mcpField
W
worker-benchmarks

worker-benchmarks

github.com/ruvnet测试与质量80.0k1.1k 次安装今天更新
代码仓库

关于 worker-benchmarks

worker-benchmarks 是用于测量 agentic-flow worker 系统性能的技能。它提供触发器检测、注册表、Agent 选择、缓存、并发和内存键生成等基准测试，并支持命令行和编程调用。

主要功能

  1. 01测试触发器检测
  2. 02测量 worker 注册表操作
  3. 03测试 Agent 选择
  4. 04测试模型缓存性能
  5. 05测量并发 worker
  6. 06测试内存键生成

适用场景

  1. 01比较不同基准类型下的 worker 系统性能
  2. 02检查操作是否达到配置阈值
  3. 03通过代码或命令行运行基准测试

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/ruvnet/ruflo --skill worker-benchmarks

安装后在 Claude Code 中输入/worker-benchmarks确认已加载。

详细介绍

Worker 基准测试技能

对 agentic-flow worker 系统运行全面的性能基准测试。

快速开始

# Run full benchmark suite
npx agentic-flow workers benchmark

# Run specific benchmark
npx agentic-flow workers benchmark --type trigger-detection
npx agentic-flow workers benchmark --type registry
npx agentic-flow workers benchmark --type agent-selection
npx agentic-flow workers benchmark --type concurrent

基准测试类型

1. 触发检测（trigger-detection）

测试 12 个 worker 触发条件的关键词检测速度。

  • 目标：p95 < 5ms
  • 迭代次数：1000
  • 指标：延迟、吞吐量、直方图
2. Worker 注册表（registry）

测试 worker 条目的 CRUD 操作。

  • 目标：p95 < 10ms
  • 迭代次数：500 次创建、获取和更新
  • 指标：各操作的延迟明细
3. Agent 选择（agent-selection）

测试基于性能的 Agent 选择。

  • 目标：p95 < 1ms
  • 迭代次数：1000
  • 指标：选择置信度、Agent 评分
4. 模型缓存（cache）

测试模型缓存性能。

  • 目标：p95 < 0.5ms
  • 指标：命中率、缓存大小、驱逐统计
5. 并发 Worker（concurrent）

测试并行创建和更新 worker。

  • 目标：10 个 worker 用时 < 1000ms
  • 指标：各 worker 的延迟、内存用量
6. 内存键生成（memory-keys）

测试内存模式键的生成。

  • 目标：p95 < 0.1ms
  • 迭代次数：5000
  • 指标：唯一模式、吞吐量

输出格式

═══════════════════════════════════════════════════════════
📈 BENCHMARK RESULTS
═══════════════════════════════════════════════════════════

✅ Trigger Detection
   Operation: detect
   Count: 1,000
   Avg: 0.045ms | p95: 0.120ms (target: 5ms)
   Throughput: 22,222 ops$s
   Memory Δ: 0.12MB

✅ Worker Registry
   Operation: crud
   Count: 1,500
   Avg: 1.234ms | p95: 3.456ms (target: 10ms)
   Throughput: 810 ops$s
   Memory Δ: 2.34MB

───────────────────────────────────────────────────────────
📊 SUMMARY
───────────────────────────────────────────────────────────
Total Tests: 6
Passed: 6 | Failed: 0
Avg Latency: 0.567ms
Total Duration: 2345ms
Peak Memory: 8.90MB
═══════════════════════════════════════════════════════════

与设置集成

基准测试阈值配置在 .claude$settings.json 中：

{
  "performance": {
    "benchmarkThresholds": {
      "triggerDetection": { "p95Ms": 5 },
      "workerRegistry": { "p95Ms": 10 },
      "agentSelection": { "p95Ms": 1 },
      "memoryKeyGeneration": { "p95Ms": 0.1 },
      "concurrentWorkers": { "totalMs": 1000 }
    }
  }
}

编程方式使用

import { workerBenchmarks, runBenchmarks } from 'agentic-flow$workers$worker-benchmarks';

// Run full suite
const suite = await runBenchmarks();
console.log(suite.summary);

// Run individual benchmarks
const triggerResult = await workerBenchmarks.benchmarkTriggerDetection(1000);
const registryResult = await workerBenchmarks.benchmarkRegistryOperations(500);

性能优化提示

  1. 模型缓存：使用 CLAUDE_FLOW_MODEL_CACHE_MB=512 启用
  2. 并行 Worker：使用 CLAUDE_FLOW_WORKER_PARALLEL=true 启用
  3. 警告抑制：使用 CLAUDE_FLOW_SUPPRESS_WARNINGS=true 启用
  4. SQLite WAL 模式：自动启用，以提升并发性能

评论

支持 Markdown