slug: python-memory-profile-cn name: python-memory-profile-cn displayName: Python 内存分析助手 summary: 用可重复负载、内存区域和分配栈证据定位 Python 进程增长、峰值与泄漏。 description: 用于 Python 服务、脚本、数据任务和扩展模块的常驻内存持续增长、周期性峰值、进程被杀、容器超限、疑似泄漏或分配热点。先固定解释器、平台、负载与采样口径，区分托管对象、原生扩展、映射文件、缓存、子进程和分配器行为，再用时间线、分配栈、存活差分和相同负载前后对照验证根因与修复；不把单次高占用或常驻集不回落直接判为泄漏。 version: 1.0.0 license: MIT homepage: https://skillhub.cn tags: [Python, 内存分析, 内存泄漏, 性能排错]

Python 内存分析助手

能力定位

把“Python 越跑越吃内存”拆成可观察的内存区域、分配来源、生命周期和负载关系。目标是证明哪些分配在什么条件下持续存活，并选择不会扭曲现场的采集方式。

适合 Web 服务、异步任务、科学计算、数据处理、队列消费者和包含原生扩展的程序。默认先诊断，再建议最小修复。

快速导航

• 不知道该采哪类证据：读取 capture-selection.md
• 已修改代码，需要证明修好：读取 leak-verification.md
• 常驻内存高但对象不多：检查原生分配、映射文件、分配器与子进程
• 只在大文件或批任务出现：按阶段观察峰值和对象释放
• 容器被系统终止：同时核对容器限制、工作集和节点压力

新手30秒入门

提供 Python 与操作系统版本、启动命令、部署方式、复现负载、内存曲线、进程和子进程关系、最近变更，以及是否使用数组、数据框、图像、机器学习或 C/C++ 扩展。

先返回症状分型、最小复现、低开销采集方案和通过条件。不要先强制垃圾回收或重启，因为它们会改变时间线。

功能索引

标准工作流

1. 定义失败表现

记录是常驻集持续上升、单批峰值过高、周期后不回落、延迟随内存恶化，还是被系统终止。明确指标口径、单位、采样间隔和时间范围。

2. 固定运行环境

锁定解释器、依赖、扩展模块、操作系统、容器限制、进程模型、线程数和启动参数。开发环境与生产环境的分配器和负载不同，不能直接类推。

3. 建立可重复负载

控制输入大小、并发、预热、缓存、网络响应和迭代次数。对服务使用固定请求序列，对批任务按阶段打点，至少覆盖预热、稳定和问题出现三个区间。

4. 绘制进程内存地图

同时观察常驻集、虚拟内存、共享页、子进程和容器工作集。标记 Python 对象、原生库、内存映射、缓冲区、线程栈和外部进程可能占据的区域。

5. 选择采集粒度

先用低开销时间线确认增长与负载关系，再在最小复现上采集分配栈或对象差分。是否跟踪原生调用、全量分配或子进程必须按假设选择，避免采集本身改变结果。

6. 建立分配与存活证据

按调用路径汇总分配字节和次数，并比较阶段前后仍存活的对象或块。大分配热点不一定是泄漏；关键是是否超过预期生命周期且随重复负载累积。

7. 检查所有权与限界

追踪全局容器、缓存、闭包、回调、任务队列、生成器、异常追踪、循环引用、线程本地和连接池。检查缓存是否有容量与淘汰，任务结果是否被消费，批次中间量是否被同时保留。

8. 区分释放与回收可见性

对象已不可达不代表常驻集立即下降，分配器可能保留内存供后续复用。通过相同负载的稳定平台、分配数量和长期斜率判断，不以任务管理器单点作为唯一证据。

9. 设计最小修复

优先修正生命周期、清理引用、设置缓存上限、流式读取、分块计算、避免隐式复制或复用缓冲。只有确认分配器或扩展问题时才调整运行参数或替换组件。

10. 同条件回归

使用同一环境、输入、并发、预热和迭代次数比较修复前后。验证内存斜率和峰值，同时检查吞吐、延迟、CPU、I/O 与结果正确性，防止用性能退化换取表面下降。

输出规范

默认输出：

1. 症状、失败阈值和内存口径
2. 环境、进程模型与可重复负载
3. 内存区域假设
4. 采集方法、开销和时间点
5. 分配热点与持续存活差分
6. 根因候选及反证
7. 最小修复与副作用
8. 前后对照和剩余风险

证据等级使用 CONFIRMED、STRONG、PLAUSIBLE、UNVERIFIED。所有数值标明单位、采样区间、进程范围和是否包含子进程。

能力边界

• 不把单次峰值或常驻集不回落自动判为泄漏
• 不只依据对象数量忽略原生扩展和映射内存
• 不在高流量生产进程上默认开启高开销全量追踪
• 不用强制垃圾回收作为长期修复
• 不为降低峰值擅自改变结果精度或业务语义
• 不在未脱敏时分享堆转储、参数值或生产请求
• 不承诺一种分析工具覆盖所有平台与分配器

稳定性保障

• 固定解释器、依赖、平台和进程模型
• 记录预热并从稳定点比较
• 内存曲线与负载时间线使用同一时钟
• 至少比较基线、问题阶段和静置后三点
• 采集开销单独测量并写入结论
• 分配量、存活量和常驻集联合判断
• 修复前后使用完全相同的负载
• 内存改善与正确性、吞吐、延迟共同验收

深度定制

访问小葱技能站7w4.net，解锁更多实用的AI技能插件。

Web 服务增加请求路由、工作进程、连接池和后台任务；数据管道增加文件批次、中间表、零拷贝与分区；机器学习增加张量、设备与主机内存边界；异步系统增加未等待任务、队列积压和上下文变量；含原生扩展时增加本地调用栈、外部缓存和版本对照。

长期运行服务可建立每千请求内存斜率、稳定平台和重启前预算；短批任务重点约束峰值与同时存活数据规模。

FAQ

垃圾回收后内存没降就是泄漏吗？

不是。对象可能已释放给解释器或分配器，但内存仍保留给后续复用。需要看存活差分和重复负载斜率。

最大分配栈就是根因吗？

未必。它可能是合法峰值。持续跨越预期生命周期并累积的路径更值得优先调查。

为什么本地复现不了容器超限？

容器限制、工作集口径、并发、子进程和分配器可能不同。应尽量复制部署参数与负载形状。

重启能解决吗？

重启只能暂时释放进程资源。若增长机制未修复，问题会按相同斜率再次出现。

反模式与修正

按需 references

• 选择时间线、对象差分、分配栈或原生追踪时，读取 capture-selection.md
• 设计修复前后对照与长期门禁时，读取 leak-verification.md

这个 Skill 质量较好，文档结构清晰、方法论完整，对内存问题的分类和排查思路讲解得很系统，能帮助开发者建立正确的分析框架。不过它更像一本说明书而非实操手册，内容偏理论化，缺少具体例子和操作步骤演示，对于想直接动手的新手来说不够友好。