Der Upsun Performance Agent: eine Diagnose statt eines Aufrufgraphen

Die Daten, um einen langsamen Endpunkt zu erklären, sind in der Regel bereits in deinem Projekt vorhanden. blackfire liefert das Profil. Continuous Profiling liefert den Flame Graph. Die Traffic-Zahlen zeigen, welcher Pfad entscheidend ist. Das Programmieren des Codes erfolgt in Git. Was den ganzen Nachmittag in Anspruch nimmt, ist, diese vier Dinge nebeneinander zu stellen und herauszufinden, welche Funktion dafür verantwortlich ist.

Genau für diesen Nachmittag ist der Upsun Performance Agent gedacht. Es handelt sich um einen KI-Agenten, der in deinem Upsun-Projekt läuft, diese Signale aus einer produktiven Umgebung ausliest und einen kurzen Bericht liefert: Was ist langsam, warum, wie wichtig ist es für die Nutzer und einen Diff, den du anwenden kannst. Er wurde im August veröffentlicht und ist ab sofort auf Upsun Cloud verfügbar.

Warum wir ihn entwickelt haben

Als wir Anfang des Jahres Kunden befragten, wie sie mit Performance-Arbeiten umgehen, kam immer wieder dieselbe Geschichte zur Sprache. Sie verbinden blackfire, öffnen einen Aufrufgraphen und wissen nicht, was sie da sehen. Also bleibt die Arbeit liegen.

Eine gängige Notlösung war, die blackfire-Ausgabe in ChatGPT einzufügen und das Modell um eine Erklärung zu bitten. Das funktioniert bis zu einem gewissen Grad, aber ein generisches LLM sieht nur das Profil. Es kann weder den Code noch den Datenverkehr erkennen, der entscheidet, welcher Endpunkt wichtig ist, noch wie die App bereitgestellt wird. Man erhält eine Erklärung der Symptome, aber keine Lösung.

Upsun fasst all diese Informationen an einem Ort zusammen.

So sieht ein Durchlauf aus

Du fügst drei Zeilen hinzu zu .upsun/config.yaml:

tasks:
  performance-agent:
    base: "performance-agent"

Du fügst einen ANTHROPIC_API_KEY oder OPENAI_API_KEY als sensible Umgebungsvariable hinzu, klick auf „Push“, und schon erscheint in der Konsole unter der „Aufgaben“-Karte der Umgebung eine Schaltfläche „Ausführen“ für den Agenten. Wähle die zu analysierende Anwendung (oder den Worker) aus, lege ein Zeitfenster fest und los geht’s. Du kannst das Ganze auch über die API auslösen, wenn dir das lieber ist:

upsun e:curl -p <project-id> -e <environment> -X POST /tasks/performance-agent/run \
  --json '{"variables":{"env":{"AGENT_APPLICATION":"<app-name>"}}}'

Der Agent startet als Task-Container, was bedeutet, dass er nur so lange existiert, wie er läuft. Er ruft blackfire-Profile und kontinuierliche Profiling-Daten für das von dir gewählte Zeitfenster ab (zwischen 15 Minuten und sieben Tagen), analysiert den Datenverkehr, um Endpunkte nach ihrer Relevanz zu ordnen, klont deine Quelle und ermittelt, was gegen die Hotspots zu tun ist. Sobald der Vorgang abgeschlossen ist, wird der Container gelöscht und der Bericht erscheint auf der Registerkarte „Bericht“ in der Aktivitätsübersicht der Aufgabe in der Konsole.

Ein Durchlauf dauert in der Regel ein paar Minuten.

Was steht im Bericht?

Ein zusammenfassender Absatz, eine einzeilige Empfehlung, was zuerst behoben werden sollte, gefolgt von bis zu fünf Befunden, sortiert nach ihrer Auswirkung auf das Nutzererlebnis (du kannst die Anzahl zwischen eins und fünfzehn festlegen). Jeder Befund enthält eine Priorität, eine leicht verständliche Beschreibung der Ursache, die vom Agenten verwendeten Belege und eine empfohlene Änderung, meist mit einem Diff.

Jeder Bericht folgt derselben Struktur, was wichtig ist, wenn du Durchläufe vergleichst oder einen Bericht an einen Kollegen weiterleitest, der ihn nicht selbst ausgelöst hat.

Was es kostet und wer wen bezahlt

Es gibt keinen separaten Kostenposten für den Agenten bei Upsun. Zwei Dinge kosten jedoch Geld.

Das erste ist der Task-Container, auf dem er läuft; dieser wird wie jeder andere Container in deinem Projekt pro Sekunde abgerechnet – und zwar nur, solange er läuft.

Das zweite sind Modell-Token, und diese werden auf deiner eigenen Anthropic- oder OpenAI-Rechnung ausgewiesen. Wir verkaufen den Modellzugang nicht weiter. Unsere Schätzungen aus Tests liegen bei etwa 0,25 bis 0,85 US-Dollar pro Lauf auf gpt-5.6-terra, 0,65 bis 2,20 $ bei claude-sonnet-5und 1,00 bis 2,90 $ bei claude-opus-4-8, was die Standardeinstellung ist. 

Einen eigenen Schlüssel mitzubringen erfordert mehr Einrichtungsaufwand als ein gebündelter Assistent von dir verlangt. Das wissen wir. Der Vorteil ist, dass du genau siehst, was jeder Lauf kostet, und dass du das Modell selbst auswählst. Das Profil und das Programmieren deiner Anwendung laufen außerdem niemals über ein von uns kontrolliertes Modellkonto, was einigen der Teams, mit denen wir gesprochen haben, wichtiger war als der Preis.

Was es nicht tut

Es ändert weder das Programmieren noch eröffnet es einen Pull-Request. In den Interviews sagten uns acht von zehn Personen, sie wollten lieber eine Erklärung, die sie überprüfen könnten, als eine für sie angewendete Korrektur – zumindest am Anfang –, und genau so haben wir die erste Version entwickelt.

Es passiert nichts, solange du es nicht anforderst. Es gibt keinen Zeitplan, und der Agent wird nicht aktiviert, wenn eine Metrik einen Schwellenwert überschreitet. Du löst es aus oder rufst die API über deinen eigenen Scheduler auf.

Und es funktioniert besser mit mehr Profiling-Daten. Jedes Projekt umfasst 15 Minuten kontinuierliches Profiling, was für einen Durchlauf ausreicht, aber nur die letzten paar Minuten der Aktivität abdeckt. Das Add-on für kontinuierliches Profiling speichert die Daten 30 Tage lang, sodass der Agent Probleme erkennen kann, die sich im Laufe der Zeit aufbauen, wie zum Beispiel einen langsamen Pfad bei Spitzenauslastung oder einen wöchentlichen Batch-Job.

Was als Nächstes kommt

Dies ist der erste Teil einer Reihe. Als Nächstes kommt ein Log-Analyzer-Agent. Er läuft auf derselben Task-Container-Laufzeitumgebung und erstellt Berichte im gleichen Format – wenn du also einen gelesen hast, weißt du, wie du den nächsten interpretierst.

Wenn du Upsun Cloud nutzt und bereits blackfire-Daten sendest, führen dich die Anleitungen in etwa fünf Minuten von Null bis zum ersten Bericht. Lass uns wissen, was dabei herauskommt.