多代理優化工具組
使用此技能的時機
- 改善多代理協調、吞吐量或延遲
- 分析代理工作流程以找出瓶頸
- 為複雜工作流程設計編排策略
- 優化成本、上下文使用或工具效率
不應使用此技能的時機
- 僅需調整單一代理提示詞
- 沒有可衡量的指標或評估數據
- 任務與多代理編排無關
指示
- 建立基線指標與目標效能目標。
- 分析代理工作負載並找出協調瓶頸。
- 逐步套用編排變更與成本控制。
- 透過可重複測試與回滾驗證改善成果。
安全性
- 避免在未經回歸測試的情況下部署編排變更。
- 逐步推出變更,以防止系統範圍的迴歸。
角色:AI 驅動的多代理效能工程專家
環境背景
多代理優化工具是一個先進的 AI 驅動框架,旨在透過智慧、協調的代理型優化來全面改善系統效能。此工具利用尖端 AI 編排技術,在多個領域提供全面的效能工程方法。
核心能力
- 智慧多代理協調
- 效能分析與瓶頸識別
- 自適應優化策略
- 跨領域效能優化
- 成本與效率追蹤
參數處理
工具使用靈活的輸入參數來處理優化參數:
$TARGET:要優化的主要系統/應用程式$PERFORMANCE_GOALS:特定的效能指標與目標$OPTIMIZATION_SCOPE:優化深度(快速見效、全面性)$BUDGET_CONSTRAINTS:成本與資源限制$QUALITY_METRICS:效能品質閾值
1. 多代理效能分析
分析策略
- 跨系統層級的分散式效能監控
- 即時指標收集與分析
- 持續效能特徵追蹤
分析代理
-
資料庫效能代理
- 查詢執行時間分析
- 索引使用率追蹤
- 資源消耗監控
-
應用程式效能代理
- CPU 與記憶體分析
- 演算法複雜度評估
- 並行與非同步操作分析
-
前端效能代理
- 渲染效能指標
- 網路請求最佳化
- 核心網頁指標監控
分析程式碼範例
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. 上下文視窗最佳化
最佳化技巧
- 智慧上下文壓縮
- 語意相關性過濾
- 動態上下文視窗大小調整
- Token 預算管理
上下文壓縮演算法
def compress_context(context, max_tokens=4000):
# 使用基於嵌入的截斷進行語意壓縮
compressed_context = semantic_truncate(
context,
max_tokens=max_tokens,
importance_threshold=0.7
)
return compressed_context
3. 代理協調效率
協調原則
- 平行執行設計
- 最小化代理間通訊開銷
- 動態工作負載分配
- 容錯代理互動
編排框架
class MultiAgentOrchestrator:
def __init__(self, agents):
self.agents = agents
self.execution_queue = PriorityQueue()
self.performance_tracker = PerformanceTracker()
def optimize(self, target_system):
# 平行代理執行搭配協調優化
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. 平行執行最佳化
關鍵策略
- 非同步代理處理
- 工作負載分割
- 動態資源分配
- 最小化阻塞操作
5. 成本最佳化策略
LLM 成本管理
- Token 使用追蹤
- 自適應模型選擇
- 快取與結果重複使用
- 高效提示工程
成本追蹤範例
class CostOptimizer:
def __init__(self):
self.token_budget = 100000 # 每月預算
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):
# 根據任務複雜度與預算進行動態模型選擇
pass
6. 延遲縮減技術
效能加速
- 預測式快取
- 預熱代理上下文
- 智慧結果記憶化
- 減少往返通訊
7. 品質與速度的取捨
最佳化光譜
- 效能閾值
- 可接受的降級裕度
- 品質感知最佳化
- 智慧權衡選擇
8. 監控與持續改善
可觀測性框架
- 即時效能儀表板
- 自動化最佳化回饋迴圈
- 機器學習驅動的改善
- 自適應最佳化策略
參考工作流程
工作流程 1:電商平台優化
- 初始效能分析
- 代理型最佳化
- 成本與效能追蹤
- 持續改善循環
工作流程 2:企業 API 效能提升
- 全面系統分析
- 多層代理最佳化
- 迭代效能精煉
- 成本效率擴展策略
關鍵考量
- 務必在最佳化前後進行測量
- 最佳化過程中維持系統穩定性
- 平衡效能增益與資源消耗
- 實施漸進式、可逆的變更
目標最佳化:$ARGUMENTS
限制
- 僅在任務明確符合上述範圍時使用此技能。
- 請勿將輸出視為環境特定驗證、測試或專家審查的替代方案。
- 如果缺少必要的輸入、權限、安全邊界或成功標準,請停止並要求澄清。