obsidian-notes/1Project/AI工程/AI for 性能检测管线/未命名.md

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