VSCode C扩展中Razor文件加载性能问题分析与优化
在最新版本的VSCode C#扩展中,开发者报告了一个关于Razor文件加载时CPU使用率持续偏高的问题。经过深入分析,我们发现这是由于Razor语言服务器在处理虚拟C#文件时触发了过多的LSP didOpen/didClose事件,导致其他语言服务器请求被阻塞。
问题现象
当开发者加载包含Razor文件的项目时,观察到以下现象:
- CPU使用率持续维持在100%左右(在Mac上表现为单核满载)
- 项目加载时间显著延长(从40秒增加到3分钟)
- 代码智能感知功能(如CodeLens)延迟出现
通过性能追踪发现,Razor组件在处理项目文件时,会为每个Razor文件和虚拟C#文件发送LSP didOpen/didClose请求。这些请求在语言服务器协议中具有特殊性质,会阻塞其他请求的执行。
技术分析
深入分析性能日志后,我们发现了几个关键点:
-
路径处理异常:Razor服务器在处理文件路径时出现了重复拼接父目录路径的情况,导致文件查找失败。例如:
/path/to/project/path/to/project/Views/File.cshtml -
请求风暴:每个Razor文件会触发多次虚拟文件发布操作,服务器不断尝试重新发布相同版本的内容:
跳过发布C#版本5,因为请求的是版本1 跳过发布C#版本5,因为请求的是版本2 -
项目信息更新延迟:Razor项目服务在项目加载完成后仍需3分钟左右时间更新所有项目的TagHelpers和C#语言版本信息。
解决方案
开发团队在2.60.26版本中实施了以下优化措施:
-
减少不必要的LSP请求:优化了虚拟文件发布机制,避免重复发送相同内容的发布请求。
-
路径处理规范化:修复了文件路径拼接逻辑,确保路径处理的正确性。
-
异步处理改进:调整了项目信息更新流程,减少对主线程的阻塞。
优化效果
经过这些改进后,实测结果显示:
- MudBlazor项目加载时间从5分钟降至2.5分钟
- 普通项目加载时间减少近50%
- CPU使用率在项目加载完成后迅速恢复正常水平
- 代码智能感知功能响应更加及时
技术启示
这个案例为我们提供了几个重要的技术启示:
-
LSP协议使用:需要谨慎处理didOpen/didClose这类会阻塞其他请求的操作,避免造成请求积压。
-
性能监控:dotnet-trace工具在诊断.NET应用性能问题时非常有效,特别是配合特定事件收集参数时。
-
跨进程协作:在多进程架构中(如C#扩展、Razor服务器、DevKit等),需要特别注意进程间通信的效率影响。
-
渐进式加载:对于大型项目,考虑采用渐进式加载策略,优先处理用户当前需要的功能。
这次优化不仅解决了具体问题,也为后续的架构改进奠定了基础。开发团队正在进行的Razor源生成器工作预计会带来进一步的性能提升。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00