agent-orchestration-multi-agent-optimize
優化多智能體系統以達到最佳效能
多智能體工作流常因協調瓶頸和未管理的成本而受影響。此技能提供分析、編排策略和成本控制，以最大化效率。
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”。 分析電商推薦的 3 智能體系統
预期结果:
分析識別資料庫智能體為主要瓶頸（平均 450ms 查詢時間）。應用程式智能體顯示高效 CPU 使用率（12%）。前端智能體在高峰流量期間有渲染延遲。建議：新增資料庫索引、實施查詢快取、延遲非關鍵前端更新。
正在使用“agent-orchestration-multi-agent-optimize”。 優化客戶服務智能體群組的成本
预期结果:
成本分析：68% 的 tokens 由複雜推理智能體使用。建議：將簡單查詢路由至 Haiku（節省 83%），保留 Sonnet 用於複雜案例。實施 FAQ 回應快取。預計節省：52% 每月成本降低。
正在使用“agent-orchestration-multi-agent-optimize”。 為資料處理管線設計平行編排
预期结果:
編排計劃：4 個平行智能體（驗證、豐富化、轉換、儲存）。執行緒池執行器含 8 個工作者。容錯：重試失敗智能體 2 次，每階段後檢查點。預期吞吐量：較順序執行改善 3.2 倍。
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
電商平台優化
分析和優化處理產品推薦、庫存管理和客戶服務的多智能體系統。
企業 API 效能增強
分析和改善具有高吞吐量需求的企業 API 的多層智能體編排。
AI 工作流成本降低
實施成本控制和自適應模型選擇以降低 LLM 開支，同時維持品質門檻。
试试这些提示
分析我的多智能體系統並識別影響吞吐量的前 3 個瓶頸。目前設定：[描述智能體及其角色]。目標指標：[指定目標]。
為我的多智能體工作流設計編排策略。涉及的智能體：[列出智能體]。限制：[預算、延遲、品質要求]。提供平行執行計劃和備援策略。
檢視我的智能體 token 使用情況並推薦成本優化策略。目前每月支出：[金額]。智能體及其功能：[詳情]。品質門檻：[要求]。建議模型選擇和快取策略。
對我的多智能體系統進行全面優化。基準指標：[提供目前效能數據]。目標改善：[具體目標]。限制：[預算、時程、品質]。交付分析結果、編排變更和回滾計劃。
最佳实践
- 優化前務必建立基準指標以準確衡量改善
- 實施漸進式發布並具備回滾能力以防止系統層級回歸
- 在效能提升與資源消耗之間取得平衡並維持系統穩定性
避免
- 未經回歸測試和驗證即部署編排變更
- 以速度為優化目標而犧牲品質門檻和可接受邊際
- 未衡量前後效能即進行不可逆的變更