SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场auto-claude-optimization

auto-claude-optimization

智能体与模型

查看项目

更新于 10-15 10:52

技能介绍

Auto-Claude Optimization 是一套面向 Auto-Claude 自动化构建流程的性能调优与成本管理参考，主题为「性能调优、成本降低与效率提升」。

【用途】 用于优化 Token 用量、降低 API 成本、提升构建速度，以及对智能体进行调参。技能开头列出的关键指标与对应优化方向包括：API 延迟（影响构建速度，通过模型选择与缓存优化）、Token 用量（影响成本，通过提示词效率与上下文限制优化）、记忆查询（影响速度，通过嵌入模型与索引调优优化）、构建迭代次数（影响耗时，通过规格质量与 QA 设置优化）。

【主要能力】

  1. 模型优化 提供模型对比表：claude-opus-4-5-20251101 速度慢、成本高、质量最佳，适合复杂功能；claude-sonnet-4-5-20250929 速度快、成本中等、质量良好，适合标准功能。可通过 .env 中的 AUTO_BUILD_MODEL 覆盖模型，示例为 AUTO_BUILD_MODEL=claude-sonnet-4-5-20250929。

  2. 扩展思考 Token（Extended Thinking） 按智能体给出默认值与建议值：Spec 创建默认 16000（建议保持以保证质量）；Planning 默认 5000（建议降至 3000 提速）；Coding 默认 0（建议保持禁用）；QA Review 默认 10000（建议降至 5000 提速）。智能体配置中可设置 max_thinking_tokens=5000 或设为 None 禁用。

  3. Token 优化 包括缩小上下文（保持规格文件简洁，例如用 500 词清晰标准替代 5000 词；在 context/builder.py 中把 MAX_CONTEXT_FILES 从 100 降到 50；使用定向搜索而非全代码库扫描）、精简提示词（在 apps/backend/prompts/ 中优化系统提示，示例：将冗长描述改为 “Expert full-stack developer. Build production-quality code. Follow existing patterns. Test thoroughly.”）。

  4. 记忆优化 可配置 OPENAI_EMBEDDING_MODEL=text-embedding-3-small，或使用离线方案 OLLAMA_EMBEDDING_MODEL=all-minilm 并设置 OLLAMA_EMBEDDING_DIM=384。

  5. 速度优化 启用更多并行智能体 MAX_PARALLEL_AGENTS=8（默认 4）；限制 QA 循环 MAX_QA_ITERATIONS=10（默认 50）；快速迭代可跳过 QA：python run.py --spec 001 --skip-qa；更快创建规格：python spec_runner.py --task "Fix typo" --complexity simple，或通过 SKIP_RESEARCH_PHASE=true 跳过研究阶段；API 超时调优 API_TIMEOUT_MS=120000（默认 10 分钟）。

  6. 成本管理 启用成本追踪 ENABLE_COST_TRACKING=true，并可用 python usage_report.py --spec 001 查看用量报告。降低成本策略包括：简单任务用更便宜模型、限制上下文窗口 MAX_CONTEXT_TOKENS=50000（默认 100000）、批量处理相似任务、记忆系统使用本地模型（Graphiti 走 Ollama）。成本估算表给出按操作与模型估算的 Token 量与费用，覆盖简单/标准/复杂规格以及简单/标准/复杂构建。

  7. 记忆系统优化 嵌入性能可选 text-embedding-3-small（1536 维，快）或 text-embedding-3-large（3072 维，质量高但慢），或离线免费方案 Ollama all-minilm。查询优化包括限制搜索结果数量 memory.search("query", limit=10)、启用语义缓存 ENABLE_MEMORY_CACHE=true。数据库维护提供压缩数据库与清理旧片段的 Python 命令：python query_memory.py --cleanup --older-than 30d。

  8. 构建效率 强调规格质量等于构建速度，给出好的验收标准示例（登录、错误提示、重定向、会话保持 24 小时）与差的示例（“Login works”）。子任务粒度建议每个 30-60 分钟工作量：过大智能体会卡住并需要恢复，过小则每个子任务有额外开销。并行工作部分展示主编码智能体派生前端、后端、测试三个并行子智能体的结构。

  9. 环境调优与资源限制 给出面向性能的 .env 配置示例，包含 AUTO_BUILD_MODEL、API_TIMEOUT_MS、MAX_PARALLEL_AGENTS、Graphiti 的 Ollama 提供者与模型、OLLAMA_LLM_MODEL=llama3.2:3b、嵌入模型与维度，以及 DEBUG=false、ENABLE_FANCY_UI=false 降低冗余输出。资源限制方面给出 export PYTHONMALLOC=malloc 与 ulimit -n 4096。

  10. 基准测试 测量构建时间：time python run.py --spec 001，并可用 AUTO_BUILD_MODEL 对比不同模型耗时。内存剖析：watch -n 1 'ps aux | grep python | head -5'，以及 python -m cProfile -o profile.stats run.py --spec 001 配合 pstats 输出前 20 项。

【使用方式】 主要通过环境变量（.env）、命令行参数、智能体配置文件以及少量 Python 脚本调用。文中所有配置项与命令均以代码片段形式直接给出。

【适用场景】 适用于使用 Auto-Claude 进行规格创建、构建与 QA 的开发者，希望在 Token 成本、构建速度、记忆检索性能之间取得平衡，或需要为不同复杂度任务选择模型与并行度。

【限制】 资料未说明本技能自身的安装方式、依赖版本、支持的操作系统、与 Auto-Claude 版本兼容性，以及成本估算所依据的定价时间与币种。文中的成本数字均为估算，实际费用未提供保证。部分具体文件路径（如 context/builder.py、apps/backend/prompts/）与脚本名称依赖具体项目结构，资料未提供完整仓库说明。

【相关技能】 auto-claude-memory（记忆配置）、auto-claude-build（构建流程）、auto-claude-troubleshooting（调试）。