ACP 性能测试¶

zerodep ACP 与 agent-client-protocol 的同类对比性能测试。

测试环境

实现对比¶

实现	文件/包	说明
zerodep	`acp.py`	仅依赖标准库的 ACP 协议，使用普通 dataclass
agent-client-protocol	（参考库）	官方 ACP SDK，使用 Pydantic v2（Rust 加速）

标签	说明
小型	单个 `TextContent` 块
中型	`PromptParams`（10 个内容块）+ `InitializeResult`（含 capabilities）
大型	20 个 `ToolCallUpdate` 对象，含嵌套 locations 和 raw input/output

对象 → dict 转换。zerodep 使用 to_dict()；参考库使用 Pydantic 的 model_dump()。

数据规模	zerodep	agent-client-protocol	倍数
小型	4.0 μs	1.3 μs	慢 3.2x
中型	62.7 μs	12.7 μs	慢 4.9x
大型	526.5 μs	73.3 μs	慢 7.2x

dict → 对象重建。zerodep 使用 from_raw()；参考库使用 Pydantic 的 model_validate()。

数据规模	zerodep	agent-client-protocol	倍数
小型	1.7 μs	1.8 μs	持平
中型	6.0 μs	61.0 μs	快 10.2x
大型	153.0 μs	78.4 μs	慢 2.0x

完整循环：对象 → dict → JSON 字符串 → dict → 对象。

数据规模	zerodep	agent-client-protocol	倍数
小型	10.1 μs	7.0 μs	慢 1.4x
中型	90.4 μs	84.6 μs	慢 1.1x
大型	941.6 μs	397.4 μs	慢 2.4x

反序列化结果不一 -- zerodep 的 from_raw() 在中型数据规模下快 10.2 倍，此时 Pydantic 深度模式验证的开销最为明显。小型规模下两者持平，大型规模下 zerodep 慢 2.0 倍。
序列化慢 3.2-7.2 倍 -- Pydantic v2 的 model_dump() 由编译的 Rust 代码支持，使其显著快于 zerodep 的纯 Python to_dict() 递归转换。差距随数据规模增大而扩大。
JSON 往返慢 1.1-2.4 倍 -- 中型规模下 zerodep 接近持平（慢 1.1 倍）。小型规模下 zerodep 慢 1.4 倍，大型规模下慢 2.4 倍，主要反映序列化开销。
不同的设计权衡 -- zerodep 优先考虑零依赖和简洁性；参考库通过编译扩展优先考虑原始吞吐量。对于大多数 ACP 用例（编辑器与智能体之间的 stdio IPC），两者都足够快 -- 瓶颈在 AI 模型，而非序列化。

pip install pytest pytest-benchmark agent-client-protocol
pytest acp/test_acp_benchmark.py --benchmark-only -v