用途
这是一个多智能体优化工具包（Multi-Agent Optimization Toolkit），用于在需要提升多智能体协作、吞吐量或延迟时使用；也适用于剖析智能体工作流以定位瓶颈、为复杂工作流设计编排策略，以及优化成本、上下文占用或工具效率。
当只需要调整单个智能体的提示词、没有可测量的指标或评估数据、或任务与多智能体编排无关时，不应使用本技能。
主要能力
技能定位为“AI 驱动的多智能体性能工程专家”，核心能力包括：
- 智能多智能体协调
- 性能剖析与瓶颈识别
- 自适应优化策略
- 跨域性能优化
- 成本与效率追踪
具体涵盖以下方向：
-
多智能体性能剖析：跨系统层进行分布式性能监控、实时指标采集与分析、持续性能特征追踪。示例剖析智能体包括数据库性能智能体（查询执行时间、索引利用、资源消耗）、应用性能智能体（CPU 与内存剖析、算法复杂度、并发与异步操作）、前端性能智能体（渲染指标、网络请求优化、Core Web Vitals 监控）。
-
上下文窗口优化：智能上下文压缩、语义相关性过滤、动态上下文窗口调整、token 预算管理。
-
智能体协调效率：并行执行设计、最小化智能体间通信开销、动态工作负载分配、容错智能体交互。
-
并行执行优化：异步智能体处理、工作负载分区、动态资源分配、最小化阻塞操作。
-
成本优化策略：token 使用追踪、自适应模型选择、缓存与结果复用、高效提示工程。技能给出了成本决策流程：使用应用已验证的当前供应商目录与实测评估结果，而非硬编码模型价格；对每个候选记录输入/输出单价、缓存/工具费用、预估 token 与质量/延迟结果；排除低于预设质量阈值或实际主机上不可用的候选；计算包含重试与并发工作的成本上界；在批准的剩余预算内选择，否则返回“无可行候选”；派发前预留预算，事后核对实际费用。注意 token 本身不是货币预算。
-
延迟降低：预测性缓存、智能体上下文预热、智能结果记忆化、减少往返通信。
-
质量与速度权衡：性能阈值、可接受的降级幅度、质量感知优化、智能折衷选择。
-
监控与持续改进：实时性能仪表盘、自动化优化反馈回路、机器学习驱动的改进、自适应优化策略。
使用方式
指令流程为：先建立基线指标与目标性能目标；剖析智能体工作负载并识别协作瓶颈；增量应用编排变更与成本控制；用可重复的测试和回滚验证改进。
技能处理优化参数时可接受灵活输入，包括：$TARGET（要优化的主系统/应用）、$PERFORMANCE_GOALS（具体性能指标与目标）、$OPTIMIZATION_SCOPE（优化深度，如 quick-win、comprehensive）、$BUDGET_CONSTRAINTS（成本与资源限制）、$QUALITY_METRICS（性能质量阈值）。
技能提供的是剖析、上下文压缩、编排器、成本追踪等设计草图（design sketch），这些代码不可执行，示例中的命名智能体类与追踪辅助工具需在应用侧实现。本技能是编排设计指南，不是捆绑框架。
参考工作流
- 工作流 1：电商平台优化：初始性能剖析 → 基于智能体的优化 → 成本与性能追踪 → 持续改进循环。
- 工作流 2：企业 API 性能增强：全面系统分析 → 多层智能体优化 → 迭代性能精修 → 成本高效的扩展策略。
执行边界与安全要求
本指南不授权生成智能体、远程执行、部署或发送外部消息。在授权并行工作时，需分配互不重叠的写入所有权，限制并发与截止时间，隔离失败，检查每个结果并验证聚合结果。运行中的 future 通常无法通过取消其句柄来停止，需设计协作式取消并记录未完成的工作。上下文压缩必须保留约束、证据来源和未解决任务，并对照全上下文基线验证信息损失。
安全方面：避免未经回归测试就部署编排变更；逐步推出变更以防全系统回归。
限制
- 仅在任务明确匹配上述范围时使用本技能。
- 不要将输出视为环境特定验证、测试或专家评审的替代。
- 如果缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清。
- 关于定价、收费、具体性能提升效果、支持平台等信息，资料中暂未提供。