OpenClaw 性能调优实战：让你的服务吞吐提升 5 倍

引言

最近我们把一个基于 OpenClaw 的推荐服务从 800 QPS 优化到了 4200 QPS（相同 4 核 8G 机器）。本文复盘整个调优过程，把可复用的方法论沉淀下来。

一、调优前的性能基线

压测脚本（k6）：

import http from 'k6/http';
import { check } from 'k6';

export const options = {
  vus: 100,
  duration: '60s',
};

export default function () {
  const res = http.get('http://localhost:8080/api/recommend?user_id=12345');
  check(res, {
    'status is 200': (r) => r.status === 200,
    'latency < 200ms': (r) => r.timings.duration < 200,
  });
}

基线结果：

指标	数值
QPS	812
P50 延迟	95ms
P95 延迟	380ms
P99 延迟	920ms
CPU 使用率	95%
内存占用	4.2G

二、第一步：开启 pprof

import _ "net/http/pprof"

go func() {
    http.ListenAndServe("localhost:6060", nil)
}()

启动后访问 http://localhost:6060/debug/pprof/，可以看到 30s CPU profile：

go tool pprof http://localhost:6060/debug/pprof/profile?seconds=30

在 pprof 交互界面输入 top，看到 CPU 热点：

Showing nodes accounting for 21.4s, 78.2% of 27.4s total
      flat  flat%   sum%        cum   cum%
     5.6s 20.4% 20.4%      7.2s 26.3%  runtime.mallocgc
     3.8s 13.9% 34.3%      3.8s 13.9%  encoding/json.Unmarshal
     2.9s 10.6% 44.9%      4.1s 15.0%  github.com/opencLaw/.../FeatureEngine.Score
     2.4s  8.8% 53.7%      2.4s  8.8%  github.com/opencLaw/.../UserProfile.Load

Top 3 热点：

runtime.mallocgc —— 频繁分配内存
encoding/json.Unmarshal —— JSON 反序列化
FeatureEngine.Score —— 推荐打分逻辑

三、调优动作 1：sync.Pool 减少内存分配

JSON 反序列化会大量分配临时对象，用 sync.Pool 复用：

var decoderPool = sync.Pool{
    New: func() interface{} {
        return json.NewDecoder(nil)
    },
}

func parseRequest(r io.Reader, v interface{}) error {
    dec := decoderPool.Get().(*json.Decoder)
    defer decoderPool.Put(dec)
    dec.Reset(r)
    return dec.Decode(v)
}

效果：CPU 占用下降 18%。

四、调优动作 2：缓存热点用户画像

UserProfile.Load 是远程调用，每次都查 DB 会很慢。增加本地缓存：

type profileCache struct {
    mu    sync.RWMutex
    data  map[int64]*UserProfile
    ttl   time.Duration
}

func (c *profileCache) Get(userID int64) (*UserProfile, bool) {
    c.mu.RLock()
    defer c.mu.RUnlock()
    p, ok := c.data[userID]
    return p, ok
}

配合 LRU 淘汰策略，命中率 93%。

五、调优动作 3：算法向量化

FeatureEngine.Score 原本是循环逐个特征计算，改用矩阵运算（gonum 库）：

// 优化前：循环
for i := 0; i < len(features); i++ {
    score += weights[i] * features[i]
}

// 优化后：向量化
scoreVec := mat.NewVecDense(len(features), features)
weightVec := mat.NewVecDense(len(weights), weights)
scoreVec.MulElem(weightVec, scoreVec)
score := mat.Sum(scoreVec)

P95 延迟下降 62%。

六、调优动作 4：GOGC 与 GOMEMLIMIT

GOGC=200 GOMEMLIMIT=6GiB ./opencLaw

GOGC=200：GC 触发阈值翻倍，减少 GC 频率
GOMEMLIMIT：软限制内存，避免 OOM

实测 GC 时间从平均 18ms 降到 4ms。

七、调优后效果

指标	调优前	调优后	提升
QPS	812	4218	5.2x
P50 延迟	95ms	22ms	4.3x
P95 延迟	380ms	78ms	4.9x
P99 延迟	920ms	195ms	4.7x
CPU 使用率	95%	78%	↓ 17%
内存占用	4.2G	5.1G	↑ 21%

⚠️ 内存略升，是因为缓存了用户画像数据。属合理 trade-off。

八、调优方法论总结

先量后优：始终从 pprof / trace 出发，找到真正的瓶颈
由易到难：先参数调优（GOGC、连接池），后代码重构
分步验证：每次只改一处，验证后再继续
关注 trade-off：吞吐 vs 延迟 vs 内存，没有银弹