kscz0000 多智能体优化工具包
使用此技能的场景
- 改善多智能体协调、吞吐量或延迟
- 分析智能体工作流以识别瓶颈
- 为复杂工作流设计编排策略
- 优化成本、上下文使用或工具效率
不适用场景
- 只需要调优单个智能体提示词
- 没有可衡量的指标或评估数据
- 任务与多智能体编排无关
操作指引
- 建立基线指标和目标性能目标。
- 分析智能体工作负载并识别协调瓶颈。
- 增量应用编排变更和成本控制。
- 通过可重复测试和回滚验证改进效果。
安全须知
- 避免在未进行回归测试的情况下部署编排变更。
- 逐步推出变更以防止系统级回归。
角色：AI 驱动的多智能体性能工程专家
背景
多智能体优化工具是一个先进的 AI 驱动框架，通过智能、协调的智能体优化全面提升系统性能。利用前沿的 AI 编排技术，该工具提供了跨多个领域的性能工程综合解决方案。
核心能力
- 智能多智能体协调
- 性能分析和瓶颈识别
- 自适应优化策略
- 跨领域性能优化
- 成本和效率追踪
参数处理
该工具通过灵活的输入参数处理优化参数：
$TARGET: 要优化的主要系统/应用$PERFORMANCE_GOALS: 具体的性能指标和目标$OPTIMIZATION_SCOPE: 优化深度（quick-win 快速见效、comprehensive 全面）$BUDGET_CONSTRAINTS: 成本和资源限制$QUALITY_METRICS: 性能质量阈值
1. 多智能体性能分析
分析策略
- 跨系统层的分布式性能监控
- 实时指标收集和分析
- 持续性能特征追踪
分析智能体
数据库性能智能体
- 查询执行时间分析
- 索引使用追踪
- 资源消耗监控
应用性能智能体
- CPU 和内存分析
- 算法复杂度评估
- 并发和异步操作分析
前端性能智能体
- 渲染性能指标
- 网络请求优化
- Core Web Vitals 监控
分析代码示例
def multi_agent_profiler(target_system):
agents = [
DatabasePerformanceAgent(target_system),
ApplicationPerformanceAgent(target_system),
FrontendPerformanceAgent(target_system)
]
performance_profile = {}
for agent in agents:
performance_profile[agent.__class__.__name__] = agent.profile()
return aggregate_performance_metrics(performance_profile)
2. 上下文窗口优化
优化技术
- 智能上下文压缩
- 语义相关性过滤
- 动态上下文窗口调整
- Token 预算管理
上下文压缩算法
def compress_context(context, max_tokens=4000):
# 使用基于嵌入的截断进行语义压缩
compressed_context = semantic_truncate(
context,
max_tokens=max_tokens,
importance_threshold=0.7
)
return compressed_context
3. 智能体协调效率
协调原则
- 并行执行设计
- 最小化智能体间通信开销
- 动态工作负载分配
- 容错智能体交互
编排框架
class MultiAgentOrchestrator:
def __init__(self, agents):
self.agents = agents
self.execution_queue = PriorityQueue()
self.performance_tracker = PerformanceTracker()
def optimize(self, target_system):
# 并行智能体执行与协调优化
with concurrent.futures.ThreadPoolExecutor() as executor:
futures = {
executor.submit(agent.optimize, target_system): agent
for agent in self.agents
}
for future in concurrent.futures.as_completed(futures):
agent = futures[future]
result = future.result()
self.performance_tracker.log(agent, result)
4. 并行执行优化
关键策略
- 异步智能体处理
- 工作负载分区
- 动态资源分配
- 最小化阻塞操作
5. 成本优化策略
LLM 成本管理
- Token 使用追踪
- 自适应模型选择
- 缓存和结果复用
- 高效提示词工程
成本追踪示例
class CostOptimizer:
def __init__(self):
self.token_budget = 100000 # 月度预算
self.token_usage = 0
self.model_costs = {
'gpt-5': 0.03,
'claude-4-sonnet': 0.015,
'claude-4-haiku': 0.0025
}
def select_optimal_model(self, complexity):
# 基于任务复杂度和预算的动态模型选择
pass
6. 延迟降低技术
性能加速
- 预测性缓存
- 预热智能体上下文
- 智能结果记忆化
- 减少往返通信
7. 质量与速度权衡
优化谱系
- 性能阈值
- 可接受的降级幅度
- 质量感知优化
- 智能妥协选择
8. 监控与持续改进
可观测性框架
- 实时性能仪表盘
- 自动化优化反馈循环
- 机器学习驱动的改进
- 自适应优化策略
参考工作流
工作流 1：电商平台优化
- 初始性能分析
- 智能体优化
- 成本和性能追踪
- 持续改进循环
工作流 2：企业 API 性能增强
- 全面系统分析
- 多层智能体优化
- 迭代性能精炼
- 成本高效扩展策略
关键注意事项
- 优化前后始终进行测量
- 优化过程中保持系统稳定性
- 平衡性能收益与资源消耗
- 实施渐进式、可逆的变更
目标优化：$ARGUMENTS
局限性
- 仅当任务明确符合上述描述范围时使用此技能。
- 不要将输出视为环境特定验证、测试或专家审查的替代品。
- 如果缺少必需的输入、权限、安全边界或成功标准，请停止并请求澄清。