uniprof MCP - 多语言免代码修改集成工具，一键实现CPU性能剖析与热点分析

探索

Uniprof

uniprof是一个简化CPU性能分析的工具，支持多种编程语言和运行时，无需修改代码或添加依赖，可通过Docker容器或主机模式进行一键式性能剖析和热点分析。

开发者工具监控 #性能剖析 #多语言支持 #火焰图分析 #MCP集成 .TypeScript

评分 : 4.5分

下载量 : 6.6K

更新时间 : 2025-12-29

打开站点

什么是Uniprof MCP Server?

Uniprof MCP Server 是一个基于Model Context Protocol (MCP)的服务，专门为AI助手设计的性能分析工具。它允许AI助手（如Claude、Cursor、VS Code等）直接对用户的应用程序进行CPU性能分析，识别性能瓶颈，并提供优化建议。通过简单的自然语言指令，AI助手就能帮助您分析Python、Node.js、Ruby、Java、.NET等多种编程语言编写的应用程序，无需您手动安装复杂的性能分析工具或修改代码。

如何使用Uniprof MCP Server?

使用Uniprof MCP Server非常简单，只需三个步骤： 1. 在您的AI客户端中安装Uniprof MCP Server 2. 通过自然语言告诉AI助手要分析哪个应用程序 3. 查看AI助手提供的性能分析报告和优化建议例如，您可以直接说："请帮我分析一下这个Python脚本的性能问题"，AI助手就会自动运行性能分析并给出详细报告。

适用场景

Uniprof MCP Server特别适合以下场景： • 开发过程中快速定位性能瓶颈 • 代码审查时评估性能影响 • 学习如何优化代码性能 • 对比不同实现方案的性能差异 • 为团队代码提供性能分析支持无论您是初学者还是经验丰富的开发者，都能通过AI助手轻松获得专业的性能分析帮助。

主要功能

多语言支持

支持Python、Node.js、Ruby、PHP、Java、.NET、Go、Rust等多种编程语言的性能分析，覆盖主流开发栈。

零配置分析

无需修改代码或添加依赖，直接分析现有应用程序。AI助手自动选择最适合的分析工具和配置。

容器化分析

默认使用Docker容器进行分析，确保环境隔离和安全，避免污染主机环境。

AI智能分析

AI助手不仅能运行性能分析，还能解读结果，提供具体的优化建议和代码改进方案。

火焰图可视化

自动生成交互式火焰图，直观展示函数调用关系和CPU时间分布，帮助快速定位热点。

跨平台支持

支持macOS和Linux系统，在Windows上可通过WSL2使用，覆盖主流开发环境。

优势

无需学习复杂的性能分析工具命令，通过自然语言即可完成分析

支持多种编程语言，一站式解决所有性能分析需求

容器化执行确保环境干净，不会影响开发环境

AI助手提供智能解读，不仅仅是原始数据输出

自动适配最佳分析策略，无需手动配置

与主流AI客户端无缝集成，使用体验流畅

局限性

需要安装Docker才能使用容器模式（但支持主机模式）

Windows原生环境不支持，需通过WSL2使用

某些特殊的定制化分析需求可能需要手动配置

对于非常短时间运行的应用程序，采样可能不够充分

需要AI客户端支持MCP协议

如何使用

安装Uniprof MCP Server

在您的AI客户端中安装Uniprof MCP Server。支持自动安装的客户端包括：ClaudeCode、Cursor、VS Code等。

配置AI客户端

如果您的客户端不支持自动安装，可以手动添加MCP服务器配置。通常需要在客户端的配置文件中添加服务器信息。

开始性能分析

在AI助手的对话界面中，直接描述您要分析的应用程序。例如："请帮我分析这个Python脚本的性能问题"。

查看分析结果

AI助手会提供详细的性能分析报告，包括CPU热点、火焰图链接和具体的优化建议。

使用案例

Python Web应用性能优化

一个Flask Web应用响应缓慢，需要找出性能瓶颈。

Node.js API服务调优

Node.js REST API在高并发下CPU使用率过高，需要优化。

Java微服务性能诊断

Spring Boot微服务在负载测试中表现不佳，需要深度分析。

数据科学脚本优化

Python数据预处理脚本运行太慢，影响数据分析流程。

常见问题

Uniprof MCP Server需要付费吗？

我的AI客户端不支持MCP怎么办？

分析会影响我的应用程序运行吗？

支持分析Docker容器中的应用程序吗？

如何确保分析的安全性？

支持实时性能监控吗？

🚀 uniprof

uniprof 简化了人类和 AI 代理的 CPU 性能分析过程。无需更改代码或添加依赖项，即可对任何应用程序进行性能分析。

# 一步完成对任何应用的性能分析和结果分析
npx uniprof python script.py

🚀 快速开始

一步完成性能分析和结果分析

# 对大多数语言进行性能分析并立即获得分析结果
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

# 进行性能分析并在浏览器中可视化火焰图
uniprof --visualize python app.py

保存分析结果以便后续分析和可视化

# 1. 检查环境（可选）
uniprof bootstrap

# 2. 记录性能分析结果
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. 分析性能分析数据以找出热点
uniprof analyze profile.json

# 4. 在浏览器中可视化火焰图
uniprof visualize profile.json

详细的命令行选项文档请参考 docs/cli.md。

主机模式与容器模式

使用 --mode 选项来控制性能分析的运行方式：

auto（默认）：当 Docker 可用时，优先使用容器模式；否则使用主机模式。
- 语言运行时（Python/Node.js/Ruby/PHP/BEAM/JVM/.NET）默认使用容器模式，无需进行额外设置。
- 在 macOS 上，使用 Mach - O 二进制文件的原生应用使用主机模式（Instruments）。macOS 上的 ELF 二进制文件支持容器模式。
- 在 Linux 上，原生应用默认使用容器模式；如果您更喜欢使用本地的 perf 设置，也可以使用主机模式。
host：强制使用主机安装的性能分析工具。
container：强制使用 Docker 容器（macOS Instruments/Mach - O 二进制文件不支持）。

# 自动模式（默认）
uniprof record -o profile.json -- python script.py

# 强制使用主机性能分析工具
uniprof record --mode host -o profile.json -- python script.py

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

✨ 主要特性

uniprof 在多个针对不同平台和运行时的性能分析工具之上实现了一个通用接口。它会根据执行的命令自动检测要使用的性能分析工具，运行该工具，将不同的输出格式转换为单一格式，并对数据进行统计分析以找出热点。

平台	性能分析工具	容器	主机	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+

* 主机模式仅适用于 Linux

📦 安装指南

安装 uniprof

npm install -g uniprof

MCP 服务器

# 自动安装 uniprof MCP 服务器
uniprof mcp install claudecode
uniprof mcp install cursor
uniprof mcp install vscode

支持自动安装的客户端：amp、claudecode、codex、cursor、gemini、vscode、zed

如果您的客户端不支持自动安装，可以使用命令 npx -y uniprof mcp run 通过 stdio 传输添加 MCP 服务器。

详细的 MCP 文档请参考 docs/mcp.md。

🔧 技术细节

编译时包含调试信息

原生性能分析需要调试信息才能获得有意义的结果。调试符号使性能分析工具能够将内存地址映射到函数名，从而提供可读的输出，而不仅仅是十六进制地址。此外，帧指针可以提高调用栈的准确性，特别是对于经过优化的代码。

编译器	DWARF 调试信息	帧指针	注意事项
gcc	`gcc -g -o myapp main.c`	`gcc -fno-omit-frame-pointer -o myapp main.c`	使用 `-g3` 以获得最大的调试信息，使用 `-ggdb` 以获得 GDB 特定的扩展
clang	`clang -g -o myapp main.cpp`	`clang -fno-omit-frame-pointer -o myapp main.cpp`	在 macOS 上使用 `-gfull` 以获得完整的调试信息
swift	`swiftc -g main.swift`	`swiftc -Xcc -fno-omit-frame-pointer main.swift`	使用 `swift build` 进行调试构建时，默认包含符号
cargo	`cargo build`（调试模式） `cargo build --release` + `[profile.release]` `debug = true`	`RUSTFLAGS="-C force-frame-pointers=yes" cargo build`	调试构建默认包含 DWARF；对于发布版本，在 Cargo.toml 中添加 `debug = true`
go	`go build -gcflags=all="-N -l"`	内置，始终启用	Go 默认包含调试信息；`-gcflags` 禁用优化以进行更好的调试
zig	`zig build-exe -O Debug main.zig`	`zig build-exe -fno-omit-frame-pointer main.zig`	对于带有符号的优化构建，使用 `-O ReleaseSafe` 并包含调试信息
ghc	`ghc -g -rtsopts main.hs`	`ghc -fno-omit-frame-pointer main.hs`	使用 `-prof` 进行性能分析构建；`-rtsopts` 启用运行时性能分析选项

📚 详细文档

CLI 参考
高级用法
平台指南
MCP 服务器

👏 鸣谢

[py - spy](https://github.com/benfred/py - spy)（MIT）用于 Python 性能分析。包含在 [uniprof - python](https://github.com/indragiek/uniprof/pkgs/container/uniprof - python) 镜像中。
0x（MIT）用于 Node.js 性能分析。包含在 [uniprof - nodejs](https://github.com/indragiek/uniprof/pkgs/container/uniprof - nodejs) 镜像中。
rbspy（MIT）用于 Ruby 性能分析。包含在 [uniprof - ruby](https://github.com/indragiek/uniprof/pkgs/container/uniprof - ruby) 镜像中。
Excimer（Apache 2.0）用于 PHP 性能分析。包含在 [uniprof - php](https://github.com/indragiek/uniprof/pkgs/container/uniprof - php) 镜像中。
[async - profiler](https://github.com/async - profiler/async - profiler)（Apache 2.0）用于 JVM 性能分析。包含在 [uniprof - jvm](https://github.com/indragiek/uniprof/pkgs/container/uniprof - jvm) 镜像中。
dotnet - trace（MIT）用于 .NET 性能分析。包含在 [uniprof - dotnet](https://github.com/indragiek/uniprof/pkgs/container/uniprof - dotnet) 镜像中。
perf（GPL）用于 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) 镜像中。
speedscope（MIT）与 uniprof 捆绑在一起，用于火焰图可视化。

📄 许可证

本仓库中的所有 uniprof 源代码均遵循 MIT 许可证。请参阅 LICENSE。

uniprof 会下载并运行 Docker 镜像，这些镜像捆绑了第三方软件。用于构建这些镜像的 Dockerfile 可以在 containers/ 中找到。这些镜像及其内容不受 MIT 许可证的覆盖，而是受其各自的许可证约束。uniprof 不授予这些组件的使用权限，也不会对它们进行重新许可。