Ask HN：我该如何学习性能优化？

“性能优化”的范围

• 评论者强调，“性能”高度依赖上下文和领域（游戏 vs Web vs 数据库 vs 高频交易 vs 嵌入式 vs 云系统）。
• 先弄清楚你要优化的是什么（延迟 vs 吞吐量 vs 内存 vs 能耗 vs 代码体积 vs UX）被视为必不可少。
• 几条回复都在问提问者所处的技术栈；如果不知道这一点，建议必然只能是泛泛而谈。

核心方法论：先测量，不要猜

• 强烈共识：永远先测量，然后再优化。
• 强调：
  • 通过剖析（profiling）找出真正的热点，而不是靠猜。
  • 用真实工作负载构建可复现的基准测试。
  • 分层视角：测量 → 建模（队列、Little’s Law）→ 监测/埋点。
• 可观测性和工具（性能剖析器、追踪、操作系统工具、浏览器开发者工具）被视为实际入门点。

先优化什么

• 常见经验法则：
  • 少做事：更好的算法、更少的分配、避免冗余 I/O、把工作移出循环。
  • 避免在紧密循环中进行远程/网络/数据库调用；如有可能就批量处理。
  • 关注“热点路径”；不常走的路径可以慢一些，除非它们关系到安全关键。
  • 数据局部性和简单的线性数据结构（数组/向量）被高度强调。
• 反复出现一个分层视角：1）问题定义，2）算法选择，3）微优化。最大的收益通常来自最上层。

系统与硬件理解

• 许多人建议学习现代 CPU 和内存层次结构、缓存、分支预测以及微架构分析。
• 对系统级性能，建议学习排队论和简单的“拍脑袋估算”模型。
• 有人指出，GPU 和实时音频/游戏优化是“不同宇宙”，它们有严格的时间预算。

资源与学习路径

• 经常被推荐的内容：
  • 面向性能工程和优化的大学式课程。
  • 关于系统性能、软件动态、高效程序，以及“所有计算机性能”风格概览的书籍。
  • 聚焦系统性能、CPU 优化和特定语言性能指南的博客与手册。
  • 关于数据导向设计、底层优化以及挑战题解（例如“十亿行”竞赛）的演讲和课程。

经验、组织与文化

• 几位评论者说，性能能力最好通过反复优化真实系统来培养，最好还能有导师带领。
• 建议了解公司的架构、归属、SLA 和路线图，这样你不会把时间花在很快会被弃用的组件上。
• 围绕一个著名的“启动时间”轶事的讨论，既表达了对雄心目标的钦佩，也担心有毒压力和放错位置的优化。

注意事项与分歧

• 反复提醒不要误用“过早优化”的名言；它警告的是不必要的复杂性，而不是不该关心性能。
• 有些资源（例如较老的手册）被认为很有价值，但部分内容已过时；建议“信任但核实”。
• 对于只关注关键 3% 与大量“小”低效累积成本之间的取舍，也存在争论。