Performance-Optimierung mit GitHub Copilot

Softwareentwicklung mit GitHub Copilot

Thalia Barrera

AI Engineering Curriculum Manager, DataCamp

Die stille Verlangsamung

nanobanana: half: Eine geteilte Illustration: links startet eine schnelle, reaktionsschnelle App als glatte Rakete, rechts ein langsamer drehender Ladeindikator, flacher Vektorstil

Performance-Probleme:

Tauchen in Unit-Tests nicht auf
Verursachen keine sofortigen Abstürze

📈 Code wirkt korrekt, skaliert aber nicht

Ein Engpass in freier Wildbahn

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

Code klappt bei kleinen Inputs
1 Mio. Elemente → 1 Billion Vergleiche
$O(n^2)$-Algorithmus!

❌ Legt Produktion an einem starken Tag lahm

[Screencast]

Sag Copilot, worauf optimiert werden soll

nanobanana: half: Ein Performance-Dashboard mit Tachometern und Messanzeigen, die verschiedene Optimierungsindikatoren zeigen, flache Vektorillustration auf sauberem Hintergrund

Speed → schnellere Algorithmen, Caching, Batching
Memory → Ressourcen freigeben, Streaming, Generatoren
Beides → kompletter Performance-Check

Wirksame Performance-Prompts

Gezielte Optimierung

Optimiere #selection auf Performance und reduziere die Zeitkomplexität

Prüfe #selection auf Memory Leaks

Scan des gesamten Codebase

@workspace finde Funktionen mit verschachtelten Schleifen über großen Collections

[Screencast]

Performance in jede Empfehlung einbacken

.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

✅ Verhindert Performance-Engpässe schon beim Schreiben des Codes

Lass uns üben!

Softwareentwicklung mit GitHub Copilot