GitHub Copilot ile performans optimizasyonu

GitHub Copilot ile Yazılım Geliştirme

Thalia Barrera

AI Engineering Curriculum Manager, DataCamp

Sessiz yavaşlama

nanobanana: half: Bir tarafta pürüzsüz bir roket fırlatışıyla hızlı, duyarlı bir uygulama; diğer tarafta yavaş dönen yükleme göstergesiyle yavaş bir uygulamayı karşılaştıran bölünmüş illüstrasyon, düz vektör stilinde

Performans sorunları:

Birim testlerinde ortaya çıkmaz
Anında çökme yaratmaz

📈 Kod doğru görünebilir ama ölçeklenmez

Doğada bir darboğaz

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

Kod küçük girdilerde çalışır
1 milyon öğe → 1 trilyon karşılaştırma
$O(n^2)$ algoritma!

❌ Yoğun bir günde üretimi çökertir

[ekran kaydı]

Copilot’a neyi optimize edeceğini söyleyin

nanobanana: half: Hız göstergeleri ve metrik sayaçlarıyla çeşitli optimizasyon göstergelerini gösteren bir performans panosu, temiz bir arka planda düz vektör illüstrasyon

Hız → daha hızlı algoritmalar, önbellekleme, toplu işleme
Bellek → kaynak temizliği, akış, jeneratörler
Her ikisi → kapsamlı performans incelemesi

İşe yarayan performans istemleri

Hedefe yönelik optimizasyon

#selection için performans optimizasyonu yapın ve zaman karmaşıklığını azaltın

#selection için bellek sızıntılarını inceleyin

Kod tabanı genelinde tarama

@workspace büyük koleksiyonlar üzerinde iç içe döngü kullanan fonksiyonları bulun

[ekran kaydı]

Her öneriye performansı yerleştirin

.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

✅ Kodda performans darboğazlarının yazılmasını önler

Haydi pratik yapalım!

GitHub Copilot ile Yazılım Geliştirme