好的，这里是超级大脑优化器提示的第二轮。 这篇帖子幸运地可以比引用的帖子短得多，因为在初始提示之后的整个工作流程与第一轮相同，只需在文件名中将 "1" 替换为 "2"。 这是提示： --- 首先仔细阅读所有 AGENTS md 文件和 README md 文件，并理解所有内容！然后使用你的代码调查代理模式来充分理解代码、技术架构和项目的目的。 然后，一旦你在所有这些方面做了极其彻底和细致的工作，并深刻理解了整个现有系统及其功能、目的、实现方式以及所有部分如何相互连接，我需要你超强烈地调查、研究和思考这些与该项目相关的问题： 核心系统中是否存在其他严重的低效？代码库中是否有 1) 变更实际上会在整体延迟/响应性和吞吐量方面产生影响的地方；2) 使我们的更改在功能上可证明同构，以便我们可以确定在相同输入下不会改变结果输出；3) 你是否对算法或数据结构有明显更好方法的清晰愿景（请注意，对于这一点，你可以在思考中包括不太知名的数据结构和更深奥/复杂/数学的算法，以及重新构建问题的方法，以便暴露出另一种范式，例如下面列出的清单（注意：在提出任何优化之前，建立基线指标（p50/p95/p99 延迟、吞吐量、峰值内存）并捕获 CPU/分配/I/O 配置文件以识别实际热点）： - 凸优化（重构产生全局最优保证） - 子模优化（贪婪给出常数因子近似） - 半环推广（统一最短路径、传递闭包、数据流、解析） - 组合体结构识别（贪婪是可证明的最优） - GF(2) 上的线性代数（XOR 系统、切换问题、错误纠正） - 减少到 2-SAT（配置有效性、蕴含图） - 减少到最小成本最大流（分配、调度、资源分配） - 二分图匹配识别（匈牙利算法、霍普克罗夫特-卡普算法） - DP 作为隐式 DAG 中的最短路径（启用优先队列 DP、Dijkstra 风格优化） - 凸包技巧 / Li Chao 树（O(n²) DP → O(n log n)） - Knuth 的优化 / 分治 DP - Hirschberg 的空间减少（在对齐之外适用时） - FFT/NTT 用于卷积（多项式乘法、序列相关） - 矩阵指数用于线性递归 - Möbius 变换 / 子集卷积 - 持久/不可变数据结构（版本控制、回滚、推测执行）...