SmartPerfetto 架构文章 Q&A：8 个深度技术问答
内容提要
本文讨论了SmartPerfetto AI Agent的技术问题，重点分析了YAML Skill系统与Claude Code的区别、Agent的决策能力、场景识别及AI自主探索的有效性。YAML Skill为性能工程师提供灵活的SQL执行工具，支持参数化和自描述输出格式。文章强调通过三层机制（Strategy文件、Planning Gate、Verifier）确保AI自主探索的可靠性，并提出在不同分析阶段设定约束强度的策略。
关键要点
-
SmartPerfetto AI Agent 采用 YAML Skill 系统，提供灵活的 SQL 执行工具，支持参数化和自描述输出格式。
-
YAML Skill 和 Claude Code 的 Skill 系统在执行环境、调用方式和数据流上存在显著区别。
-
通过三层机制（Strategy 文件、Planning Gate、Verifier）确保 AI 自主探索的可靠性。
-
在不同分析阶段设定约束强度的策略，以适应 Agent 的决策能力和场景识别需求。
-
Agent 和 Workflow 不是对立的工具，而是同一光谱的两端，决策权的分配影响其能力表现。
-
SmartPerfetto 的架构设计结合了业务需求，优化了工具加载和场景识别的效率。
-
场景识别采用三层信号源，分别为用户原声、Trace 数据和数据完整性检查，以提高准确性。
-
AI 自主探索能力通过假设管理、知识注入和反思机制得以增强，确保分析过程的可靠性。
延伸解读
YAML Skill 系统的优势
SmartPerfetto 的 YAML Skill 系统为性能工程师提供了灵活的 SQL 执行工具，支持参数化和自描述输出格式。这种设计使得性能分析更加高效，工程师可以直接定义 SQL 查询，而无需深入后端代码，降低了技术门槛。与 Claude Code 的 Skill 系统相比，YAML Skill 更加专注于运行阶段的性能数据分析，适应性更强。
AI 自主探索的可靠性
文章强调了通过三层机制（Strategy 文件、Planning Gate、Verifier）确保 AI 自主探索的可靠性。这种设计不仅提供了约束框架，还允许 AI 在一定范围内自主决策，从而提高了分析的准确性和效率。读者应关注如何在实际应用中平衡自主探索与约束，以优化 AI 的决策能力。
场景识别的多层信号源
SmartPerfetto 采用三层信号源进行场景识别，分别是用户原声、Trace 数据和数据完整性检查。这种多层次的信号处理方式能够有效提高场景识别的准确性，避免单一信号源可能带来的误判。读者在设计类似系统时，可以借鉴这种多信号融合的策略，以提升整体性能。
延伸问答
SmartPerfetto 的 YAML Skill 系统有什么优势？
YAML Skill 系统为性能工程师提供灵活的 SQL 执行工具，支持参数化和自描述输出格式，简化了 SQL 查询的编写和执行。
YAML Skill 和 Claude Code 的 Skill 系统有什么区别？
YAML Skill 运行在 SmartPerfetto 的后端，专注于性能数据分析，而 Claude Code 的 Skill 系统主要用于开发阶段，二者在执行环境和调用方式上有显著区别。
SmartPerfetto 如何确保 AI 自主探索的可靠性？
通过三层机制（Strategy 文件、Planning Gate、Verifier）确保 AI 自主探索的可靠性，设定不同分析阶段的约束强度。
SmartPerfetto 的架构设计如何优化性能分析？
SmartPerfetto 的架构结合业务需求，优化了工具加载和场景识别的效率，通过条件化工具加载和动态调整约束强度来提高分析性能。
SmartPerfetto 的场景识别是如何实现的？
SmartPerfetto 采用三层信号源进行场景识别，包括用户原声、Trace 数据和数据完整性检查，以提高准确性。
AI 自主探索能力如何通过假设管理增强？
AI 自主探索能力通过假设管理工具外显化推理过程，确保 Agent 在验证前明确声明假设和预期证据，从而提高分析的准确性。
