Ottimizzare le prestazioni con GitHub Copilot

Sviluppo software con GitHub Copilot

Thalia Barrera

AI Engineering Curriculum Manager, DataCamp

Il rallentamento silenzioso

nanobanana: half: Un’illustrazione divisa che confronta un’app veloce e reattiva, mostrata come un razzo che decolla, e un indicatore di caricamento lento dall’altro lato, stile vettoriale piatto

Problemi di performance:

Non emergono nei test unitari
Non causano crash immediati

📈 Il codice sembra corretto, ma non scala

Un collo di bottiglia reale

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

Il codice va bene con input piccoli
1 milione di elementi → 1 trilione di confronti
Algoritmo $O(n^2)$!

❌ Manda in crisi la produzione in una giornata intensa

[screencast]

Di’ a Copilot cosa ottimizzare

nanobanana: half: Una dashboard prestazionale con tachimetri e indicatori che mostrano diversi segnali di ottimizzazione, illustrazione vettoriale su sfondo pulito

Velocità → algoritmi più rapidi, caching, batching
Memoria → rilascio risorse, streaming, generatori
Entrambe → revisione completa delle prestazioni

Prompt di performance che funzionano

Ottimizzazione mirata

Ottimizza #selection per le prestazioni e riduci la complessità temporale

Controlla #selection per perdite di memoria

Scansione dell’intero codebase

@workspace trova funzioni con cicli annidati su collezioni grandi

[screencast]

Integra la performance in ogni suggerimento

.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 colli di bottiglia già in fase di scrittura del codice

Ayo berlatih!

Sviluppo software con GitHub Copilot