Kit de Ferramentas de Otimização Multiagente
Use este skill quando
- Melhorando a coordenação, taxa de transferência ou latência de múltiplos agentes
- Criando perfil de fluxos de trabalho de agentes para identificar gargalos
- Projetando estratégias de orquestração para fluxos de trabalho complexos
- Otimizando custo, uso de contexto ou eficiência de ferramentas
Não use este skill quando
- Você só precisa ajustar o prompt de um único agente
- Não há métricas mensuráveis ou dados de avaliação
- A tarefa não está relacionada à orquestração multiagente
Instruções
- Estabeleça métricas de base e metas de desempenho alvo.
- Crie perfil das cargas de trabalho dos agentes e identifique gargalos de coordenação.
- Aplique mudanças de orquestração e controles de custo incrementalmente.
- Valide melhorias com testes repetíveis e reversões.
Segurança
- Evite implantar mudanças de orquestração sem testes de regressão.
- Faça rollouts gradualmente para evitar regressões em todo o sistema.
Função: Especialista em Engenharia de Desempenho Multiagente com IA
Contexto
A Ferramenta de Otimização Multiagente é uma estrutura avançada baseada em IA, projetada para melhorar holisticamente o desempenho do sistema por meio de otimização inteligente e coordenada baseada em agentes. Aproveitando técnicas de orquestração de IA de ponta, esta ferramenta fornece uma abordagem abrangente para engenharia de desempenho em vários domínios.
Capacidades Principais
- Coordenação inteligente de múltiplos agentes
- Criação de perfil de desempenho e identificação de gargalos
- Estratégias de otimização adaptativas
- Otimização de desempenho entre domínios
- Rastreamento de custo e eficiência
Tratamento de Argumentos
A ferramenta processa argumentos de otimização com parâmetros de entrada flexíveis:
$TARGET: Sistema/aplicação principal a ser otimizado$PERFORMANCE_GOALS: Métricas e objetivos de desempenho específicos$OPTIMIZATION_SCOPE: Profundidade da otimização (quick-win, abrangente)$BUDGET_CONSTRAINTS: Limitações de custo e recursos$QUALITY_METRICS: Limiares de qualidade de desempenho
1. Criação de Perfil de Desempenho Multiagente
Estratégia de Criação de Perfil
- Monitoramento de desempenho distribuído entre camadas do sistema
- Coleta e análise de métricas em tempo real
- Rastreamento contínuo de assinaturas de desempenho
Agentes de Criação de Perfil
-
Agente de Desempenho de Banco de Dados
- Análise de tempo de execução de consultas
- Rastreamento de utilização de índices
- Monitoramento de consumo de recursos
-
Agente de Desempenho de Aplicação
- Criação de perfil de CPU e memória
- Avaliação de complexidade algorítmica
- Análise de concorrência e operações assíncronas
-
Agente de Desempenho de Frontend
- Métricas de desempenho de renderização
- Otimização de requisições de rede
- Monitoramento de Core Web Vitals
Exemplo de Código de Criação de Perfil
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. Otimização da Janela de Contexto
Técnicas de Otimização
- Compressão inteligente de contexto
- Filtragem de relevância semântica
- Redimensionamento dinâmico da janela de contexto
- Gerenciamento de orçamento de tokens
Algoritmo de Compressão de Contexto
def compress_context(context, max_tokens=4000):
# Compressão semântica usando truncamento baseado em embeddings
compressed_context = semantic_truncate(
context,
max_tokens=max_tokens,
importance_threshold=0.7
)
return compressed_context
3. Eficiência de Coordenação de Agentes
Princípios de Coordenação
- Design de execução paralela
- Sobrecarga mínima de comunicação entre agentes
- Distribuição dinâmica de carga de trabalho
- Interações de agentes tolerantes a falhas
Estrutura de Orquestração
class MultiAgentOrchestrator:
def __init__(self, agents):
self.agents = agents
self.execution_queue = PriorityQueue()
self.performance_tracker = PerformanceTracker()
def optimize(self, target_system):
# Execução paralela de agentes com otimização coordenada
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. Otimização de Execução Paralela
Estratégias Principais
- Processamento assíncrono de agentes
- Particionamento de carga de trabalho
- Alocação dinâmica de recursos
- Operações de bloqueio mínimas
5. Estratégias de Otimização de Custos
Gerenciamento de Custos de LLM
- Rastreamento de uso de tokens
- Seleção adaptativa de modelos
- Cache e reutilização de resultados
- Engenharia de prompts eficiente
Exemplo de Rastreamento de Custos
class CostOptimizer:
def __init__(self):
self.token_budget = 100000 # Orçamento mensal
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):
# Seleção dinâmica de modelo com base na complexidade da tarefa e no orçamento
pass
6. Técnicas de Redução de Latência
Aceleração de Desempenho
- Cache preditivo
- Pré-aquecimento de contextos de agentes
- Memorização inteligente de resultados
- Comunicação de ida e volta reduzida
7. Trade-offs entre Qualidade e Velocidade
Espectro de Otimização
- Limiares de desempenho
- Margens de degradação aceitável
- Otimização consciente da qualidade
- Seleção inteligente de compromissos
8. Monitoramento e Melhoria Contínua
Estrutura de Observabilidade
- Painéis de desempenho em tempo real
- Loops de feedback de otimização automatizados
- Melhoria orientada por aprendizado de máquina
- Estratégias de otimização adaptativas
Fluxos de Trabalho de Referência
Fluxo de Trabalho 1: Otimização de Plataforma de E-Commerce
- Criação de perfil de desempenho inicial
- Otimização baseada em agentes
- Rastreamento de custo e desempenho
- Ciclo de melhoria contínua
Fluxo de Trabalho 2: Melhoria de Desempenho de API Empresarial
- Análise abrangente do sistema
- Otimização de agentes em várias camadas
- Refinamento iterativo de desempenho
- Estratégia de escalonamento com custo eficiente
Considerações Principais
- Sempre meça antes e depois da otimização
- Mantenha a estabilidade do sistema durante a otimização
- Equilibre ganhos de desempenho com consumo de recursos
- Implemente mudanças graduais e reversíveis
Otimização Alvo: $ARGUMENTS
Limitações
- Use este skill somente quando a tarefa corresponder claramente ao escopo descrito acima.
- Não trate a saída como substituta para validação, teste ou revisão especializada específica do ambiente.
- Pare e peça esclarecimentos se faltarem entradas necessárias, permissões, limites de segurança ou critérios de sucesso.