Compétences agent-orchestration-multi-agent-optimize
📦

agent-orchestration-multi-agent-optimize

Sûr

Optimisez les systèmes multi-agents pour des performances maximales

Les flux de travail multi-agents souffrent souvent de goulots d'étranglement de coordination et de coûts non maîtrisés. Cette compétence fournit des stratégies de profilage, d'orchestration et de contrôle des coûts pour maximiser l'efficacité.

Prend en charge: Claude Codex Code(CC)
🥉 75 Bronze
1

Télécharger le ZIP du skill

2

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

3

Activez et commencez à utiliser

Tester

Utilisation de "agent-orchestration-multi-agent-optimize". Profile a 3-agent system for e-commerce recommendations

Résultat attendu:

Profiling identified Database Agent as primary bottleneck (avg 450ms query time). Application Agent shows efficient CPU usage (12%). Frontend Agent has render delays during peak traffic. Recommended: Add database indexing, implement query caching, defer non-critical frontend updates.

Utilisation de "agent-orchestration-multi-agent-optimize". Optimize costs for customer service agent cluster

Résultat attendu:

Cost analysis: 68% of tokens used by complex reasoning agent. Recommendation: Route simple queries to Haiku (saves 83%), reserve Sonnet for complex cases. Implement response caching for FAQs. Projected savings: 52% monthly cost reduction.

Utilisation de "agent-orchestration-multi-agent-optimize". Design parallel orchestration for data processing pipeline

Résultat attendu:

Orchestration plan: 4 parallel agents (validation, enrichment, transformation, storage). Thread pool executor with 8 workers. Fault tolerance: retry failed agents 2x, checkpoint after each stage. Expected throughput: 3.2x improvement over sequential execution.

Audit de sécurité

Sûr
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
Fichiers analysés
242
Lignes analysées
0
résultats
1
Total des audits
Aucun problème de sécurité trouvé
Audité par: claude

Score de qualité

38
Architecture
100
Maintenabilité
87
Contenu
50
Communauté
100
Sécurité
100
Conformité aux spécifications

Ce que vous pouvez construire

Optimisation de plateforme e-commerce

Profiler et optimiser un système multi-agents gérant les recommandations de produits, la gestion des stocks et le service client pour une plateforme e-commerce.

Amélioration des performances d'API d'entreprise

Analyser et améliorer l'orchestration d'agents multi-couches pour les API d'entreprise avec des exigences de débit élevé.

Réduction des coûts pour les flux de travail IA

Implémenter des contrôles de coûts et une sélection adaptative de modèles pour réduire les dépenses LLM tout en maintenant les seuils de qualité.

Essayez ces prompts

Évaluation rapide des performances 
Analyze my multi-agent system and identify the top 3 bottlenecks affecting throughput. Current setup: [describe agents and their roles]. Target metrics: [specify goals].
Conception de stratégie d'orchestration 
Design an orchestration strategy for my multi-agent workflow. Agents involved: [list agents]. Constraints: [budget, latency, quality requirements]. Provide parallel execution plan and fallback strategies.
Analyse d'optimisation des coûts 
Review my agent token usage and recommend cost optimization strategies. Current monthly spend: [amount]. Agents and their functions: [details]. Quality thresholds: [requirements]. Suggest model selection and caching strategies.
Réglage de performance de bout en bout 
Conduct comprehensive optimization of my multi-agent system. Baseline metrics: [provide current performance data]. Target improvements: [specific goals]. Constraints: [budget, timeline, quality]. Deliver profiling results, orchestration changes, and rollback plan.

Bonnes pratiques

  • Toujours établir des métriques de référence avant l'optimisation pour mesurer l'amélioration avec précision
  • Implémenter des déploiements progressifs avec capacité de rollback pour prévenir les régressions système
  • Équilibrer les gains de performance contre la consommation de ressources et maintenir la stabilité du système

Éviter

  • Déployer des modifications d'orchestration sans tests de régression et validation
  • Optimiser pour la vitesse au détriment des seuils de qualité et des marges acceptables
  • Apporter des modifications irréversibles sans mesurer les performances avant et après

Foire aux questions

Quels types de systèmes cette compétence peut-elle optimiser ?
Cette compétence fonctionne avec tout système multi-agents, y compris les flux de travail IA, les pipelines de traitement distribués, les microservices avec composants IA et les systèmes d'orchestration de tâches automatisées.
Dois-je avoir une surveillance des performances existante en place ?
Bien qu'utile, une surveillance existante n'est pas requise. La compétence inclut des agents de profilage qui peuvent établir des références à partir de zéro. Cependant, disposer de métriques accélère le processus d'optimisation.
Comment les optimisations de coûts sont-elles implémentées sans compromettre la qualité ?
Les stratégies de coûts utilisent la sélection adaptative de modèles basée sur la complexité des tâches, la mise en cache pour les requêtes répétées et la gestion du budget de tokens. Les seuils de qualité sont définis au préalable et toutes les optimisations respectent ces limites.
Cette compétence peut-elle optimiser les systèmes à agent unique ?
Cette compétence est spécifiquement conçue pour la coordination multi-agents. Pour l'optimisation d'agent unique, envisagez le réglage de prompts ou les compétences de sélection de modèles. Cependant, les techniques d'optimisation des coûts et du contexte peuvent toujours s'appliquer.
Que se passe-t-il si l'optimisation dégrade les performances ?
La compétence privilégie les modifications progressives et réversibles avec des plans de rollback. Les métriques de référence permettent de détecter les régressions. Toutes les modifications doivent être validées avec des tests reproductibles avant déploiement complet.
Cela fonctionne-t-il avec Claude, Codex et Claude Code ?
Oui, cette compétence est compatible avec Claude, Codex et Claude Code. Les stratégies d'orchestration et les techniques d'optimisation des coûts fonctionnent sur toutes les plateformes IA prises en charge.

Détails du développeur

Auteur

sickn33

Licence

MIT

Dépôt

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

Réf

main

Structure de fichiers

📄 SKILL.md