兄弟们,我做 Cocos 项目这么多年,最怕听到的一句话就是“这个低端机怎么跑不动了”。上个月接手的这个中度休闲项目,在骁龙 625 这个级别的机器上,战斗场景平均帧率只有 9.8,Draw Call 峰值冲到 320,点开排行榜面板能卡三秒。这次我没有像以前那样一头扎进 Profiler 里手动排查,而是把整个性能优化流程交给了 AI Agent 跑了一遍——从性能数据采集、热点函数定位,到代码改写和回归验证,全部走了一条自动化闭环。最终的结果是平均帧率从 9.8 涨到 58.9,刚好是 6 倍,Draw Call 从 320 降到 45,内存降了 150MB 左右,包体和启动时间也跟着缩了不少。
这篇文章适合谁看?如果你在用 Cocos Creator 做手游,被低端安卓机上的卡顿、掉帧、内存膨胀折腾得焦头烂额,同时又好奇 AI Agent 到底能帮程序员干多少活,那这次实战记录应该能给你一些直接能抄作业的参考。我会把整个优化链路、核心代码改动、坑点排查都摊开来讲,不玄学,不吹牛。
1. 项目背景与瓶颈定位:为什么非得上 AI Agent
1.1 项目基本情况与性能基线
项目本身是一款中度休闲游戏,核心玩法是实时战斗加角色养成,外层还挂了排行、聊天、活动大厅这些常见 UI 模块。团队接手的时候,代码已经迭代了两年多,战斗系统、UI 部分、网络模块混杂在一起,光 Prefab 就有一千多个。这种项目普遍有个特点:功能是齐的,但性能属于“能跑就算成功”的状态。
我在真机上先跑了一遍基线测试,固定使用一台骁龙 625、2GB RAM 的测试机,场景选在同一关卡的同一段战斗流程。结果非常难看:
- 平均帧率:9.8 fps
- Draw Call 峰值:320
- 每分钟卡顿次数:13 次
- 内存峰值:420MB 左右(已经逼近系统杀进程的边缘)
- 包体大小:128MB
- 冷启动时间:6.4 秒
为什么这么差?说白了就是历史遗留问题太多。特效资源没做图集,Label 大量使用动态字体,战斗中的子弹和飘字不停 instantiate 和 destroy,局部刷新数据时动不动就整张表 JSON.stringify 一遍,Shader 还是照搬 PC 端的写法。这些问题单个看都不致命,叠在一起就是灾难。
1.2 传统优化流程的困境
说实话,这些问题如果靠人肉去查,也不是不能解决。我以前做过很多次类似的项目优化,标准流程就是开 Profiler、定位热点、改代码、找人回归。但这次的情况特殊,有几个现实问题:
第一,改动面太大。十个以上的性能热点分散在战斗、UI、存储、网络四条线里,如果全靠人工逐个优化,至少需要两到三周,而且上线窗口不等人。
第二,开发和维护这些模块的人有的已经离职,代码注释约等于没有。改一行代码,可能要顺着调用链翻十几个文件,才能确定不会影响业务逻辑。
第三,性能优化是典型的多轮迭代工作,改完一版要重新采集数据、重新对比、再改下一版。人工反复做这种“采集-分析-修改-验证”的循环,效率非常低。
所以我做了一个决定:把优化过程中大量机械、重复、可量化的环节抽出来,交给 AI Agent 去跑。我保留最终审核和拍板的角色,Agent 负责干活。
1.3 AI Agent 要解决的三个问题
先说清楚,我这里说的 AI Agent 不是简单开个 ChatGPT 窗口一问一答,而是一个能调用工具、能读代码、能改文件、能执行构建和测试的自动化执行体。它的核心能力可以拆成三块:
- 感知:读取 Profiler 数据、扫描项目代码、识别耗时函数和异常调用模式。
- 决策:基于内置的 Cocos 最佳实践知识库,判断哪些节点值得优化、用什么方案优化、风险有多高。
- 执行:生成代码补丁、执行 git diff、触发构建脚本、跑回归测试、对比性能基线。
这三块能力正好对应我在这个项目里踩到的核心痛点:热点定位太慢、优化方案靠经验、回归验证太繁琐。AI Agent 不是替你“创造”优化方案,而是把老师傅脑子里的“看到这个模式就改这里”固化成了可重复执行的流程。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. AI Agent 工作流设计与核心实现
2.1 Agent 的整体架构与任务拆解
如果把这个 Agent 看成一个小团队,那它的工作流大概长这样:采集数据 → 静态扫描 → 热点分析 → 生成优化方案 → 人工审核 → 自动改码 → 构建验证 → 对比基线。只要性能不达标,就循环回到热点分析,继续下一轮。
实现这个流程的时候,我没有选择市面上某个现成的“AI 程序员”产
