怎么在helloworld中分析打包体积并剔除冗余依赖？

功能定位：Bundle-Doctor 解决什么问题

在 HelloWorld 沙箱里写完代码后，点击「生产化」按钮即可生成可部署包，但默认会把运行时、AI 辅助库、调试符号全部打进去，体积常常飙到 200 MB 以上。Bundle-Doctor（2026.5 新增）把「扫描—诊断—瘦身」做成一条命令，目标是把 Serverless 冷启动包压到官方限定的 250 MB 以内，同时保留调试所需的符号表，方便回滚。

它与通用 Webpack Analyzer 的差异在于：① 语言中立，Python、Go、Rust 共用同一套元数据；② 与 AI Pair-Programming 联动，可直接把「未被引用的模块」生成删除建议并插入 diff 评论；③ 结果与 Serverless Run 额度挂钩，扫描报告会实时提示「再删 18 MB 可省 0.3 美元/千次调用」。

入口速查：桌面端与网页端最短路径

桌面端（macOS & Win）

1. 打开项目 → 右上角「Build」下拉 → 选择「Bundle-Doctor」。
2. 侧边栏出现「体积热力图」标签，3 秒后渲染完成。
3. 若需命令行，可在内置终端输入 hw doctor --report，结果与 GUI 互通。

网页端

1. 左侧文件树顶部「⚡」图标 → 点击「Analyze Bundle Size」。
2. 等待 WebAssembly 依赖图构建（约数十秒，视项目而定）。
3. 点击「Shrink」自动进入 Tree-shaking 向导。

扫描原理：为什么能秒级出图

Bundle-Doctor 把「静态 import 图」「运行时采样」「AI 预测」三层数据叠在一起：

• 静态层：基于语言服务器协议（LSP）在保存时增量解析 AST，生成「符号—文件」倒排索引。
• 采样层：上次运行时在 microVM 内注入 __hw_coverage 探针，回传真实调用链。
• AI 层：GPT-4.5-turbo-2026-05 微调模型读取函数签名与注释，预测「未来 7 天可能被调用的概率」。

最终体积计算权重：静态 50 %、采样 35 %、AI 15 %。经验性观察，该混合模型能把「误删风险」控制在 5 % 以内，同时多删 8 %–12 % 的冗余代码。

Tree-shaking 四步：删什么、留什么

Step 1 生成保留清单

在「体积热力图」勾选「Keep debug symbols」「Keep i18n keys」，系统会把这些标记为强引用，其余列为候选删除。

Step 2 依赖冲突仲裁

若同一库存在多版本，Bundle-Doctor 会弹出「Conflict Card」。建议优先采用「大版本对齐」而非「强行 dedupe」，因为 edu 场景常需要与老教材兼容。

Step 3 执行删除

点击「Apply Shrink」后，系统先写入 .hello/backup/pre-shrink.git.patch，再执行删除。可在 10 秒内一键回滚。

Step 4 生成 Serverless 专用包

删除结束后，点击「Build → Serverless Run」会自动走 slim-layer 流水线，把依赖拆成「低频层」与「高频层」，高频层 ≤ 50 MB，保证冷启动在亚秒级完成。

版本差异：2026.5 与 2025 旧版对比

特性	2025 LTS	2026.5
热力图渲染	仅 ES 模块	40+ 语言全覆盖
AI 预测	无	GPT-4.5 微调模型
回滚快照	手动 git stash	10 秒自动补丁
Serverless 层拆分	无	slim-layer 流水线

若你仍在 2025 LTS，可安装官方插件「Bundle-Doctor-Lite」，但缺失 AI 预测与层拆分，瘦身效果大约弱 30 %。

可复现验证：如何确认真的瘦了

1. 运行 hw doctor --report --format=json，得到 bundleSizeBefore 字段。
2. 执行 Tree-shaking 后再次运行，记录 bundleSizeAfter。
3. 用 hw serverless package --dry-run 生成 zip，观察「Layer 1」体积是否 ≤ 50 MB。
4. 上传到 AWS Lambda（北京区），冷启动 3 次取平均，经验性观察可缩短数百毫秒。

不适用场景：什么时候别用 Bundle-Doctor

• 项目含大量反射或动态 import（如 Python importlib），误删概率升至 15 % 以上。
• 需要保留完整调试源映射（Sentry 线上追踪），瘦身收益 < 3 %，却增加回滚复杂度。
• 多人实时协作白板正在演示，执行 shrink 会触发 5–8 秒锁定，打断教学节奏。

与第三方工具协同：权限最小化原则

如果你习惯把报告推送到私有 GitLab，可在「Settings → CI → Bundle Hooks」里填写只读 Token，模板变量仅开放 ${bundleSize} 与 ${delta}，避免暴露源码路径。

故障排查：体积不降反升怎么办

现象

执行 shrink 后，Serverless 包从 180 MB 涨到 210 MB。

可能原因

slim-layer 把「共享库」拆成两份，导致重复解压。

验证

查看 .hello/slim-layer-manifest.json，若出现相同 SHA256 两次即确认。

处置

关闭「Force split shared lib」选项，重新打包即可。

最佳实践 10 条速查表

1. 先跑单元测试，确保覆盖率 > 80 % 再瘦身。
2. 把 AI 预测阈值调到 0.2 以下，误删率可再降 2 %。
3. 对于数据科学项目，把 numpy、pandas 标为「框架依赖」，避免被误裁剪。
4. 使用 --dry-run 预览 diff，确认无敏感常量被删。
5. 教学场景优先「只读报告」模式，禁止学生直接应用 shrink。
6. Serverless 层大小保持 45 MB 以下，可为后续功能预留空间。
7. 每周一次定时扫描，把报告推送到钉钉群，形成体积基线。
8. 若项目含私有 wheel，请上传至 HelloWorld 私有 Index，否则 slim-layer 会回退到全量。
9. 遇到「Function too large」报错，先删测试文件，再删依赖，最后才动源码。
10. 回滚补丁保留 30 天，到期自动归档，重要版本请手动打 tag。

FAQ（必须使用 FAQPage Schema）

收尾：下一步行动建议

Bundle-Doctor 把「教育沙箱」与「生产部署」之间的缝隙填平了：你能在课堂里放心写代码，也能在课后 5 分钟生成一个 < 50 MB 的 Serverless 包。建议先给现有项目跑一次 --dry-run，建立体积基线；再把扫描报告接入 CI，一旦超过阈值自动提醒。这样，你的 HelloWorld 项目既能保持「秒开」体验，也不会在月底收到「Function too large」的账单惊吓。

未来版本路线图已透露「增量编译缓存」与「多区域层复用」两项实验特性，若上线，冷启动还有 20 % 下探空间。保持工具链更新，你的每一次部署都会比上一次更轻、更快。