---

name: agent-orchestration-improve-agent description: "通过性能分析、提示词工程和持续迭代系统性改进现有智能体。" risk: unknown source: community date_added: "2026-02-27"

智能体性能优化工作流

通过性能分析、提示词工程和持续迭代系统性改进现有智能体。

[扩展思考：智能体优化需要数据驱动的方法，结合性能指标、用户反馈分析和高级提示词工程技术。成功取决于系统性评估、针对性改进和严格测试，以及生产安全的回滚能力。]

何时使用此技能

• 改进现有智能体的性能或可靠性
• 分析故障模式、提示词质量或工具使用
• 运行结构化 A/B 测试或评估套件
• 设计智能体的迭代优化工作流

不适用场景

• 从零开始构建全新智能体
• 没有可用的指标、反馈或测试用例
• 任务与智能体性能或提示词质量无关

操作指南

1. 建立基线指标并收集代表性示例。
2. 识别故障模式并优先处理高影响修复。
3. 应用提示词和工作流改进，设定可衡量目标。
4. 通过测试验证并在受控阶段推出变更。

安全

• 避免在没有回归测试的情况下部署提示词变更。
• 如果质量或安全指标回退，快速回滚。

阶段 1：性能分析和基线指标

使用 context-manager 进行历史数据收集的全面智能体性能分析。

1.1 收集性能数据

Use: context-manager
Command: analyze-agent-performance $ARGUMENTS --days 30

收集的指标包括：

• 任务完成率（成功 vs 失败任务）
• 响应准确性和事实正确性
• 工具使用效率（正确工具、调用频率）
• 平均响应时间和 token 消耗
• 用户满意度指标（修正、重试）
• 幻觉事件和错误模式

1.2 用户反馈模式分析

识别用户交互中的重复模式：

• 修正模式: 用户持续修改输出的位置
• 澄清请求: 常见的歧义区域
• 任务放弃: 用户放弃的节点
• 后续问题: 响应不完整的指标
• 正面反馈: 需要保留的成功模式

1.3 故障模式分类

按根因分类故障：

• 指令误解: 角色或任务混淆
• 输出格式错误: 结构或格式问题
• 上下文丢失: 长对话退化
• 工具误用: 不正确或低效的工具选择
• 约束违反: 安全或业务规则违规
• 边缘情况处理: 异常输入场景

1.4 基线性能报告

生成定量基线指标：

性能基线：
- 任务成功率: [X%]
- 每任务平均修正次数: [Y]
- 工具调用效率: [Z%]
- 用户满意度评分: [1-10]
- 平均响应延迟: [Xms]
- Token 效率比: [X:Y]

阶段 2：提示词工程改进

使用 prompt-engineer 智能体应用高级提示词优化技术。

2.1 思维链增强

实现结构化推理模式：

Use: prompt-engineer
Technique: chain-of-thought-optimization

• 添加明确的推理步骤："让我们逐步处理..."
• 包含自我验证检查点："在继续之前，验证..."
• 对复杂任务实现递归分解
• 添加推理轨迹可见性用于调试

2.2 少样本示例优化

从成功交互中策划高质量示例：

• 选择多样化示例 覆盖常见用例
• 包含边缘情况 之前失败的案例
• 展示正面和负面示例 附带解释
• 排序示例 从简单到复杂
• 标注示例 关键决策点

示例结构：

好的示例：
输入: [用户请求]
推理: [逐步思考过程]
输出: [成功响应]
为什么有效: [关键成功因素]

坏的示例：
输入: [类似请求]
输出: [失败响应]
为什么失败: [具体问题]
正确方法: [修正版本]

2.3 角色定义细化

强化智能体身份和能力：

• 核心目的: 清晰的单句使命
• 专业领域: 具体知识领域
• 行为特征: 个性和交互风格
• 工具熟练度: 可用工具及使用时机
• 约束: 智能体不应做什么
• 成功标准: 如何衡量任务完成

2.4 宪法 AI 集成

实现自我纠正机制：

Constitutional Principles:
1. Verify factual accuracy be