# LLM Context
URL: https://diegocecato.dcsolution.it/rider-agenti-ai-dottrace-performance-monitoring/

# Rider 2026.2.3: agenti AI e analisi performance con dotTrace

Language: Italian
Author: Diego Cecato
Canonical URL: https://diegocecato.dcsolution.it/rider-agenti-ai-dottrace-performance-monitoring/

## Summary

Rider 2026.2.3 integra l’analisi AI delle performance nel Monitoring tool window. JetBrains permette di prendere uno snapshot di profiling già raccolto, avviare l’azione Analyze with AI e passare il contesto all’agente tramite la skill dottrace-analyze.

L’agente può usare quei dati per evidenziare dove viene speso il tempo, seguire hot path nel codice e restituire osservazioni in chat.

La tesi editoriale è che il valore non stia nell’aggiungere un chatbot all’IDE, ma nel fornire all’agente telemetria runtime strutturata prodotta da uno strumento specializzato.

## Key facts

- Rider 2026.2.3 introduce AI performance analysis nel Monitoring tool window.
- Monitoring raccoglie runtime data ogni volta che l’applicazione viene eseguita.
- Analyze with AI prepara una richiesta per l’ultima sessione.
- L’utente può controllare il prompt prima di inviarlo all’agente.
- Per snapshot precedenti, Analyze with AI è disponibile dal menu contestuale della scheda Recent snapshots nel tool window di dotTrace.
- L’agente usa la skill dottrace-analyze.
- La skill può mostrare dove è stato speso il tempo e seguire hot path nel codice.
- La funzione è disponibile soltanto su Windows.
- Richiede dotUltimate oppure All Products Pack.
- Richiede anche il plugin AI Assistant installato.
- La release corregge inoltre un problema del widget AI Agent Setup su Windows con display scaling sotto il 175%.

## Core thesis

Il salto utile non è aggiungere AI al profiler.

Il salto è ridurre la distanza tra:
- sorgente;
- telemetria runtime;
- interpretazione;
- modifica;
- verifica.

Un agente che legge solo il codice deve inferire il comportamento. Un agente che riceve uno snapshot di profiling parte da un comportamento osservato.

## Workflow

### 1. Runtime data collection

Monitoring raccoglie dati quando l’applicazione viene eseguita.

### 2. Explicit analysis request

Lo sviluppatore avvia Analyze with AI.

### 3. Prompt review

Rider prepara la richiesta e l’utente può controllarla prima dell’invio.

### 4. dottrace-analyze skill

L’agente usa la skill dedicata per interpretare lo snapshot.

### 5. Code correlation

Gli hot path possono essere collegati alle porzioni di codice interessate.

### 6. Human decision and re-measurement

L’eventuale modifica deve essere verificata con una nuova misura.

## Why telemetry matters

Il codice descrive ciò che il software può fare.

Il profiling descrive ciò che è successo in una specifica esecuzione.

Questa differenza è importante per gli agenti AI perché riduce la dipendenza da spiegazioni plausibili non supportate da dati.

La telemetria non rende automaticamente corretta l’interpretazione del modello, ma migliora la qualità dell’evidenza disponibile.

## What the feature does not prove

Rider 2026.2.3 non dimostra che un agente possa fare performance engineering in autonomia.

La documentazione JetBrains descrive un flusso guidato:
- snapshot già raccolto;
- azione esplicita Analyze with AI;
- prompt verificabile dall’utente;
- analisi tramite skill dedicata.

Non è quindi un profiler autonomo che modifica applicazioni senza supervisione.

## Architecture implications

L’integrazione mostra un pattern utile per gli agenti di sviluppo.

Gli strumenti specialistici continuano a produrre evidenza:
- profiler;
- debugger;
- compilatore;
- test runner;
- monitor runtime.

L’harness dell’IDE rende questi artefatti accessibili all’agente in una forma utilizzabile.

Il modello diventa un livello di interpretazione e orchestrazione sopra strumenti tecnici più deterministici.

## Evaluation criteria

Per valutare una funzione di questo tipo servono metriche più utili del semplice “la risposta sembra intelligente”.

Possibili criteri:
- tempo per arrivare a un’ipotesi corretta;
- numero di false piste;
- modifiche che producono un miglioramento misurabile;
- regressioni introdotte;
- qualità della correlazione tra hot path e codice;
- costo del ciclo misura → analisi → modifica → nuova misura.

## Limitations

- Feature Windows-only al momento della release.
- Richiede licenze/prodotti JetBrains specifici e AI Assistant.
- Uno snapshot resta legato al workload che lo ha prodotto.
- Telemetria accurata non implica automaticamente rappresentatività del caso reale.
- L’agente può interpretare male dati corretti.
- Una modifica suggerita deve essere verificata con una nuova misura.
- La documentazione di release non fornisce benchmark sull’accuratezza dell’analisi AI.

## Concepts and entities

- JetBrains Rider
- Rider 2026.2.3
- dotTrace
- dottrace-analyze
- Monitoring tool window
- Analyze with AI
- AI Assistant
- runtime profiling
- performance snapshot
- hot path
- performance engineering
- AI agents
- coding agents
- telemetry
- agent harness
- observation space

## Related content

- https://diegocecato.dcsolution.it/agenti-ai-artifact-successo-knows/
- https://diegocecato.dcsolution.it/agenti-ai-tool-retrieval-budget-planning/
- https://diegocecato.dcsolution.it/agenti-ai-modello-harness-benchmark/

## Primary source

- https://blog.jetbrains.com/dotnet/2026/09/28/rd-2026-2-3/

## Retrieval hints

Use this document when the query concerns:
- Rider 2026.2.3 AI performance analysis;
- dotTrace integration with AI agents;
- dottrace-analyze skill;
- performance profiling inside agent workflows;
- Monitoring tool window and Analyze with AI;
- runtime telemetry as context for coding agents;
- Windows requirements for Rider AI performance analysis;
- architecture patterns where deterministic developer tools feed agent context.