一个常驻 Editor 监控端 + 一个 Development Player + 一个外部 AI 分析进程。

  Player 侧尽量不动，只保留 Unity 自带远程 Profiler 能力；尖峰检测、抓帧、解析、调用 AI 全放在 Editor 侧。

  可行性判断

  可行，前提是：

  - Player 必须是 Development Build
  - 关闭 Autoconnect Profiler，改成手动 Attach to Player
  - 不开 Deep Profiling Support
  - 监控期间必须有一个 Unity Editor 进程连着这个 Player

  Unity 2022.3 官方文档明确：

  - 手动 Attach to Player 只有在 Autoconnect Profiler 关闭时才可用
  - 远程 profiling 的前提是目标在运行 Development Build
  - ProfilerWindow / RawFrameDataView / HierarchyFrameDataView 都是 Editor 侧能力

  来源：

  - https://docs.unity3d.com/cn/2022.3/Manual/profiler-profiling-applications.html
  - https://docs.unity3d.com/cn/2022.1/ScriptReference/ProfilerWindow.html
  - https://docs.unity3d.com/ja/2022.3/ScriptReference/Profiling.RawFrameDataView.html

  推荐架构

  1. 构建层

  - 只开 Development Build
  - 不开 Autoconnect Profiler
  - 不开 Deep Profiling Support

  这样 Player 侵入最低，也保留手动远程 attach 能力。
  你们现有入口里，client/Assets/Scripts/Editor/Builder/AndroidAppBuilder.cs:92 和 client/Assets/Scripts/Editor/Builder/WindowAppBuilder.cs:43 都可以拆一个专门的
  ProfileBuild 配置。

  2. 连接层

  - 启动 Player
  - 在常驻 Editor 中手动 Attach to Player
  - 一旦连上，后面监控逻辑自动跑

  这里我建议第一版不要做“自动 attach”。
  原因是“编程方式切换 Active Profiler 连接”公开 API 很弱，强行自动化通常要碰 UnityEditorInternal / 反射，升级风险高。
  第一版只要求人工选一次连接，后面全部自动。

  3. 监控层

  - Editor 里做一个 EditorWindow 或 [InitializeOnLoad] 服务
  - 持续盯 ProfilerWindow.lastAvailableFrameIndex
  - 每来一个新 frame，就读该 frame 的 CPU 时间
  - 超过阈值就进入分析流程

  这里可以直接基于 ProfilerWindow 的最新帧索引做，不需要 Player 回传 frameIndex。
  ProfilerWindow 提供 lastAvailableFrameIndex 和 selectedFrameIndex。
  来源：https://docs.unity3d.com/cn/2022.1/ScriptReference/ProfilerWindow.html

  4. 解析层

  - 对触发帧用 HierarchyFrameDataView 拿主线程/渲染线程热点树
  - 取 Top N 热点 sample
  - 对重点 sample 再用 RawFrameDataView 深挖
  - 抽：
      - frameTimeMs
      - frameGpuTimeMs
      - 主线程 Top N
      - RenderThread Top N
      - GC.Alloc
      - Unity Object 信息
      - 可用 callstack

  FrameDataView 里直接有 frameTimeMs / frameGpuTimeMs 等帧级信息。
  RawFrameDataView 官方示例也明确支持遍历样本和查 GC.Alloc。
  来源：

  - https://docs.unity3d.com/cn/2022.1/ScriptReference/Profiling.FrameDataView.html
  - https://docs.unity3d.com/ja/2022.3/ScriptReference/Profiling.RawFrameDataView.html
  - https://docs.unity3d.com/cn/2022.3/ScriptReference/Profiling.FrameDataView.GetUnityObjectInfo.html

  5. AI 输入层
     不要把整帧原始数据直接扔给 AI。先整理成一个紧凑 JSON，例如：

  {
    "session": {
      "platform": "Android",
      "device": "xxx",
      "build": "development"
    },
    "frame": {
      "index": 12345,
      "cpuFrameMs": 68.4,
      "gpuFrameMs": 41.2
    },
    "threads": [
      {
        "name": "Main Thread",
        "topSamples": [
          {
            "name": "Canvas.SendWillRenderCanvases",
            "totalMs": 23.1,
            "selfMs": 4.2,
            "calls": 1
          }
        ]
      }
    ],
    "gc": {
      "allocBytes": 524288
    },
    "unityObjects": [
      {
        "type": "Texture2D",
        "name": "xxx"
      }
    ]
  }

  然后再补两类上下文给 AI：

  - 设备、场景、操作步骤、网络状态
  - 根据热点 marker 名在仓库里 rg 出来的候选代码文件

  这样 AI 才能给“代码级建议”，不是只说“UI 很慢”。

  第一版建议的最小闭环

  我建议你先只做这条链：

  1. Development Build 运行
  2. Editor 手动 attach
  3. Editor 自动监控最新帧
  4. CPU 帧时间超阈值
  5. 解析主线程 Top 10 + RenderThread Top 5 + GC.Alloc
  6. 生成 spike-report.json
  7. 拉起外部 AI CLI 分析
  先不要做：

  - 自动 attach
  - 全模块分析
  - Deep Profiling
  - Player 侧埋点改造
  - 自动改代码

  关键风险

  - 远程 attach 本身就有开销，所以阈值要留冗余，不能拿它当“最终真实性能数据”。
  - 不开 Deep Profiling 时，很多热点只能看到 Unity marker，看不到足够细的业务方法。
  - 如果没有你们自己的 ProfilerMarker，AI 很可能只能把建议停留在“怀疑某个 UI 刷新或资源加载链路”。

  所以这套方案第一阶段的价值更像：

  - 自动发现尖峰
  - 自动归档证据
  - 自动把“热点帧 -> 代码候选 -> 优化建议”串起来

  不是一步到位做根因精确定位。

  我对落地顺序的建议

  1. 先做 Editor 监控器
  2. 再做帧解析导出 JSON
  3. 再接 AI CLI
  4. 最后再考虑自动 attach 和自定义 marker