agent-orchestration-multi-agent-optimize

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、またはレイテンシーを改善するとき
• エージェントのワークフローをプロファイリングしてボトルネックを特定するとき
• 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とき
• コスト、コンテキスト使用量、またはツール効率を最適化するとき

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とき
• 測定可能なメトリクスや評価データが存在しないとき
• タスクがマルチエージェントオーケストレーションと無関係であるとき

手順

1. ベースラインメトリクスと目標パフォーマンスを確立します。
2. エージェントのワークロードをプロファイリングし、連携のボトルネックを特定します。
3. オーケストレーションの変更とコスト管理を段階的に適用します。
4. 再現可能なテストとロールバックによって改善を検証します。

安全性

• 回帰テストなしでオーケストレーションの変更をデプロイすることは避けてください。
• システム全体のリグレッションを防ぐため、変更は段階的にロールアウトしてください。

役割: AI を活用したマルチエージェントパフォーマンスエンジニアリングのスペシャリスト

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協調的な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全体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、このツールは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への包括的なアプローチを提供します。

中核機能

• インテリジェントなマルチエージェント連携
• パフォーマンスプロファイリングとボトルネックの特定
• 適応型の最適化戦略
• ドメイン横断の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: 最適化する主要なシステム／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 (quick-win、comprehensive)
• $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の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

• システム層をまたぐ分散パフォーマンス監視
• リアルタイムの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の追跡

プロファイリングエージェント

1. データベースパフォーマンスエージェント

   • クエリ実行時間の分析
   • インデックス使用率の追跡
   • リソース消費の監視

2. アプリケーションパフォーマンスエージェント

   • CPU とメモリのプロファイリング
   • アルゴリズムの計算量評価
   • 並行処理と非同期操作の分析

3. 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のメトリクス
   • ネットワークリクエストの最適化
   • Core Web Vitals の監視

プロファイリングコードの例

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の最適化

最適化手法

• インテリジェントなコンテキスト圧縮
• セマンティックな関連性フィルタリング
• 動的なコンテキストウィンドウのサイズ変更
• トークン予算の管理

コンテキスト圧縮アルゴリズム

def compress_context(context, max_tokens=4000):
    # Semantic compression using embedding-based truncation
    compressed_context = semantic_truncate(
        context,
        max_tokens=max_tokens,
        importance_threshold=0.7
    )
    return compressed_context

3. エージェント連携の効率

連携の原則

• 並列実行の設計
• エージェント間通信のオーバーヘッド最小化
• 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間のやり取り

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):
        # Parallel agent execution with coordinated optimization
        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. 並列実行の最適化

主要な戦略

• 非同期のエージェント処理
• ワークロードの分割
• 動的なリソース割り当て
• ブロッキング操作の最小化

5. コスト最適化戦略

LLM のコスト管理

• トークン使用量の追跡
• 適応型のモデル選択
• キャッシュと結果の再利用
• 効率的なプロンプトエンジニアリング

コスト追跡の例

class CostOptimizer:
    def __init__(self):
        self.token_budget = 100000  # Monthly budget
        self.token_usage = 0
        self.model_costs = {  # USD per 1K input tokens
            'gpt-5': 0.03,
            'claude-sonnet-4-6': 0.003,
            'claude-haiku-4-5': 0.001
        }

    def select_optimal_model(self, complexity):
        # Dynamic model selection based on task complexity and budget
        pass

6. レイテンシー削減の手法

パフォーマンスの加速

• 予測キャッシュ
• エージェントコンテキストの事前ウォーミング
• インテリジェントな結果のメモ化
• 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

最適化のスペクトル

• パフォーマンスのしきい値
• 許容できる劣化の範囲
• 品質を考慮した最適化
• インテリジェントな妥協点の選択

8. 監視と継続的な改善

可観測性フレームワーク

• リアルタイムのパフォーマンスダッシュボード
• 最適化のフィードバックループを自動化
• 機械学習による改善
• 適応型の最適化戦略

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の最適化

1. 初期パフォーマンスのプロファイリング
2. エージェントベースの最適化
3. コストとパフォーマンスの追跡
4. 継続的な改善サイクル

ワークフロー 2：エンタープライズ API のパフォーマンス向上

1. システムの包括的な分析
2. 多層的なエージェント最適化
3. パフォーマンスの反復的な改善
4. コスト効率の高いスケーリング戦略

主な考慮事項

• 最適化の前後で必ず測定します
• 最適化中もシステムの安定性を維持します
• パフォーマンスの向上とリソース消費のバランスを取ります
• 段階的で元に戻せる変更を実施します

最適化対象：$ARGUMENTS