性能优化往往不是一个人的战斗，除了技术方法，还需要把个人经验沉淀为团队能力。本文从团队知识共享与开发能力提升两个方面，梳理性能优化能力建设的整体思路。
团队知识共享建设
在性能优化工作之初，新手往往对系统瓶颈或优化方向认知不足，感到无从下手。这很正常——你所遇到的问题和疑惑，其他人大概率也遇到过，并已做过相应尝试和思考。为避免重复劳动、把有限精力投入到更有价值的工作上，可以先咨询相关同事做过哪些尝试，从前辈的经验教训中汲取养分，少走弯路。此外，也可以通过搜索阅读相关文献，从书籍和论文中得到启发，结合实际工作激发新的思路。很多时候，同事已采集的数据或已有经验本就能帮你解决问题，但由于缺乏便捷的沟通渠道，你不得不花大量精力去寻找相关人员，反而阻碍了性能优化工作的推进。因此，建立一套团队共享机制就显得尤为重要。
建立团队空间后，成员可以及时记录性能探索过程中的思路、操作方法、实验结果与最终结论。其他人只需查阅历史记录，就能了解已有成果，而不必重新测试、重复采集数据。团队知识共享还能带来以下好处：
- 减少重复劳动：性能优化中总有一些重复性工作，重复越少，整体效率越高；
- 拼出完整图景：单次采集的数据可能只是问题的一小部分，汇总团队空间里各成员的数据，往往就能得出完整结论。因此每个人都应尽可能详细地记录数据——对个人也许用处不大，但从团队视角看，这些数据能让问题更加清晰；
- 碰撞出新思路：成员定期一起回顾信息、思想碰撞，无需重新测试，就能挖掘出新的优化方向。
在建立团队空间时，成员需要共同约定一套目录结构，并按此顺序记录信息，方便大家快速定位内容。下面分享我自己的团队空间目录，供参考：
开发能力提升
自动化技术
自动化原则
在改进程序性能时，程序配置、运行与分析中常存在重复且复杂的流程。若把这些需要反复执行的操作固化为自动化脚本，就能显著提升效率、节省时间，还能避免手工操作带来的失误。编写自动化脚本可遵循「三次法则」：
- 第一次执行某条性能相关命令（如程序配置或工具抓数命令）时，先把它记录到团队空间；
- 第二次执行相同命令时，考虑是否将其改写为脚本，以提高效率；
- 再次执行相同命令时，必须把脚本编写列入任务，用脚本固化整条命令流程，减少重复劳动。
虽然开始编写脚本时可能会走一些弯路，但脚本完成后，你会发现辛苦劳动的成果不仅能让后续工作更加顺畅，还能让其他成员共享这份成果；这样一来，整个团队就能把更多时间、精力和重心放在挖掘性能上，形成良性循环。
例：perf 抓取热点函数可用于对比函数优化前后的效果，几乎每位成员都会用到；但 perf 在嵌入式目标环境中使用前，往往需要做一系列复杂的准备工作。把抓数流程固化为 Python 脚本、实现一键式启动并在团队内共享后，抓数时长从 10 分钟缩短到 5 秒，团队效率成倍提升。
自动化测量
开发人员的优化措施合入后，需要及时评估优化效果；否则一旦混入其他原因导致的性能恶化，就很难判断优化收益，成果也会大打折扣。因此，性能看护与性能优化应摆在同等重要的位置。
性能看护可以采用自动化测量的方式。当前软件开发普遍采用迭代模式，每天都可能编译出最新版本，因此可以在现有测试环境上实现自动化测量，对每日最新版本包进行测量。测试时还需要从宏观到微观、多角度采集性能相关指标（CPU、top-down、top 进程性能占比、组件性能占比、热点函数 cycle 等），实现自动化看护。由于测试间隔短、合入代码量少，性能分析的干扰因素可以被降到最低。性能分析主要包含两方面：当指标出现优化时，分析优化原因，判断是否与优化措施相关、优化幅度是否符合收益预期；当指标出现恶化时，利用已采集的数据定位根因、及时修复，守护团队优化成果。自动化过程中，所有数据都应及时归档，以减少后续不必要的重复测试。
例：某产品团队与工具团队合作搭建自动化测量平台，对每日版本自动测量；平台集成了 perf、top-down 分析、top+ 等数据采集能力，成员可以随时获取最新数据。平台上线至今，已成功拦截多起性能恶化问题，有效守护了优化成果。