辦？

分析會影響我的應用程序運行嗎？

支持分析Docker容器中的應用程序嗎？

如何確保分析的安全性？

支持即時性能監控嗎？

🚀 uniprof

uniprof 簡化了人類和 AI 代理的 CPU 性能分析過程。無需更改代碼或添加依賴項，即可對任何應用程序進行性能分析。

# 一步完成對任何應用的性能分析和結果分析
npx uniprof python script.py

🚀 快速開始

一步完成性能分析和結果分析

# 對大多數語言進行性能分析並立即獲得分析結果
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

# 進行性能分析並在瀏覽器中可視化火焰圖
uniprof --visualize python app.py

保存分析結果以便後續分析和可視化

# 1. 檢查環境（可選）
uniprof bootstrap

# 2. 記錄性能分析結果
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. 分析性能分析數據以找出熱點
uniprof analyze profile.json

# 4. 在瀏覽器中可視化火焰圖
uniprof visualize profile.json

詳細的命令行選項文檔請參考 docs/cli.md。

主機模式與容器模式

使用 --mode 選項來控制性能分析的運行方式：

auto（默認）：當 Docker 可用時，優先使用容器模式；否則使用主機模式。
- 語言運行時（Python/Node.js/Ruby/PHP/BEAM/JVM/.NET）默認使用容器模式，無需進行額外設置。
- 在 macOS 上，使用 Mach - O 二進制文件的原生應用使用主機模式（Instruments）。macOS 上的 ELF 二進制文件支持容器模式。
- 在 Linux 上，原生應用默認使用容器模式；如果您更喜歡使用本地的 perf 設置，也可以使用主機模式。
host：強制使用主機安裝的性能分析工具。
container：強制使用 Docker 容器（macOS Instruments/Mach - O 二進制文件不支持）。

# 自動模式（默認）
uniprof record -o profile.json -- python script.py

# 強制使用主機性能分析工具
uniprof record --mode host -o profile.json -- python script.py

# 強制使用容器模式
uniprof record --mode container -o profile.json -- ./my-linux-app

✨ 主要特性

uniprof 在多個針對不同平臺和運行時的性能分析工具之上實現了一個通用接口。它會根據執行的命令自動檢測要使用的性能分析工具，運行該工具，將不同的輸出格式轉換為單一格式，並對數據進行統計分析以找出熱點。

平臺	性能分析工具	容器	主機	最低版本
Python	[py - spy](https://github.com/benfred/py - spy)	✅	✅	Python 3.7+
Node.js	0x	✅	✅	Node 14+
Ruby	rbspy	✅	✅	Ruby 2.5+
PHP	[Excimer](https://github.com/wikimedia/mediawiki - php - excimer)	✅	✅	PHP 7.2+
JVM	[async - profiler](https://github.com/async - profiler/async - profiler)	✅	✅	Java 8+
.NET	dotnet - trace	✅	✅	.NET 5+
BEAM	perf	✅	✅*	OTP 24+
原生（macOS）	Instruments	❌	✅	Xcode 14.3+
原生（Linux）	perf	✅	✅	Linux 2.6.31+

* 主機模式僅適用於 Linux

📦 安裝指南

安裝 uniprof

npm install -g uniprof

MCP 服務器

# 自動安裝 uniprof MCP 服務器
uniprof mcp install claudecode
uniprof mcp install cursor
uniprof mcp install vscode

支持自動安裝的客戶端：amp、claudecode、codex、cursor、gemini、vscode、zed

如果您的客戶端不支持自動安裝，可以使用命令 npx -y uniprof mcp run 通過 stdio 傳輸添加 MCP 服務器。

詳細的 MCP 文檔請參考 docs/mcp.md。

🔧 技術細節

編譯時包含調試信息

原生性能分析需要調試信息才能獲得有意義的結果。調試符號使性能分析工具能夠將內存地址映射到函數名，從而提供可讀的輸出，而不僅僅是十六進制地址。此外，幀指針可以提高調用棧的準確性，特別是對於經過優化的代碼。

編譯器	DWARF 調試信息	幀指針	注意事項
gcc	`gcc -g -o myapp main.c`	`gcc -fno-omit-frame-pointer -o myapp main.c`	使用 `-g3` 以獲得最大的調試信息，使用 `-ggdb` 以獲得 GDB 特定的擴展
clang	`clang -g -o myapp main.cpp`	`clang -fno-omit-frame-pointer -o myapp main.cpp`	在 macOS 上使用 `-gfull` 以獲得完整的調試信息
swift	`swiftc -g main.swift`	`swiftc -Xcc -fno-omit-frame-pointer main.swift`	使用 `swift build` 進行調試構建時，默認包含符號
cargo	`cargo build`（調試模式） `cargo build --release` + `[profile.release]` `debug = true`	`RUSTFLAGS="-C force-frame-pointers=yes" cargo build`	調試構建默認包含 DWARF；對於發佈版本，在 Cargo.toml 中添加 `debug = true`
go	`go build -gcflags=all="-N -l"`	內置，始終啟用	Go 默認包含調試信息；`-gcflags` 禁用優化以進行更好的調試
zig	`zig build-exe -O Debug main.zig`	`zig build-exe -fno-omit-frame-pointer main.zig`	對於帶有符號的優化構建，使用 `-O ReleaseSafe` 幷包含調試信息
ghc	`ghc -g -rtsopts main.hs`	`ghc -fno-omit-frame-pointer main.hs`	使用 `-prof` 進行性能分析構建；`-rtsopts` 啟用運行時性能分析選項

📚 詳細文檔

CLI 參考
高級用法
平臺指南
MCP 服務器

👏 鳴謝

[py - spy](https://github.com/benfred/py - spy)（MIT）用於 Python 性能分析。包含在 [uniprof - python](https://github.com/indragiek/uniprof/pkgs/container/uniprof - python) 鏡像中。
0x（MIT）用於 Node.js 性能分析。包含在 [uniprof - nodejs](https://github.com/indragiek/uniprof/pkgs/container/uniprof - nodejs) 鏡像中。
rbspy（MIT）用於 Ruby 性能分析。包含在 [uniprof - ruby](https://github.com/indragiek/uniprof/pkgs/container/uniprof - ruby) 鏡像中。
Excimer（Apache 2.0）用於 PHP 性能分析。包含在 [uniprof - php](https://github.com/indragiek/uniprof/pkgs/container/uniprof - php) 鏡像中。
[async - profiler](https://github.com/async - profiler/async - profiler)（Apache 2.0）用於 JVM 性能分析。包含在 [uniprof - jvm](https://github.com/indragiek/uniprof/pkgs/container/uniprof - jvm) 鏡像中。
dotnet - trace（MIT）用於 .NET 性能分析。包含在 [uniprof - dotnet](https://github.com/indragiek/uniprof/pkgs/container/uniprof - dotnet) 鏡像中。
perf（GPL）用於 Linux 上的原生性能分析。包含在 [uniprof - native](https://github.com/indragiek/uniprof/pkgs/container/uniprof - native) 和 [uniprof - beam](https://github.com/indragiek/uniprof/pkgs/container/uniprof - beam) 鏡像中。
speedscope（MIT）與 uniprof 捆綁在一起，用於火焰圖可視化。

📄 許可證

本倉庫中的所有 uniprof 源代碼均遵循 MIT 許可證。請參閱 LICENSE。

uniprof 會下載並運行 Docker 鏡像，這些鏡像捆綁了第三方軟件。用於構建這些鏡像的 Dockerfile 可以在 containers/ 中找到。這些鏡像及其內容不受 MIT 許可證的覆蓋，而是受其各自的許可證約束。uniprof 不授予這些組件的使用權限，也不會對它們進行重新許可。