app:
  description: 性能分析智能体01
  icon: 🤖
  icon_background: '#FFEAD5'
  icon_type: emoji
  mode: workflow
  name: demo11-性能分析智能体01
  use_icon_as_answer_icon: false
dependencies:
- current_identifier: null
  type: marketplace
  value:
    marketplace_plugin_unique_identifier: langgenius/deepseek:0.0.14@e7f88d74bf425ffc89d8794a33d581cceeaeec8d3b0091ccd5a5c2ff7c18c2a7
    version: null
kind: app
version: 0.6.0
workflow:
  conversation_variables: []
  environment_variables: []
  features:
    file_upload:
      allowed_file_extensions:
      - .JPG
      - .JPEG
      - .PNG
      - .GIF
      - .WEBP
      - .SVG
      allowed_file_types:
      - image
      allowed_file_upload_methods:
      - local_file
      - remote_url
      enabled: false
      fileUploadConfig:
        attachment_image_file_size_limit: 2
        audio_file_size_limit: 50
        batch_count_limit: 5
        file_size_limit: 15
        file_upload_limit: 20
        image_file_batch_limit: 10
        image_file_size_limit: 10
        single_chunk_attachment_limit: 10
        video_file_size_limit: 100
        workflow_file_upload_limit: 10
      image:
        enabled: false
        number_limits: 3
        transfer_methods:
        - local_file
        - remote_url
      number_limits: 3
    opening_statement: ''
    retriever_resource:
      enabled: true
    sensitive_word_avoidance:
      enabled: false
    speech_to_text:
      enabled: false
    suggested_questions: []
    suggested_questions_after_answer:
      enabled: false
    text_to_speech:
      enabled: false
      language: ''
      voice: ''
  graph:
    edges:
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: start
        targetType: llm
      id: 1777286493293-source-1777286782207-target
      source: '1777286493293'
      sourceHandle: source
      target: '1777286782207'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: llm
        targetType: end
      id: 1777287139993-source-1777287160020-target
      source: '1777287139993'
      sourceHandle: source
      target: '1777287160020'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: llm
        targetType: llm
      id: 1777286782207-source-1777288199008-target
      source: '1777286782207'
      sourceHandle: source
      target: '1777288199008'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: llm
        targetType: llm
      id: 1777288199008-source-1777288893095-target
      source: '1777288199008'
      sourceHandle: source
      target: '1777288893095'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInLoop: false
        sourceType: llm
        targetType: llm
      id: 1777288893095-source-1777287139993-target
      source: '1777288893095'
      sourceHandle: source
      target: '1777287139993'
      targetHandle: target
      type: custom
      zIndex: 0
    nodes:
    - data:
        selected: false
        title: 用户输入
        type: start
        variables:
        - default: ''
          hint: ''
          label: 测试场景描述
          max_length: 2000
          options: []
          placeholder: ''
          required: true
          type: paragraph
          variable: test_scenario
        - default: ''
          hint: ''
          label: 压测数据
          max_length: 5000
          options: []
          placeholder: ''
          required: true
          type: paragraph
          variable: pressure_data
        - default: ''
          hint: ''
          label: 监控数据
          options: []
          placeholder: ''
          required: false
          type: paragraph
          variable: monitor_data
        - default: '300'
          hint: ''
          label: 压测时长/s
          options: []
          placeholder: ''
          required: false
          type: number
          variable: test_duration
        - default: '500'
          hint: ''
          label: 并发用户数
          options: []
          placeholder: ''
          required: false
          type: number
          variable: concurrent_users
        - default: '500'
          hint: ''
          label: 目标TPS
          options: []
          placeholder: ''
          required: false
          type: number
          variable: target_tps
        - hint: ''
          label: 关注重点
          options:
          - 数据库
          - 网络
          - 代码层
          placeholder: ''
          required: false
          type: select
          variable: focus_area
      height: 265
      id: '1777286493293'
      position:
        x: 51
        y: 74
      positionAbsolute:
        x: 51
        y: 74
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        context:
          enabled: false
          variable_selector: []
        model:
          completion_params:
            temperature: 0.7
          mode: chat
          name: deepseek-v4-flash
          provider: langgenius/deepseek/deepseek
        prompt_template:
        - id: 737b4b18-03ab-4aa4-afbd-b3e4acfa7e0a
          role: system
          text: "## 角色\n你是一名性能测试数据分析师，擅长解析和标准化各类性能测试数据。\n\n## 任务\n解析用户提供的压测数据和监控数据，将其标准化为结构化格式。\n\
            \n## 输入\n- 测试场景：{{#1777286493293.test_scenario#}}\n- 压测数据：{{#1777286493293.pressure_data#}}\n\
            - 监控数据：{{#1777286493293.monitor_data#}}\n- 测试时长：{{#1777286493293.test_duration#}}\n\
            - 并发数：{{#1777286493293.concurrent_users#}}\n- 目标TPS：{{#1777286493293.target_tps#}}\n\
            \n## 输出格式（严格JSON）\n```json\n{\n  \"scenario\": \"场景摘要\",\n  \"pressure_metrics\"\
            : {\n    \"interface\": \"接口名\",\n    \"avg_response_time_ms\": 数值,\n\
            \    \"p95_response_time_ms\": 数值,\n    \"p99_response_time_ms\": 数值,\n\
            \    \"error_rate_percent\": 数值,\n    \"actual_tps\": 数值,\n    \"target_tps\"\
            : 数值,\n    \"concurrent_users\": 数值,\n    \"throughput_gap_percent\":\
            \ 数值\n  },\n  \"resource_metrics\": {\n    \"db_cpu_percent\": 数值,\n \
            \   \"db_connection_pool_percent\": 数值,\n    \"app_cpu_percent\": 数值,\n\
            \    \"app_memory_percent\": 数值,\n    \"redis_memory_percent\": 数值,\n\
            \    \"redis_hit_rate_percent\": 数值,\n    \"network_io\": \"描述\"\n  },\n\
            \  \"anomalies\": [\"异常指标1\", \"异常指标2\"],\n  \"target_gap\": \"与目标的差距描述\"\
            \n}\n"
        selected: false
        structured_output:
          schema:
            additionalProperties: false
            properties:
              pressure_metrics:
                additionalProperties: false
                properties:
                  actual_tps:
                    type: number
                  avg_response_time_ms:
                    type: number
                  concurrent_users:
                    type: number
                  error_rate_percent:
                    type: number
                  interface:
                    type: string
                  p95_response_time_ms:
                    type: number
                  p99_response_time_ms:
                    type: number
                  target_tps:
                    type: number
                  throughput_gap_percent:
                    type: number
                required:
                - interface
                - avg_response_time_ms
                - p95_response_time_ms
                - p99_response_time_ms
                - error_rate_percent
                - actual_tps
                - target_tps
                - concurrent_users
                - throughput_gap_percent
                type: object
              scenario:
                type: string
            required:
            - scenario
            - pressure_metrics
            type: object
        structured_output_enabled: true
        title: 数据解析与标准化节点
        type: llm
        vision:
          enabled: false
      height: 88
      id: '1777286782207'
      position:
        x: 308
        y: 76
      positionAbsolute:
        x: 308
        y: 76
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        context:
          enabled: false
          variable_selector: []
        model:
          completion_params:
            temperature: 0.7
          mode: chat
          name: deepseek-v4-flash
          provider: langgenius/deepseek/deepseek
        prompt_template:
        - id: ed3e0c66-4608-43a2-a5a5-a6ed2382d0dd
          role: system
          text: '## 角色

            你是一名性能测试报告撰写专家。


            ## 任务

            将分析结果整合为结构化的性能测试分析报告。


            ## 输入

            - 标准化数据：{{#1777286782207.text#}}

            - 瓶颈分析：{{#1777288199008.text#}}

            - 优化建议：{{#1777288893095.text#}}


            ## 输出格式（Markdown）


            # 🔍 性能测试分析报告


            ## 一、测试概览

            | 指标 | 目标值 | 实际值 | 达标情况 |

            |------|--------|--------|----------|

            | TPS | {{#1777286493293.target_tps#}} | {{actual_tps}} | ✅/❌ |

            | 平均响应时间 | - |  {{#1777286782207.structured_output.pressure_metrics.avg_response_time_ms#}}ms
            | - |

            | P99响应时间 | - | {{#1777286782207.structured_output.pressure_metrics.p99_response_time_ms#}}ms
            | - |

            | 错误率 | <0.1% | {{#1777286782207.structured_output.pressure_metrics.error_rate_percent#}}%
            | ✅/❌ |


            ## 二、资源使用概况

            （表格展示各资源使用率及健康度）


            ## 三、瓶颈分析

            ### 首要瓶颈

            （描述首要瓶颈及其证据链）


            ### 瓶颈链路

            （描述瓶颈间的因果关系）


            ## 四、优化建议

            ### 🚀 快速见效（1-3天）

            （优先级1-3的优化项）


            ### 🔧 中期优化（1-2周）

            （优先级4-6的优化项）


            ### 🏗️ 长期规划（1月+）

            （架构级优化项）


            ## 五、预期收益

            （综合预期TPS提升及响应时间改善）


            ## 六、风险提示

            （实施风险及回滚方案）

            '
        selected: true
        title: 报告生成节点
        type: llm
        vision:
          enabled: false
      height: 88
      id: '1777287139993'
      position:
        x: 308
        y: 385
      positionAbsolute:
        x: 308
        y: 385
      selected: true
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        outputs:
        - value_selector:
          - '1777287139993'
          - text
          value_type: string
          variable: text
        selected: false
        title: 输出
        type: end
      height: 88
      id: '1777287160020'
      position:
        x: 308
        y: 492
      positionAbsolute:
        x: 308
        y: 492
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        context:
          enabled: false
          variable_selector: []
        model:
          completion_params:
            temperature: 0.7
          mode: chat
          name: deepseek-v4-flash
          provider: langgenius/deepseek/deepseek
        prompt_template:
        - id: 4ae41eab-6110-4c47-9d5a-48d39649923f
          role: system
          text: "## 角色\n你是一名拥有15年经验的资深性能工程师，精通全栈性能诊断。你擅长从多维数据中建立因果关系链，精准定位根本瓶颈而非表面症状。\n\
            \n## 任务\n基于标准化数据，系统性分析性能瓶颈根因，输出结构化的瓶颈清单和因果链路。\n\n## 输入数据\n\n### 标准化数据\n\
            {{#1777286782207.text#}}\n\n\n### 用户关注重点\n{{#1777286493293.focus_area#}}\n\
            \n---\n\n## 分析方法论\n\n### 一、数据完整性检查（首先执行）\n\n在开始分析前，先检查数据是否充足：\n\n| 检查项\
            \ | 判断标准 | 处理策略 |\n|--------|----------|----------|\n| 压测指标完整性 | 是否包含TPS、响应时间、错误率\
            \ | 缺失则在瓶颈中标注\"数据不足\" |\n| 监控数据完整性 | 是否包含CPU、内存、IO、网络 | 缺失则在根因推断中降低置信度\
            \ |\n| 时序一致性 | 压测时间段与监控时间段是否匹配 | 不一致则标注，可能影响分析准确性 |\n| 指标关联性 | 资源指标变化是否与压测指标变化同步\
            \ | 用于判断因果关系 |\n\n如果关键数据缺失，在输出 `data_quality_warning` 中明确说明哪些数据缺失、对分析结论的影响程度。\n\
            \n### 二、四层瓶颈排查框架（逐层深入）\n\n#### 第一层：资源层瓶颈\n\n**判断标准 & 因果推导**：\n\n| 症状 |\
            \ 数值阈值 | 可能根因（按概率排序） | 验证方法 |\n|------|----------|----------------------|----------|\n\
            | CPU 饱和 | >80% 持续 >5min | ① GC频繁 ② 计算密集操作 ③ 线程上下文切换过高 | 查看 GC日志、线程Dump\
            \ |\n| 内存饱和 | >85% 持续 | ① 内存泄漏 ② 缓存膨胀 ③ 堆配置不足 | 查看 Heap Dump、内存趋势 |\n\
            | 磁盘 I/O 饱和 | iowait >20% | ① 日志过频 ② DB刷盘 ③ 临时文件过多 | 查看 iostat、磁盘队列深度\
            \ |\n| 网络带宽饱和 | 带宽利用率 >80% | ① 大Payload ② 序列化开销 ③ 频繁小包 | 抓包分析、流量统计 |\n\
            \n**关联分析规则**：\n- CPU高 + 内存高 → 大概率 GC 问题（查看 Young GC / Full GC 频率）\n- CPU高\
            \ + 内存正常 → 计算密集或锁竞争（查看线程状态分布）\n- CPU正常 + 内存持续上涨 → 内存泄漏（查看对象引用链）\n\n####\
            \ 第二层：中间件瓶颈\n\n**数据库瓶颈深度分析**：\n\n| 症状 | 数据特征 | 根因推导 | 置信度 |\n|------|----------|----------|--------|\n\
            | 连接池耗尽 | 使用率 >95% | ① 慢SQL占用连接 ② 连接泄漏 ③ 池配置偏小 | 需慢SQL日志确认→高 |\n| DB CPU\
            \ 高 | >80% | ① 全表扫描 ② 复杂Join ③ 锁等待 | 需执行计划确认→高 |\n| 慢查询增多 | P99响应时间突增\
            \ | ① 缺少索引 ② 数据量增长 ③ 统计信息过期 | 需执行计划确认→高 |\n| 锁等待增多 | 并发TPS上不去 | ① 死锁 ②\
            \ 行锁竞争 ③ 事务过长 | 需锁监控确认→中 |\n\n**Redis 瓶颈分析**：\n\n| 症状 | 数据特征 | 根因推导 |\n\
            |------|----------|----------|\n| 命中率低 | <85% | ① Key设计不合理 ② 过期策略集中过期\
            \ ③ 内存不足触发淘汰 |\n| 响应变慢 | 慢日志增多 | ① BigKey操作 ② 复杂计算命令(KEYS/SMEMBERS) ③\
            \ 持久化阻塞 |\n| 内存使用高 | >80% | ① 数据未设置过期 ② BigKey ③ 淘汰策略不当 |\n\n**消息队列瓶颈分析**：\n\
            \n| 症状 | 数据特征 | 根因推导 |\n|------|----------|----------|\n| 消息积压 | 队列深度持续增长\
            \ | ① 消费者处理慢 ② 消费者数量不足 ③ 分区不均匀 |\n| 消费延迟 | 延迟时间 > SLA | ① 批量消费配置不当 ② 消费者异常重启\
            \ ③ 网络抖动 |\n\n#### 第三层：应用层瓶颈\n\n**JVM 相关**：\n\n| 症状 | 数据特征 | 根因推导 | 关联指标验证\
            \ |\n|------|----------|----------|-------------|\n| 频繁 Full GC | GC停顿\
            \ >1s，频率 >1次/min | ① 堆内存不足 ② 内存泄漏 ③ 大对象直接进老年代 | 老年代使用率趋势 |\n| Young GC\
            \ 频繁 | GC间隔 <1s | ① 新生代配置过小 ② 短生命周期对象过多 | Eden区填充速率 |\n| OOM 频繁 | OutOfMemoryError\
            \ | ① 内存泄漏 ② 堆配置不足 ③ 元空间不足 | Heap Dump分析 |\n\n**线程与锁**：\n\n| 症状 | 数据特征\
            \ | 根因推导 |\n|------|----------|----------|\n| 线程池满 | 活动线程 = 最大线程数 | ①\
            \ 阻塞IO操作 ② 死锁 ③ 线程泄漏 |\n| 响应时间长尾 | P99远大于P95 | ① 锁竞争 ② GC停顿 ③ 连接池等待 |\n\
            | 吞吐量上不去 | TPS不随并发线性增长 | ① 瓶颈资源饱和 ② 串行化处理 ③ 线程数不足 |\n\n#### 第四层：架构层瓶颈\n\
            \n| 症状 | 数据特征 | 根因推导 |\n|------|----------|----------|\n| 单台扩容无效 | 增加服务器TPS不提升\
            \ | ① 共享资源瓶颈（DB/缓存） ② 分布式锁 ③ 全局序号生成 |\n| 串行调用延迟 | 总延迟 ≈ 各环节延迟之和 | ① 可并行的调用串行执行\
            \ ② 同步调用可异步化 |\n| 缓存问题 | 缓存命中率突降 | ① 缓存穿透 ② 缓存雪崩 ③ 缓存击穿 |\n\n### 三、因果链路构建规则\n\
            \n瓶颈往往不是孤立的，需要构建因果链：\n根本瓶颈 → 衍生瓶颈1 → 衍生瓶颈2 → 最终症状\n**示例因果链**：\n慢SQL（全表扫描）\
            \ \n  → DB连接池耗尽（连接被慢SQL占用）\n    → 应用线程阻塞（等待数据库连接）\n      → 响应时间急剧上升（P99\
            \ > 8s）\n        → 错误率上升（超时）\n          → 有效TPS下降\n          \n\n**构建规则**：\n\
            1. 从最终症状（TPS不达标/高错误率/高延迟）出发，逆推上游原因\n2. 区分**根本原因**（Root Cause）和**放大因素**（Aggravating\
            \ Factor）\n3. 如果多个瓶颈同时存在，判断谁是\"因\"谁是\"果\"\n4. 置信度规则：有直接数据证据支撑的因果关系标注\"\
            高\"，逻辑推导的标注\"中\"，经验推断的标注\"低\"\n\n### 四、置信度评定标准\n\n| 置信度 | 评定条件 | 示例 |\n\
            |--------|----------|------|\n| **高** | 有直接数据证据 + 因果关系明确 | DB CPU 92%\
            \ + 连接池98% + 慢SQL日志 → 数据库瓶颈 |\n| **中** | 有间接数据证据 + 合理推导 | App CPU 65%\
            \ + TPS随并发不增 → 可能存在锁竞争 |\n| **低** | 数据不足 + 经验推断 | 仅知TPS低，无监控数据 → 推测可能资源瓶颈\
            \ |\n\n### 五、关注重点（focus_area）处理规则\n\n当用户指定了 focus_area 时：\n- 该领域的分析深度提升（给出更细致的子类分析）\n\
            - 其他领域的分析保持基础级别（仍需排查，但不展开细节）\n- 在 primary_bottleneck 中优先考虑该领域的瓶颈\n- 如果该领域无异常，明确说明\"\
            XX领域未发现异常\"\n\n---\n\n## 输出格式（严格JSON）\n\n```json\n{\n  \"data_quality\"\
            : {\n    \"completeness\": \"完整/基本完整/部分缺失/严重不足\",\n    \"missing_items\"\
            : [\"缺失的数据项\"],\n    \"impact_on_analysis\": \"对分析结论的影响说明\",\n    \"recommendation\"\
            : \"建议补充的数据\"\n  },\n  \"bottlenecks\": [\n    {\n      \"id\": \"BN-001\"\
            ,\n      \"level\": \"资源层/中间件层/应用层/架构层\",\n      \"sub_level\": \"细分类别（如：中间件层-数据库-CPU）\"\
            ,\n      \"type\": \"瓶颈类型简称\",\n      \"severity\": \"严重/高/中/低\",\n  \
            \    \"evidence\": {\n        \"direct_metrics\": [\"直接支撑的指标数据\"],\n \
            \       \"indirect_metrics\": [\"间接佐证的指标数据\"]\n      },\n      \"root_cause\"\
            : \"详细根因分析（包含因果推导过程）\",\n      \"is_root_cause\": true/false,\n      \"\
            confidence\": \"高/中/低\",\n      \"confidence_reason\": \"置信度评定理由\",\n\
            \      \"impact_on_target\": {\n        \"tps_impact\": \"对TPS的影响估算\"\
            ,\n        \"response_time_impact\": \"对响应时间的影响\",\n        \"error_rate_impact\"\
            : \"对错误率的影响\"\n      },\n      \"related_bottleneck_ids\": [\"BN-002\"\
            ]\n    }\n  ],\n  \"bottleneck_chain\": {\n    \"chain_description\":\
            \ \"因果链路完整描述\",\n    \"chain_visual\": \"根因 → 衍生1 → 衍生2 → 症状 的文字链路\",\n\
            \    \"root_cause_id\": \"BN-XXX\",\n    \"aggravating_factors\": [\"\
            放大因素说明\"]\n  },\n  \"primary_bottleneck\": {\n    \"id\": \"BN-XXX\",\n\
            \    \"summary\": \"首要瓶颈一句话总结\",\n    \"rationale\": \"为什么判定为首要瓶颈的理由（数据+逻辑）\"\
            ,\n    \"resolution_priority\": \"应最先解决的理由\"\n  },\n  \"focus_area_analysis\"\
            : {\n    \"area\": \"用户关注的领域\",\n    \"findings\": \"该领域的详细发现\",\n   \
            \ \"status\": \"存在瓶颈/未发现异常/数据不足无法判断\"\n  },\n  \"analysis_summary\": \"\
            整体分析总结（3-5句话）\"\n}          "
        selected: false
        title: 瓶颈分析
        type: llm
        vision:
          enabled: false
      height: 88
      id: '1777288199008'
      position:
        x: 308
        y: 182
      positionAbsolute:
        x: 308
        y: 182
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        context:
          enabled: false
          variable_selector: []
        model:
          completion_params:
            temperature: 0.7
          mode: chat
          name: deepseek-v4-flash
          provider: langgenius/deepseek/deepseek
        prompt_template:
        - id: 3b430df3-30ec-4883-a13c-3037201d3f69
          role: system
          text: "## 角色\n你是一名资深性能优化专家，拥有丰富的生产环境调优经验。你能根据瓶颈分析结果，从\"零成本快速见效\"到\"架构级长期投入\"\
            给出分层分优先级的优化方案，每个方案都附带具体的操作步骤和验证方法。\n\n## 任务\n基于瓶颈分析结果，生成一份完整的、可落地的优化建议清单。\n\
            \n## 输入数据\n\n### 瓶颈分析结果\n{{#1777288199008.text#}}\n\n### 标准化数据\n{{#1777286782207.text#}}\n\
            \n### 用户关注重点\n{{#1777286493293.focus_area#}}\n\n---\n\n## 优化方案生成规则\n\n\
            ### 一、总体原则\n\n1. **先易后难**：按 C1(配置调整) → C2(索引优化) → C3(SQL优化) → C4(缓存优化)\
            \ → C5(代码优化) → C6(架构改造) → C7(资源扩容) 的顺序，优先推荐低风险低成本方案\n2. **量化一切**：每个方案必须给出量化的预期改善（如\"\
            TPS提升20-30%\"），不允许\"有一定改善\"这类模糊表述\n3. **风险可控**：每个方案必须标注风险等级和回滚方案，高风险方案需给出降级措施\n\
            4. **验证闭环**：每个方案必须配套验证方法，让用户知道怎么确认优化生效\n5. **依赖关系**：标注方案间的依赖关系（如\"方案3依赖方案1先完成\"\
            ）\n6. **投入产出比**：优先推荐高ROI方案（低成本高收益），标注预估实施工期\n\n### 二、优先级评定标准\n\n| 优先级\
            \ | 评定条件 | 标签 |\n|--------|----------|------|\n| P0-紧急 | 严重影响业务（错误率>5%、服务不可用），需立即处理\
            \ | \U0001F534 紧急 |\n| P1-高 | 阻碍达标的核心瓶颈，低成本可快速解决 | \U0001F7E0 高优 |\n|\
            \ P2-中 | 能显著改善性能但需要一定实施成本 | \U0001F7E1 中优 |\n| P3-低 | 锦上添花的优化，或需要较大架构改造\
            \ | \U0001F7E2 建议 |\n\n### 三、方案分类映射规则\n\n根据瓶颈分析结果中的每个瓶颈，匹配对应的优化方案类别：\n\
            \n| 瓶颈特征 | 推荐方案类别 | 理由 |\n|----------|-------------|------|\n| 连接池耗尽 |\
            \ C1(调参) + C3(SQL优化) + C7(扩容) | 先调参，再优化SQL减少连接占用，最后考虑扩容 |\n| DB CPU高 |\
            \ C2(索引) + C3(SQL) + C6(读写分离) | 先索引和SQL，再考虑架构级方案 |\n| 内存泄漏 | C5(代码修复)\
            \ | 只能通过代码修复 |\n| GC频繁 | C1(JVM调参) + C5(代码优化) | 先调参缓解，再优化代码减少对象创建 |\n\
            | 缓存命中率低 | C4(缓存优化) | 缓存策略调整 |\n| TPS不随并发增长 | C5(异步化) + C6(架构改造) | 可能存在串行化或共享资源瓶颈\
            \ |\n| 响应时间尾延迟高 | C5(异步化) + C1(超时调整) | 隔离慢请求，避免拖慢整体 |\n\n### 四、特殊情况处理\n\
            \n1. **多瓶颈叠加**：先解决根本瓶颈（`is_root_cause=true`），再处理衍生瓶颈\n2. **用户指定关注重点**：该领域的方案提升一个优先级\n\
            3. **数据不足**：方案中标注\"需进一步采集XX数据确认\"，建议补充诊断步骤\n4. **技术栈未知**：给出通用方案，并提示\"\
            根据实际技术栈（Java/Go/Python等）调整具体步骤\"\n\n---\n\n## 输出格式（严格JSON）\n\n```json\n\
            {\n  \"optimization_plan\": [\n    {\n      \"id\": \"OPT-001\",\n   \
            \   \"priority\": \"P0/P1/P2/P3\",\n      \"title\": \"方案标题（简洁，<20字）\"\
            ,\n      \"category\": \"C1/C2/C3/C4/C5/C6/C7\",\n      \"category_name\"\
            : \"类别全称\",\n      \"target_bottleneck_id\": \"BN-XXX\",\n      \"target_bottleneck_summary\"\
            : \"针对的瓶颈简述\",\n      \"description\": {\n        \"current_state\": \"\
            当前问题描述\",\n        \"solution_steps\": [\n          \"步骤1：具体操作\",\n  \
            \        \"步骤2：具体操作\",\n          \"步骤3：具体操作\"\n        ],\n        \"\
            key_configuration\": {\n          \"配置项\": \"建议值\",\n          \"说明\"\
            : \"配置说明\"\n        }\n      },\n      \"expected_improvement\": {\n \
            \       \"metric\": \"影响的指标\",\n        \"before\": \"优化前值（引用标准化数据）\"\
            ,\n        \"after_expected\": \"预期优化后值（范围）\",\n        \"improvement_percent\"\
            : \"提升百分比范围\"\n      },\n      \"implementation\": {\n        \"effort\"\
            : \"低/中/高\",\n        \"estimated_duration\": \"预估工期（如：2-4小时、1-2天、1-2周）\"\
            ,\n        \"team_requirement\": \"需要什么角色参与（如：DBA、后端开发、运维）\"\n      },\n\
            \      \"risk\": {\n        \"level\": \"低/中/高\",\n        \"description\"\
            : \"风险说明\",\n        \"rollback_plan\": \"回滚方案\",\n        \"mitigation\"\
            : \"风险缓解措施\"\n      },\n      \"prerequisites\": [\"前置条件1\", \"前置条件2\"\
            ],\n      \"dependencies\": [\"依赖的其他方案ID，如无则为空数组\"],\n      \"verification\"\
            : {\n        \"method\": \"验证方法（具体操作步骤）\",\n        \"success_criteria\"\
            : \"成功标准（量化）\",\n        \"regression_risk\": \"回归风险说明\"\n      }\n  \
            \  }\n  ],\n  \"quick_wins\": {\n    \"summary\": \"快速见效方案概要（1-2句话）\"\
            ,\n    \"items\": [\n      {\n        \"id\": \"OPT-XXX\",\n        \"\
            title\": \"方案标题\",\n        \"effort\": \"预估工时\",\n        \"expected_improvement\"\
            : \"预期效果\"\n      }\n    ]\n  },\n  \"execution_roadmap\": {\n    \"phase_1_emergency\"\
            : {\n      \"timeline\": \"0-24小时\",\n      \"goal\": \"紧急止损\",\n    \
            \  \"action_items\": [\"OPT-001\", \"OPT-002\"]\n    },\n    \"phase_2_quick_wins\"\
            : {\n      \"timeline\": \"1-3天\",\n      \"goal\": \"快速改善\",\n      \"\
            action_items\": [\"OPT-003\", \"OPT-004\"]\n    },\n    \"phase_3_deep_optimization\"\
            : {\n      \"timeline\": \"1-2周\",\n      \"goal\": \"深度优化\",\n      \"\
            action_items\": [\"OPT-005\", \"OPT-006\"]\n    },\n    \"phase_4_architecture\"\
            : {\n      \"timeline\": \"1-2月\",\n      \"goal\": \"架构升级\",\n      \"\
            action_items\": [\"OPT-007\"]\n    }\n  },\n  \"estimated_total_improvement\"\
            : {\n    \"tps_improvement\": \"预期TPS提升范围（如：从185提升至350-450，提升90%-143%）\"\
            ,\n    \"response_time_improvement\": \"预期响应时间改善\",\n    \"error_rate_target\"\
            : \"预期错误率降低到\"\n  },\n  \"assumptions_and_caveats\": [\n    \"假设1：说明\"\
            ,\n    \"注意事项1：说明\"\n  ]\n}"
        selected: false
        title: 优化建议
        type: llm
        vision:
          enabled: false
      height: 88
      id: '1777288893095'
      position:
        x: 308
        y: 280
      positionAbsolute:
        x: 308
        y: 280
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    viewport:
      x: 299.35273308627814
      y: 65.5444311917609
      zoom: 0.9771600253127248
  rag_pipeline_variables: []

app:
  description: 性能分析智能体02
  icon: 🤖
  icon_background: '#FFEAD5'
  icon_type: emoji
  mode: workflow
  name: demo12-性能分析智能体02
  use_icon_as_answer_icon: false
dependencies:
- current_identifier: null
  type: marketplace
  value:
    marketplace_plugin_unique_identifier: langgenius/deepseek:0.0.14@e7f88d74bf425ffc89d8794a33d581cceeaeec8d3b0091ccd5a5c2ff7c18c2a7
    version: null
kind: app
version: 0.6.0
workflow:
  conversation_variables: []
  environment_variables: []
  features:
    file_upload:
      allowed_file_extensions:
      - .JPG
      - .JPEG
      - .PNG
      - .GIF
      - .WEBP
      - .SVG
      allowed_file_types:
      - image
      allowed_file_upload_methods:
      - local_file
      - remote_url
      enabled: false
      fileUploadConfig:
        attachment_image_file_size_limit: 2
        audio_file_size_limit: 50
        batch_count_limit: 5
        file_size_limit: 15
        file_upload_limit: 20
        image_file_batch_limit: 10
        image_file_size_limit: 10
        single_chunk_attachment_limit: 10
        video_file_size_limit: 100
        workflow_file_upload_limit: 10
      image:
        enabled: false
        number_limits: 3
        transfer_methods:
        - local_file
        - remote_url
      number_limits: 3
    opening_statement: ''
    retriever_resource:
      enabled: true
    sensitive_word_avoidance:
      enabled: false
    speech_to_text:
      enabled: false
    suggested_questions: []
    suggested_questions_after_answer:
      enabled: false
    text_to_speech:
      enabled: false
      language: ''
      voice: ''
  graph:
    edges:
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: start
        targetType: http-request
      id: 1765199107320-source-1765199154689-target
      source: '1765199107320'
      sourceHandle: source
      target: '1765199154689'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: http-request
        targetType: http-request
      id: 1765199154689-source-1765199265813-target
      source: '1765199154689'
      sourceHandle: source
      target: '1765199265813'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: http-request
        targetType: llm
      id: 1765199265813-source-1765199353474-target
      source: '1765199265813'
      sourceHandle: source
      target: '1765199353474'
      targetHandle: target
      type: custom
      zIndex: 0
    - data:
        isInIteration: false
        isInLoop: false
        sourceType: llm
        targetType: end
      id: 1765199353474-source-1765199555190-target
      source: '1765199353474'
      sourceHandle: source
      target: '1765199555190'
      targetHandle: target
      type: custom
      zIndex: 0
    nodes:
    - data:
        desc: ''
        selected: false
        title: 开始
        type: start
        variables:
        - label: start_time
          max_length: 48
          options: []
          required: true
          type: text-input
          variable: start_time
        - label: end_time
          max_length: 48
          options: []
          required: true
          type: text-input
          variable: end_time
      height: 135
      id: '1765199107320'
      position:
        x: 126
        y: 140
      positionAbsolute:
        x: 126
        y: 140
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        authorization:
          config: null
          type: no-auth
        body:
          data:
          - id: key-value-39
            key: ''
            type: text
            value: "{\n   \"start_time\":\"{{#1765199107320.start_time#}}\",\n   \"\
              end_time\",\"{{#1765199107320.end_time#}}\",\n   \"job_name\": \"agent\"\
              \n}"
          type: json
        desc: ''
        headers: Content-Type:application/json
        method: post
        params: ''
        retry_config:
          max_retries: 3
          retry_enabled: true
          retry_interval: 100
        selected: false
        ssl_verify: true
        timeout:
          max_connect_timeout: 0
          max_read_timeout: 0
          max_write_timeout: 0
        title: 从普罗米修斯中获取操作系统指标
        type: http-request
        url: http://172.28.0.1:7100/prometheus
        variables: []
      height: 138
      id: '1765199154689'
      position:
        x: 398
        y: 140
      positionAbsolute:
        x: 398
        y: 140
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        authorization:
          config: null
          type: no-auth
        body:
          data:
          - id: key-value-209
            key: ''
            type: text
            value: "{\n   \"start_time\":\"{{#1765199107320.start_time#}}\",\n   \"\
              end_time\",\"{{#1765199107320.end_time#}}\",\n   \"job_name\": \"jmeter\"\
              \n}"
          type: json
        desc: ''
        headers: Content-Type:application/json
        method: post
        params: ''
        retry_config:
          max_retries: 3
          retry_enabled: true
          retry_interval: 100
        selected: false
        ssl_verify: true
        timeout:
          max_connect_timeout: 0
          max_read_timeout: 0
          max_write_timeout: 0
        title: 从普罗米修斯中获取JMeter压测数据
        type: http-request
        url: http://172.28.0.1:7100/prometheus
        variables: []
      height: 138
      id: '1765199265813'
      position:
        x: 668
        y: 140
      positionAbsolute:
        x: 668
        y: 140
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        context:
          enabled: false
          variable_selector: []
        desc: ''
        model:
          completion_params:
            temperature: 0.7
          mode: chat
          name: deepseek-v4-flash
          provider: langgenius/deepseek/deepseek
        prompt_template:
        - id: 4a11e268-19d1-42f1-a457-0329a2e56860
          role: system
          text: "# 背景说明\n以下是数据集说明：\n\n压测数据（存储在Prometheu中）\n来源：JMeter压测工具产生的TPS、响应时间、错误率等指标\n\
            时间范围：[开始时间]至[结束时间]\n关键标签：transaction_name（事务名称）、status（成功/失败）、thread_count（并发用户数）\n\
            监控数据（存储在Prometheus）\n服务器资源：CPU利用率、内存使用量、磁盘IO、网络带宽\n中间件指标：数据库连接池使用率、JVM堆内存、线程池状态\n\
            自定义指标：无\n排除因素：无\n\n# 分析要求\n请按以下维度进行交叉关联分析：\n\n1. 性能指标分析\n绘制TPS趋势图，标注峰值和拐点\n\
            统计各事务的响应时间分布（P50/P90/P99）\n分析错误率突变时段的具体错误类型占比\n\n2. 资源消耗分析\n识别CPU使用率超过[阈值]%的时段及持续时间\n\
            绘制内存使用与JVM GC次数的时间序列对比图\n分析磁盘IO与TPS的相关系数\n\n3. 瓶颈关联分析\n当响应时间超过[阈值]ms时，服务器哪些指标出现异常波动？\n\
            错误率突增时段是否伴随线程池满/数据库连接池耗尽？\n网络带宽使用率是否成为限制TPS增长的因素？\n\n4. 容量评估\n根据当前资源利用率推算最大承载容量\n\
            找出最先达到资源瓶颈的组件（如CPU/内存/数据库）\n量化性能衰减拐点（如\"当并发超过500时，响应时间非线性增长\"）\n\n5. 对比分析（如有多轮测试）\n\
            对比版本迭代前后的关键指标变化\n分析配置调优前后的效果差异\n不同场景下的资源消耗模式对比\n\n# 输出格式要求\n请按照以下结构化格式输出：\n\
            \n### 性能测试总结报告\n\n#### 一、整体概况\n- 测试周期：xx小时，总请求量：xx万\n- 成功率达到xx%，未通过场景说明：[具体场景]\n\
            \n#### 二、关键发现（表格呈现）\n| 维度 | 观测指标 | 最大值 | 最小值 | 平均值 | 异常时段 |\n|---|---|---|---|---|---|\n\
            | TPS | 支付接口 | 1200 | 800 | 980 | 14:30-14:45 |\n| ... | ... | ... | ...\
            \ | ... | ... |\n\n#### 三、瓶颈分析\n1. **主要瓶颈**：[具体组件/服务]\n   - 证据链：TPS下降时段\
            \ → CPU利用率突破90% → 数据库慢查询增加\n2. **次要瓶颈**：[具体组件/服务]\n   - 证据链：...\n\n####\
            \ 四、优化建议（分级呈现）\n✅ 紧急修复：\n- 数据库连接池配置需从50调整为200\n- 增加Redis缓存命中率\n\n⚠️ 中期改进：\n\
            - 对订单查询接口进行SQL优化\n- ...\n\n#### 五、容量评估结论\n- 当前配置最大支撑能力：xx TPS\n- 推荐扩容阈值：当并发用户达到xx时需水平扩展\n\
            \n"
        - id: a12dc86e-08eb-41c8-ae86-91fd81ff051e
          role: user
          text: "请基于以下数据生成性能测试总结报告：\n1. **数据源**：\n   - 压测数据：{{#1765199265813.body#}}\n\
            \   - 监控数据：{{#1765199154689.body#}}"
        selected: false
        title: 大模型进行性能分析
        type: llm
        variables: []
        vision:
          enabled: false
      height: 88
      id: '1765199353474'
      position:
        x: 120
        y: 337
      positionAbsolute:
        x: 120
        y: 337
      selected: false
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    - data:
        desc: ''
        outputs:
        - value_selector:
          - '1765199353474'
          - text
          value_type: string
          variable: result
        selected: true
        title: 结束
        type: end
      height: 88
      id: '1765199555190'
      position:
        x: 424
        y: 337
      positionAbsolute:
        x: 424
        y: 337
      selected: true
      sourcePosition: right
      targetPosition: left
      type: custom
      width: 242
    viewport:
      x: 1
      y: 2
      zoom: 1
  rag_pipeline_variables: []