agent-orchestration-multi-agent-optimize

多 Agent 优化工具包

适用场景

• 改进多 Agent 协调、吞吐量或延迟
• 对 Agent 工作流进行性能分析，找出瓶颈
• 为复杂工作流设计编排策略
• 优化成本、上下文用量或工具效率

不适用场景

• 只需调整单个 Agent 的提示词
• 没有可衡量的指标或评估数据
• 任务与多 Agent 编排无关

说明

1. 确定基线指标和目标性能。
2. 对 Agent 工作负载进行性能分析，并找出协调瓶颈。
3. 逐步应用编排变更和成本控制措施。
4. 通过可重复的测试和回滚验证改进效果。

执行边界

本指南不授权启动 Agent、远程执行、部署或发送外部消息。在获准并行工作时，应分配互不重叠的写入权限，限制并发数量和截止时间，隔离故障，检查每项结果并验证汇总结果。取消运行中任务的句柄通常无法停止该任务；应设计协作式取消机制，并记录未完成的工作。压缩上下文时，必须保留约束、证据来源和未解决的任务；应通过与完整上下文基线对比，验证信息损失。

安全

• 未经回归测试，不要部署编排变更。
• 逐步推出变更，以防系统范围内的回归问题。

角色：AI 驱动的多 Agent 性能工程专家

背景

本指南介绍编排设计，不包含打包的框架。应分析现有系统，并将范围明确的变更与经过测量的基线进行比较。设计示例中提及的 Agent 类和跟踪辅助工具，必须在应用程序中实现。

核心能力

• 智能多 Agent 协调
• 性能分析和瓶颈识别
• 自适应优化策略
• 跨领域性能优化
• 成本和效率跟踪

参数处理

该工具使用灵活的输入参数处理优化参数：

• $TARGET：要优化的主要系统／应用程序
• $PERFORMANCE_GOALS：具体的性能指标和目标
• $OPTIMIZATION_SCOPE：优化深度（快速见效、全面优化）
• $BUDGET_CONSTRAINTS：成本和资源限制
• $QUALITY_METRICS：性能质量阈值

1. 多 Agent 性能分析

性能分析策略

• 跨系统层进行分布式性能监控
• 实时收集和分析指标
• 持续跟踪性能特征

性能分析 Agent

1. 数据库性能 Agent

   • 分析查询执行时间
   • 跟踪索引使用情况
   • 监控资源消耗

2. 应用程序性能 Agent

   • 分析 CPU 和内存使用情况
   • 评估算法复杂度
   • 分析并发和异步操作

3. 前端性能 Agent

   • 渲染性能指标
   • 优化网络请求
   • 监控 Core Web Vitals

性能分析设计草图（不可执行）

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. 上下文窗口优化

优化技术

• 智能上下文压缩
• 语义相关性筛选
• 动态调整上下文窗口大小
• Token 预算管理

上下文压缩设计草图（不可执行）

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. Agent 协调效率

协调原则

• 并行执行设计
• 尽量减少 Agent 间通信开销
• 动态分配工作负载
• 容错式 Agent 交互

编排设计草图（不可执行）

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. 并行执行优化

关键策略

• 异步处理 Agent 任务
• 划分工作负载
• 动态分配资源
• 尽量减少阻塞操作

5. 成本优化策略

LLM 成本管理

• 跟踪 Token 用量
• 自适应模型选择
• 缓存并复用结果
• 高效编写提示词

成本决策流程

使用应用经过验证的当前提供商目录和实测评估结果，而非硬编码的模型价格。对于每个候选项，记录输入／输出单价、缓存／工具费用、预估 token 数以及质量／延迟结果。排除低于预设质量阈值或在实际主机上不可用的候选项。计算包含重试和并发工作的成本上限；在获批的剩余货币预算内选择，或返回“无可行候选项”。调度前预留预算，之后核对实际费用。token 数不能代替货币预算。

6. 延迟降低技术

性能加速

• 预测性缓存
• 预热 Agent 上下文
• 智能结果记忆
• 减少往返通信

7. 质量与速度的权衡

优化范围

• 性能阈值
• 可接受的退化幅度
• 质量感知型优化
• 智能折中选择

8. 监控与持续改进

可观测性框架

• 实时性能仪表板
• 自动化优化反馈循环
• 由机器学习驱动的改进
• 自适应优化策略

参考工作流

工作流 1：电子商务平台优化

1. 初始性能分析
2. 基于 Agent 的优化
3. 成本与性能跟踪
4. 持续改进周期

工作流 2：企业 API 性能增强

1. 全面系统分析
2. 多层 Agent 优化
3. 迭代式性能优化
4. 高性价比扩展策略

关键注意事项

• 优化前后务必进行测量
• 优化期间保持系统稳定
• 平衡性能提升与资源消耗
• 实施渐进且可逆的更改

目标优化：$ARGUMENTS

限制

• 仅当任务明确符合上述范围时，才使用此技能。
• 不要将输出视为针对特定环境的验证、测试或专家审查的替代品。
• 如果缺少所需输入、权限、安全边界或成功标准，请停止并要求澄清。