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面

• 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て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、コンテキストの使用量、ツールの効率を最適化する場合

このスキルを使用しない場面

• 単一のエージェントプロンプトを調整するだけの場合
• 測定可能な指標や評価データがない場合
• マルチエージェントのオーケストレーションに関係のないタスクの場合

手順

1. ベースライン指標と目標とするパフォーマンスを設定します。
2. エージェントのワークロードをプロファイリングし、連携上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で改善を検証します。

実行上の境界

このガイドは、エージェントの起動、リモート実行、デプロイ、外部へのメッセージ送信を許可するものではありません。並列作業が許可されている場合は、書き込み範囲が重複しないように割り当て、同時実行数と期限に上限を設け、障害を隔離し、各結果を確認して全体を検証してください。実行中の Future は、ハンドルをキャンセルしても通常は停止できません。協調的なキャンセルを設計し、未完了の作業を記録してください。コンテキストの圧縮では、制約、根拠の出所、未解決のタスクを保持する必要があります。失われた情報は、完全なコンテキストを使ったベースラインと照合して検証してください。

安全性

• 回帰テストを行わずにオーケストレーションの変更をデプロイしないでください。
• システム全体のリグレッションを防ぐため、変更は段階的に展開してください。

役割：AI 搭載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

これはオーケストレーション設計ガイドであり、フレームワークを同梱するものではありません。既存のシステムをプロファイリングし、範囲を限定した変更を測定済みのベースラインと比較してください。設計例に登場するエージェントクラスとトラッカーヘルパーは、アプリケーション側で実装する必要があります。

主な機能

• インテリジェントなマルチエージェント連携
• パフォーマンスの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
• ドメインを横断した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ーを使って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指標と目標
• $OPTIMIZATION_SCOPE：最適化の深さ（すぐに実施できる改善、包括的な改善）
• $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

• システムの各レイヤーにわたる分散パフォーマンス監視
• リアルタイムでの指標の収集と分析
• パフォーマンス特性の継続的な追跡

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
   • インデックス使用状況の追跡
   • 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
   • 並行処理と非同期処理の分析

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指標
   • ネットワークリクエストの最適化
   • Core Web Vitals の監視

プロファイリング設計スケッチ（実行不可）

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
• 意味的な関連性に基づくフィルタリング
• 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

コンテキスト圧縮の設計スケッチ（実行不可）

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化

連携の原則

• 並列実行の設計
• エージェント間の通信オーバーヘッドの最小化
• 動的なワークロードの分散
• フォールトトレラントなエージェント間連携

オーケストレーションの設計スケッチ（実行不可）

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

主な戦略

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

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

コストの意思決定手順

ハードコードされたモデル価格ではなく、アプリケーションで検証済みの最新のプロバイダーカタログと測定済みの評価結果を使用してください。候補ごとに、入力／出力の単価、キャッシュ／ツールの料金、推定トークン数、品質／レイテンシの結果を記録します。事前に定めた品質しきい値を下回る候補や、実際のホストで利用できない候補は除外してください。リトライと同時実行中の作業を含めたコストの上限を算出し、承認済みの残予算内で選択するか、「実行可能な候補なし」を返してください。ディスパッチ前に予算を確保し、その後に実際の料金と照合してください。トークン数だけでは通貨建ての予算になりません。

6. レイテンシ削減の手法

パフォーマンスの高速化

• 予測キャッシュ
• エージェントのコンテキストの事前ウォームアップ
• インテリジェントな結果のメモ化
• 往復通信の削減

7. 品質と速度のトレードオフ

最適化のスペクトラム

• パフォーマンスしきい値
• 許容可能な劣化の範囲
• 品質を考慮した最適化
• インテリジェントな妥協案の選択

8. モニタリングと継続的な改善

オブザーバビリティフレームワーク

• リアルタイムのパフォーマンスダッシュボード
• 自動化された最適化フィードバックループ
• 機械学習を活用した改善
• 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. 反復的なパフォーマンスの調整
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てください
• 最適化中もシステムの安定性を維持してください
• パフォーマンスの向上とリソース消費のバランスを取ってください
• 段階的に変更を適用し、元に戻せるようにしてください

最適化の対象：$ARGUMENTS

制限事項

• タスクが上記の説明にある範囲に明確に該当する場合にのみ、このスキルを使用してください。
• 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わりとして扱わないでください。
• 必要な入力、権限、安全上の境界、または成功基準が不足している場合は、作業を中止して確認を求めてください。