# 性能优化详解

NEO Bot 实际上是python，有人说用Java可能更好。。。嗯但是镀铬酸钾不会Java，镀铬酸钾只会python，所以只能用python了

## 1. Playwright 页面池 (Page Pool)

### 痛点
之前 Bot 发图流程：
1.  用户发指令。
2.  Bot 启动浏览器。
3.  创建新页面。。
4.  渲染，截图。
5.  关闭浏览器。

这种模式下，发一张图至少要等 1 秒以上。。。

### 解决方案
`BrowserManager` 维护了一个**页面池**。
*   **启动时**: 自动预热 3 个页面（可配置），挂在后台待命。
*   **运行时**: 需要截图时，直接从池里 `get_page()`
*   **结束后**: 截图完成，页面执行 `about:blank` 洗白，然后 `release_page()` 放回池里。

### 收益
我不知道快了多少，也没人测试，嗯

## 2. Jinja2 模板缓存

### 痛点
每次渲染 HTML，都要从硬盘读文件，然后解析模板语法。硬盘 IO 是慢的，解析也是慢的。

### 解决方案
`ImageManager` 引入了内存缓存 `_template_cache`。
*   第一次读取模板后，编译好的 `Template` 对象直接存入字典。
*   后续请求直接从内存拿对象渲染。

### 收益
省了硬盘IO

## 3. 全局 HTTP 连接复用

### 痛点
插件（如 B站解析）每次请求 API 都创建一个新的 `aiohttp.ClientSession`。
这意味着每次都要进行：DNS 解析 -> TCP 握手 -> SSL 握手。这在 HTTPS 下非常慢。

### 解决方案
我们在插件层面实现了 `get_session()`。
*   全局共享一个 `ClientSession`。
*   复用底层的 TCP 连接 (Keep-Alive)。

### 收益
实际上我也不知道，bot没高并发的实验。。。

## 4. orjson 极速序列化

### 痛点
Python 自带的 `json` 库性能好像不太好，特别是在处理 OneBot 这种大量 JSON 通信的场景下。

### 解决方案
全面替换为 `orjson`。
*   Rust 编写
*   支持直接返回 `bytes`，减少内存复制。

## 5. Python 3.14 JIT (Just-In-Time Compilation)

### 痛点
Python 解释器一边解析一边执行，遇到循环和函数调用就得反复解释。像消息处理这种高频循环，解释开销就特别明显。

### 解决方案
Python 3.14 自带了一个实验性的 JIT 编译器。启动时加上 `-X jit` 参数，它就会在运行时把热点代码编译成机器码。

**JIT 怎么工作的？**
1.  **监控**: 解释器运行时会统计哪些函数、哪些循环被调最得频繁。
2.  **编译**: 把这些“热点”代码编译成机器码。
3.  **替换**: 下次再执行到这段代码，直接跑机器码，跳过解释步骤。

**哪些代码受益最大？**
-   `plugins/` 里的业务逻辑（比如 B站解析、代码沙箱）。
-   循环密集的操作（比如遍历消息段、处理大量群消息）。
-   频繁调用的工具函数。

### 如何启用？
启动机器人时加上 `-X jit` 参数：

```bash
python -X jit main.py
```

### 收益
*   **热点代码加速**: 经常跑的代码能快 2-10 倍（看具体场景）。
*   **零配置**: 不用改代码，加个启动参数就行。
*   **与 Mypyc 互补**: JIT 负责动态、灵活的插件代码；Mypyc 负责静态、类型明确的核心模块。两者结合，全面覆盖。

## 6. Mypyc 编译 (AOT Compilation)

### 痛点
Python 作为一种解释型语言，在处理 CPU 密集型任务时性能较差。对于机器人框架的核心部分，如 WebSocket 消息解析、事件分发和插件管理，这些代码被高频调用，其性能直接影响机器人的响应速度和吞吐量。

### 解决方案
我们引入了 `Mypyc`，一个将类型注解的 Python 代码编译为高性能 C 扩展的工具。通过项目根目录下的 `setup_mypyc.py` 脚本，我们可以选择性地将核心模块编译为二进制文件（在 Windows 上是 `.pyd`，在 Linux 上是 `.so`）。

**哪些模块被编译了？**
-   `core/ws.py`: WebSocket 消息处理循环，这是整个机器人框架的 I/O 中枢。
-   `core/managers/*.py`: 所有的核心管理器，如指令管理器、插件管理器等，负责事件分发和业务逻辑。
-   `core/utils/*.py`: 高频使用的工具函数。
-   `models/*.py`: 数据模型类，如消息段、发送者等。

这些高频调用的代码路径被编译为接近原生机器码的速度，极大地提升了性能。

### 如何编译？
在项目根目录下运行以下指令：
```bash
python setup_mypyc.py
```
脚本会自动查找并编译预设的模块列表。

### 特别注意：关于事件模型的编译
`Mypyc` 对 Python 某些动态特性和高级用法支持尚不完善。在实践中，我们发现 `dataclass` 与 `Mypyc` 存在一些兼容性问题，尤其是在使用继承和某些高级特性（如 `slots=True`）时，可能会导致编译失败或运行时错误（例如 `AttributeError: attribute '__dict__' of 'type' objects is not writable`）。

- **当前状态**：为了确保稳定性，`setup_mypyc.py` 脚本**默认不编译** `models/events/` 目录下的事件模型文件。这些文件虽然也被频繁使用，但它们的结构相对复杂，与 `Mypyc` 的兼容性问题仍在探索中。
- **未来展望**：我们会持续关注 `Mypyc` 的更新，当其对 `dataclass` 的支持得到改善后，会重新尝试将事件模型加入编译列表，以实现极致的性能。

通过这种方式，我们在保证核心模块性能的同时，也维持了项目的稳定性和可维护性。