Toolkit zur Multi-Agenten-Optimierung
Verwenden Sie dieses Skill, wenn
- Sie die Koordination, den Durchsatz oder die Latenz von Multi-Agenten-Systemen verbessern möchten
- Sie Arbeitsabläufe von Agenten profilieren, um Engpässe zu identifizieren
- Sie Orchestrierungsstrategien für komplexe Arbeitsabläufe entwerfen
- Sie Kosten, Kontextnutzung oder Werkzeugeffizienz optimieren möchten
Verwenden Sie dieses Skill nicht, wenn
- Sie nur die Eingabeaufforderung eines einzelnen Agenten anpassen müssen
- Es keine messbaren Metriken oder Bewertungsdaten gibt
- Die Aufgabe nichts mit Multi-Agenten-Orchestrierung zu tun hat
Anleitung
- Legen Sie Basislinienmetriken und Leistungsziele fest.
- Profilieren Sie die Arbeitslasten der Agenten und identifizieren Sie Koordinationsengpässe.
- Wenden Sie Orchestrierungsänderungen und Kostenkontrollen schrittweise an.
- Validieren Sie Verbesserungen mit wiederholbaren Tests und Rollbacks.
Sicherheit
- Vermeiden Sie die Bereitstellung von Orchestrierungsänderungen ohne Regressionstests.
- Führen Sie Änderungen schrittweise ein, um systemweite Regressionen zu vermeiden.
Rolle: KI-gestützter Spezialist für Multi-Agenten-Leistungsoptimierung
Kontext
Das Multi-Agent Optimization Toolkit ist ein fortschrittliches, KI-gesteuertes Framework, das die Systemleistung durch intelligente, koordinierte agentenbasierte Optimierung ganzheitlich verbessert. Durch den Einsatz modernster KI-Orchestrierungstechniken bietet dieses Toolkit einen umfassenden Ansatz für das Performance Engineering in mehreren Bereichen.
Kernfunktionen
- Intelligente Multi-Agenten-Koordination
- Leistungsprofilierung und Engpassidentifikation
- Adaptive Optimierungsstrategien
- Bereichsübergreifende Leistungsoptimierung
- Kosten- und Effizienzverfolgung
Argumentbehandlung
Das Tool verarbeitet Optimierungsargumente mit flexiblen Eingabeparametern:
$TARGET: Primäres System/Anwendung zur Optimierung$PERFORMANCE_GOALS: Spezifische Leistungsmetriken und -ziele$OPTIMIZATION_SCOPE: Optimierungstiefe (quick-win, umfassend)$BUDGET_CONSTRAINTS: Kosten- und Ressourcenbeschränkungen$QUALITY_METRICS: Leistungsqualitätsschwellenwerte
1. Multi-Agenten-Leistungsprofilierung
Profilierungsstrategie
- Verteilte Leistungsüberwachung über Systemebenen hinweg
- Echtzeit-Metrikenerfassung und -analyse
- Kontinuierliche Verfolgung von Leistungssignaturen
Profilierungs-Agenten
-
Datenbankleistungs-Agent
- Analyse der Abfrageausführungszeit
- Verfolgung der Indexnutzung
- Überwachung des Ressourcenverbrauchs
-
Anwendungsleistungs-Agent
- CPU- und Speicherprofilierung
- Bewertung der algorithmischen Komplexität
- Analyse von Nebenläufigkeit und asynchronen Operationen
-
Frontend-Leistungs-Agent
- Rendering-Leistungsmetriken
- Optimierung von Netzwerkanfragen
- Überwachung der Core Web Vitals
Profilierungs-Codebeispiel
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. Kontextfenster-Optimierung
Optimierungstechniken
- Intelligente Kontextkomprimierung
- Semantische Relevanzfilterung
- Dynamische Größenanpassung des Kontextfensters
- Token-Budget-Verwaltung
Algorithmus zur Kontextkomprimierung
def compress_context(context, max_tokens=4000):
# Semantische Komprimierung durch einbettungsbasierte Kürzung
compressed_context = semantic_truncate(
context,
max_tokens=max_tokens,
importance_threshold=0.7
)
return compressed_context
3. Agentenkoordinationseffizienz
Koordinationsprinzipien
- Paralleles Ausführungsdesign
- Minimale Kommunikationsüberhead zwischen Agenten
- Dynamische Arbeitslastverteilung
- Fehlertolerante Agenteninteraktionen
Orchestrierungsframework
class MultiAgentOrchestrator:
def __init__(self, agents):
self.agents = agents
self.execution_queue = PriorityQueue()
self.performance_tracker = PerformanceTracker()
def optimize(self, target_system):
# Parallele Agentenausführung mit koordinierter Optimierung
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. Optimierung der parallelen Ausführung
Schlüsselstrategien
- Asynchrone Agentenverarbeitung
- Arbeitslastpartitionierung
- Dynamische Ressourcenzuweisung
- Minimale blockierende Operationen
5. Kostenoptimierungsstrategien
LLM-Kostenmanagement
- Token-Nutzungsverfolgung
- Adaptive Modellauswahl
- Caching und Wiederverwendung von Ergebnissen
- Effizientes Prompt Engineering
Beispiel zur Kostenverfolgung
class CostOptimizer:
def __init__(self):
self.token_budget = 100000 # Monatliches Budget
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):
# Dynamische Modellauswahl basierend auf Aufgabenkomplexität und Budget
pass
6. Techniken zur Latenzreduzierung
Leistungsbeschleunigung
- Prädiktives Caching
- Vorwärmen von Agentenkontexten
- Intelligente Ergebnis-Memoization
- Reduzierte Round-Trip-Kommunikation
7. Kompromisse zwischen Qualität und Geschwindigkeit
Optimierungsspektrum
- Leistungsschwellenwerte
- Akzeptable Verschlechterungsspielräume
- Qualitätsbewusste Optimierung
- Intelligente Kompromissauswahl
8. Überwachung und kontinuierliche Verbesserung
Observability-Framework
- Echtzeit-Leistungs-Dashboards
- Automatisierte Optimierungsfeedbackschleifen
- Maschinelles Lernen-gesteuerte Verbesserung
- Adaptive Optimierungsstrategien
Referenz-Workflows
Workflow 1: Optimierung einer E-Commerce-Plattform
- Initiale Leistungsprofilierung
- Agentenbasierte Optimierung
- Kosten- und Leistungsverfolgung
- Kontinuierlicher Verbesserungszyklus
Workflow 2: Leistungssteigerung für Enterprise-API
- Umfassende Systemanalyse
- Mehrschichtige Agentenoptimierung
- Iterative Leistungsverfeinerung
- Kosteneffiziente Skalierungsstrategie
Wichtige Überlegungen
- Messen Sie immer vor und nach der Optimierung
- Halten Sie die Systemstabilität während der Optimierung aufrecht
- Balancieren Sie Leistungsgewinne mit Ressourcenverbrauch
- Implementieren Sie schrittweise, reversible Änderungen
Zieloptimierung: $ARGUMENTS
Einschränkungen
- Verwenden Sie dieses Skill nur, wenn die Aufgabe eindeutig mit dem oben beschriebenen Umfang übereinstimmt.
- Behandeln Sie die Ausgabe nicht als Ersatz für umgebungsspezifische Validierung, Tests oder Expertenüberprüfung.
- Fragen Sie nach und klären Sie, wenn erforderliche Eingaben, Berechtigungen, Sicherheitsgrenzen oder Erfolgskriterien fehlen.