JProfiler 16.1：AI 智能体现在可以对您的 Java 应用程序进行性能分析
自 JProfiler 1.0 以来，性能分析一直是开发人员借助 GUI 完成的工作：启动会话、浏览各个视图、解读数据。在实际工作中，这意味着只有当问题严重到值得进行上下文切换时，才会开展性能分析，而许多问题在从未经过性能分析的情况下就上线到了生产环境。
在 JProfiler 16.1 中，我们正在改变性能分析的工作方式：AI 编码智能体现在可以对您的 Java 应用程序进行性能分析、分析结果并据此采取行动。这是自我们创立以来，开发人员使用性能分析方式的最大变革。
全新的 JProfiler MCP 服务器以 @ej-technologies/jprofiler-mcp npm 包的形式提供，它通过 模型上下文协议（MCP）公开 JProfiler 的性能分析和堆分析能力。它可与 Claude Code、Cursor、Codex、Gemini CLI 以及任何其他兼容 MCP 的 AI 编码工具协同工作。
问题所在：AI 智能体无法感知运行时行为
AI 编码智能体擅长阅读代码、生成实现和运行测试，但它们看不到运行时发生了什么。当您要求智能体修复性能问题时，它只能根据代码模式进行猜测。它看不到哪些方法真正缓慢、哪些数据库查询占据了大部分执行时间，也看不到内存被消耗在哪里。
JProfiler 16.1 通过 MCP 公开性能分析数据，填补了这一空白，让 AI 智能体获得与 JProfiler 一直以来为人类开发人员所提供的同样的性能可见性。
从热点到根本原因
智能体可以形成完整的闭环：智能体对应用程序进行性能分析，发现 JDBC 查询占据了大部分执行时间，并定位出具体是哪些查询所致。随后，它修改代码以消除冗余的数据库调用，重新进行性能分析以验证改进效果，并给出带有具体数字的前后对比。从诊断到经过验证的修复，一个完整的性能工程周期就此完成，而开发人员全程无需打开 JProfiler GUI。
智能体依据的是真实的运行时数据，而不是凭空猜测。而且由于它能够比较快照，因此可以证明其修复确实奏效。
智能体真正会遵循的引导式工作流
构建一个智能体能够正确使用的 MCP 服务器，比看起来更难。我们精心设计并测试了这些工具，使智能体能够可靠地遵循一套与专家使用 JProfiler 方式一致的性能分析工作流。智能体首先为目标应用程序设置性能分析。测试运行完成后，它会检查数据的可用性。接着，它获取初始的聚合热点视图，以了解时间究竟花费在哪里。在此基础上，它深入分析具体热点，沿调用链追溯到根本原因。每一步都自然地引出下一步。
每一步的数据都经过精心过滤，因此无论智能体是在分析 CPU 热点、JDBC 和 JPA 查询、HTTP 调用、MongoDB 操作还是堆转储，都能看到真正重要的信息，而不会被数据淹没。除了对本地 JVM 和容器化 JVM 进行实时性能分析之外，智能体还可以加载现有的 JProfiler、HPROF 或 JFR 快照进行分析。
快速上手
整个配置零门槛：MCP 服务器会在首次使用时自动安装 JProfiler 二进制程序，并通过 MCP 协议处理许可。对于 Claude Code，只需一条命令：
claude mcp add jprofiler -- npx -y @ej-technologies/jprofiler-mcp@latest
MCP 设置页面提供了针对 Codex、Gemini CLI、Junie 以及其他兼容 MCP 的工具的配置说明。
性能问题历来都要求开发人员中断专注的工作状态、切换工具并从头建立上下文。有了 JProfiler 16.1，您的 AI 智能体会代您完成这一切。它会在您描述问题的同一场对话中进行性能分析、诊断、修复并验证。在接下来的文章中，我们将发布真实性能分析会话的详细演练。