Otimização de performance com o GitHub Copilot

Desenvolvimento de Software com GitHub Copilot

Thalia Barrera

AI Engineering Curriculum Manager, DataCamp

A desaceleração silenciosa

nanobanana: half: Uma ilustração dividida contrastando um app rápido e responsivo como um foguete decolando de um lado e um ícone de carregamento lento do outro, estilo vetorial

Problemas de performance:

Não aparecem em testes unitários
Não causam crashes imediatos

📈 O código parece correto, mas não escala

Um gargalo no mundo real

def find_common(list1, list2):
    common = []
    for item in list1:
        for item2 in list2:
            if item == item2:
                common.append(item)
    return common

Código funciona bem para entradas pequenas
1 milhão de itens → 1 trilhão de comparações
Algoritmo $O(n^2)$!

❌ Derruba a produção num dia de pico

[screencast]

Diga ao Copilot o que otimizar

nanobanana: half: Um dashboard de performance com velocímetros e medidores mostrando diferentes indicadores de otimização, ilustração vetorial em fundo limpo

Velocidade → algoritmos mais rápidos, cache, batching
Memória → limpeza de recursos, streaming, generators
Ambos → revisão completa de performance

Prompts de performance que funcionam

Otimização focada

Otimize #selection para performance e reduza a complexidade de tempo

Revise #selection para vazamentos de memória

Varredura no codebase

@workspace encontre funções com loops aninhados sobre coleções grandes

[screencast]

Incorpore performance em cada sugestão

.github/copilot-instructions.md

## Performance standards
- Prefer set or dict lookups over nested loops
- Use context managers for files, connections, and sockets
- Avoid loading entire datasets into memory, use generators or streaming

✅ Evita gargalos de performance de entrarem no código

Vamos praticar!

Desenvolvimento de Software com GitHub Copilot