好的，這是超級大腦優化器提示的第二輪。 這篇文章幸運地可以比引用的文章短得多，因為在初始提示之後的整個工作流程與第一輪相同，只需將檔案名稱中的 "1" 替換為 "2"。 這是提示： --- 首先仔細閱讀所有的 AGENTS md 文件和 README md 文件，並理解所有內容！然後使用你的代碼調查代理模式來充分理解代碼、技術架構和項目的目的。 然後，一旦你對所有這些做了極其徹底和細緻的工作，並深刻理解了整個現有系統及其功能、目的，以及它是如何實現的，所有部分是如何相互連接的，我需要你超級深入地調查、研究和思考這些問題，這些問題與這個項目有關： 核心系統中是否存在其他明顯的低效之處？代碼庫中是否有 1) 變更實際上會在整體延遲/響應性和吞吐量方面有所改進的地方；2) 使我們的變更在功能上可證明同構，以便我們可以確定在相同輸入下不會改變結果輸出；3) 你是否對算法或數據結構有明確的更好方法的願景（注意，對於這一點，你可以在思考中包括不太知名的數據結構和更深奧/複雜/數學的算法，以及重新構建問題的方法，以便暴露出另一種範式，例如下面列出的清單（注意：在提出任何優化之前，建立基準指標（p50/p95/p99 延遲、吞吐量、峰值內存）並捕獲 CPU/分配/I/O 配置文件以識別實際熱點）： - 凸優化（重構產生全局最優保證） - 子模優化（貪婪給出常數因子近似） - 半環泛化（統一最短路徑、傳遞閉包、數據流、解析） - 交錯結構識別（貪婪是可證明的最優） - GF(2) 上的線性代數（XOR 系統、切換問題、錯誤更正） - 簡化為 2-SAT（配置有效性、推理圖） - 簡化為最小成本最大流（分配、調度、資源分配） - 二分匹配識別（匈牙利、霍普克羅夫特-卡普） - DP 作為隱式 DAG 中的最短路徑（啟用優先隊列 DP、Dijkstra 風格優化） - 凸包技巧 / Li Chao 樹（O(n²) DP → O(n log n)） - 克努斯優化 / 分治 DP - 希爾施伯格的空間減少（在對齊之外適用時） - FFT/NTT 用於卷積（多項式乘法、序列相關） - 矩陣指數化用於線性遞歸 - 莫比烏斯變換 / 子集卷積 - 持久/不可變數據結構（版本控制、回滾、推測執行）...