agent-orchestration-multi-agent-optimize
Optimieren Sie Multi-Agenten-Systeme für Höchstleistung
Multi-Agenten-Workflows leiden häufig unter Koordinationsengpässen und unkontrollierten Kosten. Diese Fähigkeit bietet Profiling, Orchestrierungsstrategien und Kostenkontrollen zur Maximierung der Effizienz.
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“agent-orchestration-multi-agent-optimize”。 Profilierung eines 3-Agenten-Systems für E-Commerce-Empfehlungen
预期结果:
Profiling identifizierte Database Agent als primären Engpass (durchschn. 450ms Abfragezeit). Application Agent zeigt effiziente CPU-Auslastung (12%). Frontend Agent zeigt Render-Verzögerungen bei Spitzentraffic. Empfohlen: Datenbankindizierung hinzufügen, Query-Caching implementieren, nicht-kritische Frontend-Updates zurückstellen.
正在使用“agent-orchestration-multi-agent-optimize”。 Kostenoptimierung für Kundenservice-Agenten-Cluster
预期结果:
Kostenanalyse: 68% der Tokens vom Complex Reasoning Agent verwendet. Empfehlung: Einfache Anfragen an Haiku routen (spart 83%), Sonnet für komplexe Fälle reservieren. Antwort-Caching für FAQs implementieren. Projizierte Einsparungen: 52% monatliche Kostenreduktion.
正在使用“agent-orchestration-multi-agent-optimize”。 Parallele Orchestrierung für Datenverarbeitungspipeline entwerfen
预期结果:
Orchestrierungsplan: 4 parallele Agenten (Validierung, Anreicherung, Transformation, Speicherung). Thread-Pool-Executor mit 8 Workern. Fehlertoleranz: fehlgeschlagene Agenten 2x wiederholen, Checkpoint nach jeder Stufe. Erwarteter Durchsatz: 3,2x Verbesserung gegenüber sequentieller Ausführung.
安全审计
安全All 18 static analysis findings are false positives. The file is documentation-only (SKILL.md) containing Python code examples in markdown blocks. The static analyzer incorrectly identified markdown code fences as Ruby shell execution and misread documentation text as weak cryptography. No executable code, network calls, or dangerous patterns exist.
质量评分
你能构建什么
E-Commerce-Plattform-Optimierung
Profilierung und Optimierung eines Multi-Agenten-Systems für Produktempfehlungen, Lagerverwaltung und Kundenservice einer E-Commerce-Plattform.
Unternehmens-API-Leistungsverbesserung
Analyse und Verbesserung der mehrschichtigen Agenten-Orchestrierung für Unternehmens-APIs mit hohen Durchsatzanforderungen.
Kostenreduktion für KI-Workflows
Implementierung von Kostenkontrollen und adaptiver Modellauswahl zur Reduzierung von LLM-Ausgaben bei Einhaltung von Qualitätsstandards.
试试这些提示
Analysieren Sie mein Multi-Agenten-System und identifizieren Sie die 3 wichtigsten Engpässe, die den Durchsatz beeinträchtigen. Aktuelle Einrichtung: [Agenten und ihre Rollen beschreiben]. Zielmetriken: [Ziele spezifizieren].
Entwerfen Sie eine Orchestrierungsstrategie für meinen Multi-Agenten-Workflow. Beteiligte Agenten: [Agenten auflisten]. Einschränkungen: [Budget, Latenz, Qualitätsanforderungen]. Bereitstellen eines parallelen Ausführungsplans und Fallback-Strategien.
Überprüfen Sie die Token-Nutzung meiner Agenten und empfehlen Sie Kostenoptimierungsstrategien. Aktuelle monatliche Ausgaben: [Betrag]. Agenten und ihre Funktionen: [Details]. Qualitätsschwellen: [Anforderungen]. Vorschlagen von Modellauswahl- und Caching-Strategien.
Durchführung einer umfassenden Optimierung meines Multi-Agenten-Systems. Basislinienmetriken: [aktuelle Leistungsdaten bereitstellen]. Zielverbesserungen: [spezifische Ziele]. Einschränkungen: [Budget, Zeitplan, Qualität]. Liefern Sie Profiling-Ergebnisse, Orchestrierungsänderungen und einen Rollback-Plan.
最佳实践
- Stets Basislinienmetriken vor der Optimierung festlegen, um Verbesserungen genau messen zu können
- Graduelle Rollouts mit Rollback-Funktion implementieren, um systemweite Regressionen zu verhindern
- Leistungssteigerungen gegen Ressourcenverbrauch abwägen und Systemstabilität erhalten
避免
- Orchestrierungsänderungen ohne Regressionstests und Validierung bereitstellen
- Optimierung für Geschwindigkeit auf Kosten von Qualitätsschwellen und akzeptablen Margen
- Irreversible Änderungen vornehmen, ohne Vorher-Nachher-Leistung zu messen