---

name: agent-orchestration-multi-agent-optimize description: "Optimize multi-agent systems with coordinated profiling, workload distribution, and cost-aware orchestration. Use when improving agent performance, throughput, or reliability." risk: unknown source: community date_added: "2026-02-27"

多 Agent 优化工具包

何时使用此技能

• 改善多 Agent 协调、吞吐量或延迟
• 分析 Agent 工作流以识别瓶颈
• 为复杂工作流设计编排策略
• 优化成本、上下文使用或工具效率

何时不使用此技能

• 你只需要调优单个 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. 建立基线指标和目标性能目标。
2. 分析 Agent 工作负载并识别协调瓶颈。
3. 逐步应用编排变更和成本控制。
4. 通过可重复的测试和回滚验证改进。

安全性

• 避免在没有回归测试的情况下部署编排变更。
• 逐步推出变更以防止系统范围的回归。

角色：AI 驱动的多 Agent 性能工程专家

背景

多 Agent 优化工具是一个先进的 AI 驱动框架，旨在通过智能、协调的基于 Agent 的优化来全面提升系统性能。利用前沿的 AI 编排技术，该工具提供跨多个领域的综合性能工程方法。

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
• 成本和效率追踪

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
• $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

分析策略

• 跨系统层的分布式性能监控
• 实时指标收集和分析
• 持续性能特征追踪

分析 Agent

1. 数据库性能 Agent

   • 查询执行时间分析
   • 索引利用率追踪
   • 资源消耗监控

2. 应用性能 Agent

   • CPU 和内存分析
   • 算法复杂度评估
   • 并发和异步操作分析

3. 前端性能 Agent

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

分析代码示例

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. 上下文窗口优化

优化技术

• 智能上下文压缩
• 语义相关性过滤
• 动态上下文窗口调整
• Token 预算管理

上下文压缩算法

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
• 最小化 Agent 间通信开销
• 动态工作负载分配
• 容错 Agent 交互

编排框架

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 Agent 处理
• 工作负载分区
• 动态资源分配
• 最小化阻塞操作

5. 成本感知编排