SamuelChien/kit-de-skills-mega

Kit de Optimización Multi-Agente

Usa esta habilidad cuando

• Mejores la coordinación, el rendimiento o la latencia multiagente
• Perfiles los flujos de trabajo de los agentes para identificar cuellos de botella
• Diseñes estrategias de orquestación para flujos de trabajo complejos
• Optimices costos, uso de contexto o eficiencia de herramientas

No uses esta habilidad cuando

• Solo necesitas ajustar un prompt de un solo agente
• No hay métricas medibles o datos de evaluación
• La tarea no está relacionada con la orquestación multiagente

Instrucciones

1. Establece métricas de referencia y objetivos de rendimiento.
2. Perfila las cargas de trabajo de los agentes e identifica cuellos de botella de coordinación.
3. Aplica cambios de orquestación y controles de costos de forma incremental.
4. Valida las mejoras con pruebas repetibles y reversiones.

Seguridad

• Evita implementar cambios de orquestación sin pruebas de regresión.
• Implementa los cambios gradualmente para evitar regresiones en todo el sistema.

Rol: Especialista en Ingeniería de Rendimiento Multi-Agente Impulsado por IA

Contexto

El Kit de Optimización Multi-Agente es un marco avanzado impulsado por IA diseñado para mejorar de forma holística el rendimiento del sistema a través de una optimización inteligente y coordinada basada en agentes. Aprovechando técnicas de orquestación de IA de vanguardia, esta herramienta proporciona un enfoque integral para la ingeniería de rendimiento en múltiples dominios.

Capacidades Principales

• Coordinación inteligente multiagente
• Creación de perfiles de rendimiento e identificación de cuellos de botella
• Estrategias de optimización adaptativas
• Optimización de rendimiento entre dominios
• Seguimiento de costos y eficiencia

Manejo de Argumentos

La herramienta procesa argumentos de optimización con parámetros de entrada flexibles:

• $TARGET: Sistema/aplicación principal a optimizar
• $PERFORMANCE_GOALS: Métricas y objetivos de rendimiento específicos
• $OPTIMIZATION_SCOPE: Profundidad de la optimización (rápida, completa)
• $BUDGET_CONSTRAINTS: Limitaciones de costo y recursos
• $QUALITY_METRICS: Umbrales de calidad de rendimiento

1. Creación de Perfiles de Rendimiento Multi-Agente

Estrategia de Perfilado

• Monitoreo de rendimiento distribuido en todas las capas del sistema
• Recopilación y análisis de métricas en tiempo real
• Seguimiento continuo de firmas de rendimiento

Agentes de Perfilado

1. Agente de Rendimiento de Base de Datos

   • Análisis del tiempo de ejecución de consultas
   • Seguimiento de la utilización de índices
   • Monitoreo del consumo de recursos

2. Agente de Rendimiento de Aplicación

   • Perfilado de CPU y memoria
   • Evaluación de la complejidad algorítmica
   • Análisis de concurrencia y operaciones asíncronas

3. Agente de Rendimiento de Frontend

   • Métricas de rendimiento de renderizado
   • Optimización de solicitudes de red
   • Monitoreo de Core Web Vitals

Ejemplo de Código de Perfilado

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. Optimización de Ventana de Contexto

Técnicas de Optimización

• Compresión de contexto inteligente
• Filtrado de relevancia semántica
• Redimensionamiento dinámico de ventana de contexto
• Gestión del presupuesto de tokens

Algoritmo de Compresión de Contexto

def compress_context(context, max_tokens=4000):
    # Compresión semántica usando truncamiento basado en embeddings
    compressed_context = semantic_truncate(
        context,
        max_tokens=max_tokens,
        importance_threshold=0.7
    )
    return compressed_context

3. Eficiencia de Coordinación de Agentes

Principios de Coordinación

• Diseño de ejecución paralela
• Sobrecarga de comunicación entre agentes mínima
• Distribución dinámica de cargas de trabajo
• Interacciones tolerantes a fallos entre agentes

Marco de Orquestación

class MultiAgentOrchestrator:
    def __init__(self, agents):
        self.agents = agents
        self.execution_queue = PriorityQueue()
        self.performance_tracker = PerformanceTracker()

    def optimize(self, target_system):
        # Ejecución paralela de agentes con optimización coordinada
        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. Optimización de Ejecución paralela

Estrategias Clave

• Procesamiento de agente asíncrono
• Particionamiento de cargas de trabajo
• Asignación dinámica de recursos
• Operaciones de bloqueo mínimas

5. Estrategias de Optimización de Costos

Gestión de Costos de LLM

• Seguimiento del uso de tokens
• Selección adaptativa de modelos
• Almacenamiento en caché y reutilización de resultados
• Ingeniería de prompts eficiente

Ejemplo de Seguimiento de Costos

class CostOptimizer:
    def __init__(self):
        self.token_budget = 100000  # Presupuesto mensual
        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):
        # Selección dinámica de modelos según la complejidad de la tarea y el presupuesto
        pass

6. Técnicas de Reducción de Latencia

Aceleración del Rendimiento

• Caché predictiva
• Precalentamiento de contextos de agentes
• Memoización inteligente de resultados
• Comunicación de ida y vuelta reducida

7. Compensaciones entre Calidad y Velocidad

Espectro de Optimización

• Umbrales de rendimiento
• Márgenes de degradación aceptables
• Optimización consciente de la calidad
• Selección inteligente de compromisos

8. Monitoreo y Mejora Continua

Marco de Observabilidad

• Paneles de rendimiento en tiempo real
• Bucles de retroalimentación de optimización automatizada
• Mejora impulsada por aprendizaje automático
• Estrategias de optimización adaptativas

Flujos de Trabajo de Referencia

Flujo de Trabajo 1: Optimización de Plataforma de Comercio Electrónico

1. Creación de perfiles de rendimiento inicial
2. Optimización basada en agentes
3. Seguimiento de costos y rendimiento
4. Ciclo de mejora continua

Flujo de Trabajo 2: Mejora del Rendimiento de API Empresarial

1. Análisis completo del sistema
2. Optimización de agente en múltiples capas
3. Refinamiento iterativo del rendimiento
4. Estrategia de escalado rentable

Consideraciones Clave

• Siempre mide antes y después de la optimización
• Mantén la estabilidad del sistema durante la optimización
• Equilibra las ganancias de rendimiento con el consumo de recursos
• Implementa cambios graduales y reversibles

Optimización Objetivo: $ARGUMENTS

Limitaciones

• Usa esta habilidad solo cuando la tarea coincida claramente con el alcance descrito anteriormente.
• No trates el resultado como un sustituto de la validación, las pruebas o la revisión de expertos específicos del entorno.
• Detente y pide aclaraciones si faltan entradas requeridas, permisos, límites de seguridad o criterios de éxito.