075 · 讓 agent 每週自動抓效能債
HUD 的共同創辦人分享如何用 agent 自動化 production 效能調查，把難以排進行程的效能債變成每週可信賴的報告。
原標題：From Blind Spots to Merged PRs: Continuous Agentic Performance Optimization - May Walter, Hud
重點摘要
- 效能債像漏水桶問題被忽略到出事才處理，因為調查所需的時間永遠是未知數，難以排進優先序，最後只能等到全員救火才修，修完又打回原形。
- AI 讓個人變快，團隊卻沒有變快講者引用 Google 2026 年的 DORA metrics，指出 AI 採用提升的是個人效率的感受，團隊整體 throughput 沒有明顯改變，軟體交付穩定性反而下降。
- 把「調查」這件事自動化HUD 打造一套 agentic workflow，每週用 GitHub Actions 搭配 Claude Code 分析 production 資料，自動找出高 ROI 的效能改善機會並產出報告。
- 從 production 對應回 function 層級講者稱之為 prod to code，把 service 層級的 CPU、記憶體、p90 等指標，轉換成 agent 能直接推理的 function 與檔案層級脈絡。
- query language、skills、automations 三層堆疊在 ClickHouse 查詢之上加入處理 HTTP 500、比對記憶體 baseline 等 skills，再疊加 autofix、清除死 code、揪出 N+1 查詢等自動化。
- 不狂發 PR，改用人類看得懂的報告因為沒人想一次審查 80 個 agent 開的 PR，HUD 改用 hot path、業務重要性與風險排序，把結果寫成好讀的報告，交給人決定要不要修。
時間軸
時碼點下去會跳到影片的那一段。
| 時碼 | 段落 | 重點 |
|---|---|---|
| 00:00 | 開場 | 產品覺得頁面太慢、工程師卻答不出調查要花多久，效能問題常被擱置到出事才處理。 |
| 01:15 | 講者與 HUD | May 是 HUD 共同創辦人暨 CTO，公司打造給 coding agent 用的 production runtime intelligence 層。 |
| 02:13 | DORA 數據 | Google 最新 DORA metrics 顯示 AI 採用提升個人效率的感受，團隊 throughput 沒跟著變高，軟體反而更常出包。 |
| 03:14 | 效能債像漏水桶 | 問題被忽略到升級成危機才全員救火，之後又打回原形，因為調查階段是個黑盒。 |
| 04:06 | 調查自動化的構想 | 每週用真實 production 資料自動分析，只標出高 ROI、值得投入的效能機會。 |
| 04:43 | 系統設計四原則 | 要 vendor neutral（跨 model 跨 agent）、tool call 權限要安全、要有排程和 webhook 觸發機制、還要容易長期維護更新。 |
| 06:09 | 實際怎麼跑 | 用 GitHub Agentic Workflows 排程，GitHub Actions 每週跑 Claude Code，分析完把報告送進 Slack。 |
| 08:21 | 第一個坑 | agent 提的修法聽起來很合理，驗證後才發現根本沒用，必須用真正的 production 資料驗證才算數。 |
| 10:00 | context 太多太少 | 低訊噪比的資料太多讓 agent 難推理，該有的 log、trace、metric 又常常不夠，兩種問題經常同時發生。 |
| 11:08 | prod to code | 把 service 層級的指標對應回 function 與檔案層級，因為 agent 是照 function 在推理，不是照 endpoint。 |
| 13:49 | 三層架構 | 在 HUD query language 之上加 skills 處理 HTTP 500、記憶體比對 baseline 等情境，再疊加 autofix、清除死 code 等 automations。 |
| 15:39 | 不狂發 PR | 沒人想一次審 80 個 agent 開的 PR，改用 hot path、業務重要性與風險排序，只挑真正值得的機會出手。 |
| 20:07 | context over cleverness | 只要 context、skills 到位，agent 就更好用；但要讓 agent 完全自主運作，信任門檻要拉到 80、90% 以上，跟 IDE 裡有人盯著的 agent 輔助編碼完全不同等級。 |
值得記的話
名詞與人物
| HUD | May 共同創辦人的公司，做給 coding agent 用的 production runtime intelligence 層，能捕捉 function 層級與深度鑑識脈絡。 |
|---|---|
| GitHub Agentic Workflows | 這套週跑效能巡檢系統採用的排程與 workflow 框架，實際跑在 GitHub Actions 上。 |
| Claude Code | HUD 這套自動化流程指定使用的 coding agent。 |
| ClickHouse | HUD 用來存放與查詢 production 資料的列式資料庫，查詢語法和一般 SQL 不太一樣。 |
| DORA metrics | Google 發布的軟體交付研究指標，2026 年版本用來說明 AI 採用對個人效率與團隊穩定性的影響。 |
| prod to code | 講者提出的做法，把 service 層級的 CPU、記憶體、p90 等指標對應回 function 與檔案層級，讓 agent 能直接推理。 |
延伸
- 提到報告除了送 Slack，也可以送到 Teams、email，或改用 Cursor、Copilot 取代 Claude Code，但沒有展開細節。
- 提到自動化會偵測 60 天沒被執行過的程式碼並清除，但沒有說明判斷標準與執行方式。
- 提到 HUD 介面有個疊加在程式碼上的畫面用來呈現鑑識資料，但沒有進一步示範畫面長相。