@perf-profilerLe diagnosticien — latence, mémoire, CPU

Le problème qu'il résout

Ton API Python consomme 4 GB de RAM en prod. Au démarrage : 200 MB. Au bout d'une heure : 4 GB. C'est un memory leak — mais lequel ? Tu pourrais te perdre dans cProfile, mais tu ne sais pas par où commencer.

@perf-profiler te dit : "memray (pas de code change) en premier, hypothèse #1 = cache sans éviction, hypothèse #2 = session DB leak, etc." Puis pour chacune, il propose un fix concret avec une re-mesure.

Comment il bosse

1. Tu décris le symptôme avec précision : quelle métrique, quel percentile, quelle évolution dans le temps.
2. Il propose la mesure à lancer en premier (outil + commande exacte).
3. Il classe les hypothèses de cause racine par probabilité.
4. Pour la #1, il propose un fix et te dit comment confirmer.
5. Si #1 ne marche pas, on passe à #2.

Exemple concret

Tu tapes

›@perf-profiler API Flask en prod, RAM grimpe de 200MB à 4GB en 1h,
sans pic de trafic. Outils + hypothèses prioritaires ?

Tu obtiens

## Symptom
Memory growth steady (200MB → 4GB en 1h) sans corrélation au trafic.
→ Leak (rétention progressive), pas un peak de charge.

## Suggested first measurement
1. memray (sampling, no code change) :
   $ pip install memray
   $ memray attach --pid <pid> --output /tmp/leak.bin

2. py-spy snapshot :
   $ py-spy dump --pid <pid>

## Hypothesis ranking
1. Cache sans éviction (lru_cache, dict global) — 60%
2. Connexions DB pas closées (session leak) — 25%
3. Logging handlers qui accumulent — 10%
4. C extension qui leak — 5%

## Si hypothèse 1 confirme
Fix: cachetools.TTLCache OU lru_cache(maxsize=N).
Re-measure: RAM doit plateau au lieu de croître.

Pourquoi tu vas l'aimer

Quand l'utiliser

Combine avec ces agents

Questions fréquentes