Performance-Probleme mit KI-Agenten finden und fixen

Profiling-Daten füttern statt raten, Hypothese vor Fix, und immer vorher/nachher messen – sonst „optimiert" der Agent nur das Verhalten weg.

Ohne Messdaten kein Fund

Ein Agent, der nur hört „die App ist langsam", rät genauso wie beim Debugging ohne Stacktrace. Füttere ihm echte Profiling-Ausgaben: Zeitmessungen, einen Flamegraph-Export, Datenbank-Query-Logs mit Laufzeiten. Konkrete Zahlen zeigen, wo die Zeit wirklich verloren geht – nicht, wo sie „gefühlt" verloren geht.

Hypothese vor Fix

Genau wie beim Debuggen: erst mögliche Ursachen benennen lassen, sortiert nach vermuteter Wirkung, dann gezielt eine testen. Eine Optimierung ohne vorherige Hypothese trifft oft die falsche Stelle – schnell gemacht, aber wirkungslos.

Vorher/Nachher messen

Jede Optimierung braucht einen Benchmark davor und danach, mit denselben Bedingungen. Ohne Vergleichszahl weißt du nicht, ob eine Änderung wirklich etwas gebracht hat – nur, dass sie sich schnell anfühlt.

Micro- vs. Architektur-Optimierung

Kleine Änderungen (eine Schleife, eine Query) sind schnell umgesetzt, bringen aber oft wenig. Der größte Gewinn liegt meist in Architektur-Entscheidungen: ein N+1-Query-Problem, unnötige Neuberechnung, fehlendes Caching. Ein Agent sollte beides benennen – und dir sagen, welches die größere Wirkung hätte.

Die Falle: Verhalten wegoptimiert

Ein Agent kann „schneller" machen, indem er Arbeit einfach wegkürzt – eine Validierung überspringt, ein Cache liefert veraltete Daten statt frischer, ein Ergebnis wird hartkodiert. Das sieht im Benchmark gut aus, ist aber ein Korrektheits-Bug. Prüfe nach jeder Performance-Änderung, ob das Ergebnis noch stimmt, nicht nur, ob es schneller ist.

BEISPIEL

Prompt: „Hier der Profiling-Export von /api/search (Anhang). Nenne die drei wahrscheinlichsten Ursachen für die 800ms Latenz, sortiert nach vermuteter Wirkung. Ändere noch nichts. Miss danach vorher/nachher mit demselben Benchmark-Kommando und lass die bestehende Test-Suite laufen."

🛠️ ÜBUNG — MACH DAS BEI DIR

Nimm eine absichtlich langsame Funktion (z. B. eine verschachtelte Schleife oder eine N+1-Query) und lass einen Agenten sie systematisch optimieren.

Miss die aktuelle Laufzeit mit einem festen Benchmark-Kommando und notiere die Zahl.
Lass den Agenten zuerst die wahrscheinlichste Ursache benennen, ohne etwas zu ändern.
Lass ihn danach optimieren, denselben Benchmark erneut laufen lassen und die bestehenden Tests ausführen, bevor du den Fix akzeptierst.

✅ SELBST-CHECK

☐ Ist die Laufzeit nachweislich gesunken (Zahl vs. Zahl), nicht nur gefühlt?
☐ Sind alle bestehenden Tests noch grün?
☐ Hat der Agent Verhalten entfernt oder abgeschwächt, um schneller zu wirken?

KURZ-QUIZ

Welche Falle solltest du bei KI-gestützter Performance-Optimierung besonders im Blick behalten?