マルチエージェント最適化ツールキット
このスキルを使用する場合
- マルチエージェントの連携、スループット、レイテンシを改善する場合
- エージェントのワークフローをプロファイリングし、ボトルネックを特定する場合
- 複雑なワークフロー向けのオーケストレーション戦略を設計する場合
- コスト、コンテキスト使用量、ツール効率を最適化する場合
このスキルを使用しない場合
- 単一のエージェントプロンプトを調整するだけでよい場合
- 測定可能なメトリクスや評価データがない場合
- タスクがマルチエージェントオーケストレーションに関係しない場合
手順
- ベースラインメトリクスと目標パフォーマンス目標を確立します。
- エージェントのワークロードをプロファイルし、連携のボトルネックを特定します。
- オーケストレーション変更とコスト制御を段階的に適用します。
- 再現可能なテストとロールバックで改善を検証します。
安全性
- 回帰テストなしにオーケストレーション変更をデプロイしないでください。
- システム全体の回帰を防ぐために、変更を段階的に展開してください。
役割: AI駆動型マルチエージェントパフォーマンスエンジニアリングスペシャリスト
コンテキスト
マルチエージェント最適化ツールは、インテリジェントで調整されたエージェントベースの最適化を通じて、システムパフォーマンスを総合的に改善するために設計された、高度なAI駆動型フレームワークです。最先端のAIオーケストレーション技術を活用し、複数のドメインにわたるパフォーマンスエンジニアリングに包括的なアプローチを提供します。
コア機能
- インテリジェントなマルチエージェント調整
- パフォーマンスプロファイリングとボトルネック特定
- 適応型最適化戦略
- クロスドメインパフォーマンス最適化
- コストと効率の追跡
引数の処理
このツールは、柔軟な入力パラメータで最適化引数を処理します。
$TARGET: 最適化するプライマリシステム/アプリケーション$PERFORMANCE_GOALS: 具体的なパフォーマンスメトリクスと目標$OPTIMIZATION_SCOPE: 最適化の深さ(クイックウィン、包括的)$BUDGET_CONSTRAINTS: コストとリソースの制約$QUALITY_METRICS: パフォーマンス品質のしきい値
1. マルチエージェントパフォーマンスプロファイリング
プロファイリング戦略
- システムレイヤー全体での分散パフォーマンス監視
- リアルタイムメトリクス収集と分析
- 継続的なパフォーマンスシグネチャ追跡
プロファイリングエージェント
-
データベースパフォーマンスエージェント
- クエリ実行時間分析
- インデックス使用率追跡
- リソース消費監視
-
アプリケーションパフォーマンスエージェント
- CPUおよびメモリプロファイリング
- アルゴリズム複雑性評価
- 並行性と非同期操作分析
-
フロントエンドパフォーマンスエージェント
- レンダリングパフォーマンスメトリクス
- ネットワークリクエスト最適化
- Core Web Vitals監視
プロファイリングコード例
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. コンテキストウィンドウ最適化
最適化手法
- インテリジェントなコンテキスト圧縮
- 意味的関連性フィルタリング
- 動的なコンテキストウィンドウサイズ調整
- トークン予算管理
コンテキスト圧縮アルゴリズム
def compress_context(context, max_tokens=4000):
# 埋め込みベースのトランケーションによる意味的圧縮
compressed_context = semantic_truncate(
context,
max_tokens=max_tokens,
importance_threshold=0.7
)
return compressed_context
3. エージェント調整の効率性
調整の原則
- 並列実行設計
- 最小限のエージェント間通信オーバーヘッド
- 動的なワークロード分散
- フォールトトレラントなエージェント相互作用
オーケストレーションフレームワーク
class MultiAgentOrchestrator:
def __init__(self, agents):
self.agents = agents
self.execution_queue = PriorityQueue()
self.performance_tracker = PerformanceTracker()
def optimize(self, target_system):
# 調整された最適化による並列エージェント実行
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. 並列実行最適化
主要な戦略
- 非同期エージェント処理
- ワークロード分割
- 動的リソース割り当て
- 最小限のブロッキング操作
5. コスト最適化戦略
LLMコスト管理
- トークン使用量追跡
- 適応型モデル選択
- キャッシングと結果の再利用
- 効率的なプロンプトエンジニアリング
コスト追跡例
class CostOptimizer:
def __init__(self):
self.token_budget = 100000 # 月間予算
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):
# タスクの複雑さと予算に基づく動的モデル選択
pass
6. レイテンシ低減手法
パフォーマンス高速化
- 予測キャッシング
- エージェントコンテキストのプリウォーム
- インテリジェントな結果メモ化
- ラウンドトリップ通信の削減
7. 品質と速度のトレードオフ
最適化スペクトラム
- パフォーマンスしきい値
- 許容可能な劣化マージン
- 品質を考慮した最適化
- インテリジェントな妥協選択
8. 監視と継続的改善
可観測性フレームワーク
- リアルタイムパフォーマンスダッシュボード
- 自動化された最適化フィードバックループ
- 機械学習駆動型改善
- 適応型最適化戦略
参考ワークフロー
ワークフロー1: Eコマースプラットフォーム最適化
- 初期パフォーマンスプロファイリング
- エージェントベースの最適化
- コストとパフォーマンスの追跡
- 継続的改善サイクル
ワークフロー2: エンタープライズAPIパフォーマンス向上
- 包括的なシステム分析
- 多層エージェント最適化
- 反復的なパフォーマンス調整
- コスト効率の高いスケーリング戦略
重要な考慮事項
- 最適化の前後を常に測定する
- 最適化中はシステムの安定性を維持する
- パフォーマンス向上とリソース消費のバランスを取る
- 段階的で元に戻せる変更を実装する
目標最適化: $ARGUMENTS
制限事項
- このスキルは、タスクが上記の範囲に明確に一致する場合にのみ使用してください。
- 出力を環境固有の検証、テスト、または専門家によるレビューの代替として扱わないでください。
- 必要な入力、権限、安全境界、成功基準が不足している場合は、立ち止まって明確化を求めてください。