การปรับประสิทธิภาพด้วย GitHub Copilot

การพัฒนาซอฟต์แวร์ด้วย GitHub Copilot

Thalia Barrera

AI Engineering Curriculum Manager, DataCamp

ความช้าที่ซ่อนอยู่

nanobanana: half: ภาพแบ่งครึ่งเปรียบเทียบแอปที่ตอบสนองเร็วแสดงเป็นจรวดพุ่งขึ้นอย่างราบรื่น กับตัวโหลดที่หมุนช้าอีกด้านหนึ่ง สไตล์ภาพเวกเตอร์แบบแบน

ปัญหาด้านประสิทธิภาพ:

ไม่ปรากฏใน unit tests
ไม่ทำให้ โปรแกรมหยุดทำงานทันที

📈 โค้ดดูถูกต้อง แต่ รองรับปริมาณงานจริงไม่ได้

คอขวดในสภาพแวดล้อมจริง

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

โค้ดทำงานได้ดีกับ ข้อมูลขนาดเล็ก
1 ล้านรายการ → 1 ล้านล้านการเปรียบเทียบ
อัลกอริทึม $O(n^2)$

❌ ทำให้ระบบ production ล่ม ในช่วงที่งานหนัก

[screencast]

บอก Copilot ว่าต้องการปรับปรุงด้านใด

nanobanana: half: แดชบอร์ดประสิทธิภาพแสดงมาตรวัดความเร็วและตัวชี้วัดการปรับปรุงต่าง ๆ สไตล์ภาพเวกเตอร์แบบแบนบนพื้นหลังสะอาด

ความเร็ว → อัลกอริทึมที่เร็วขึ้น, caching, batching
หน่วยความจำ → คืนทรัพยากร, streaming, generators
ทั้งสองด้าน → ตรวจสอบประสิทธิภาพแบบครอบคลุม

prompt ด้านประสิทธิภาพที่ได้ผล

ปรับปรุงแบบเจาะจง

Optimize #selection for performance and reduce time complexity

Review #selection for memory leaks

สแกนทั้ง codebase

@workspace find functions with nested loops over large collections

[screencast]

ฝังมาตรฐานประสิทธิภาพไว้ในทุกคำแนะนำ

.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

✅ ป้องกันคอขวดด้านประสิทธิภาพ ไม่ให้ถูกเขียนลงในโค้ดตั้งแต่แรก

มาฝึกกันเถอะ!

การพัฒนาซอฟต์แวร์ด้วย GitHub Copilot