Fähigkeiten agent-orchestration-multi-agent-optimize
📦

agent-orchestration-multi-agent-optimize

Sicher

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.

Unterstützt: Claude Codex Code(CC)
🥉 75 Bronze
1

Die Skill-ZIP herunterladen

2

In Claude hochladen

Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen

3

Einschalten und loslegen

Teste es

Verwendung von "agent-orchestration-multi-agent-optimize". Profilierung eines 3-Agenten-Systems für E-Commerce-Empfehlungen

Erwartetes Ergebnis:

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.

Verwendung von "agent-orchestration-multi-agent-optimize". Kostenoptimierung für Kundenservice-Agenten-Cluster

Erwartetes Ergebnis:

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.

Verwendung von "agent-orchestration-multi-agent-optimize". Parallele Orchestrierung für Datenverarbeitungspipeline entwerfen

Erwartetes Ergebnis:

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.

Sicherheitsaudit

Sicher
v1 • 2/24/2026

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.

1
Gescannte Dateien
242
Analysierte Zeilen
0
befunde
1
Gesamtzahl Audits
Keine Sicherheitsprobleme gefunden
Auditiert von: claude

Qualitätsbewertung

38
Architektur
100
Wartbarkeit
87
Inhalt
50
Community
100
Sicherheit
100
Spezifikationskonformität

Was du bauen kannst

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.

Probiere diese Prompts

Schnelle Leistungsbewertung 
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].
Orchestrierungsstrategie-Entwurf 
Entwerfen Sie eine Orchestrierungsstrategie für meinen Multi-Agenten-Workflow. Beteiligte Agenten: [Agenten auflisten]. Einschränkungen: [Budget, Latenz, Qualitätsanforderungen]. Bereitstellen eines parallelen Ausführungsplans und Fallback-Strategien.
Kostenoptimierungsanalyse 
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.
End-to-End-Leistungsoptimierung 
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.

Bewährte Verfahren

  • 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

Vermeiden

  • 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

Häufig gestellte Fragen

Welche Arten von Systemen kann diese Fähigkeit optimieren?
Diese Fähigkeit funktioniert mit allen Multi-Agenten-Systemen, einschließlich KI-Workflows, verteilten Verarbeitungspipelines, Microservices mit KI-Komponenten und automatisierten Task-Orchestrierungssystemen.
Brauche ich ein bestehendes Performance-Monitoring?
Bestehendes Monitoring ist zwar hilfreich, aber nicht erforderlich. Die Fähigkeit umfasst Agenten-Profiling, das Basislinien von Grund auf erstellen kann. Vorhandene Metriken beschleunigen jedoch den Optimierungsprozess.
Wie werden Kostenoptimierungen ohne Qualitätseinbußen umgesetzt?
Kostenstrategien verwenden adaptive Modellauswahl basierend auf Aufgabenkomplexität, Caching für wiederholte Anfragen und Token-Budget-Verwaltung. Qualitätsschwellen werden im Voraus definiert und alle Optimierungen respektieren diese Grenzen.
Kann diese Fähigkeit Single-Agent-Systeme optimieren?
Diese Fähigkeit ist speziell für Multi-Agenten-Koordination konzipiert. Für Single-Agent-Optimierung sollten Prompt-Tuning- oder Modellauswahl-Fähigkeiten in Betracht gezogen werden. Kosten- und Kontextoptimierungstechniken können jedoch dennoch anwendbar sein.
Was passiert, wenn die Optimierung die Leistung verschlechtert?
Die Fähigkeit betont graduelle, reversible Änderungen mit Rollback-Plänen. Basislinienmetriken ermöglichen die Erkennung von Regressionen. Alle Änderungen sollten vor der vollständigen Bereitstellung mit wiederholbaren Tests validiert werden.
Funktioniert dies mit Claude, Codex und Claude Code?
Ja, diese Fähigkeit ist mit Claude, Codex und Claude Code kompatibel. Die Orchestrierungsstrategien und Kostenoptimierungstechniken funktionieren über alle unterstützten KI-Plattformen hinweg.

Entwicklerdetails

Autor

sickn33

Lizenz

MIT

Repository

https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/agent-orchestration-multi-agent-optimize

Ref

main

Dateistruktur

📄 SKILL.md