optimization-monitor

用途

optimization-monitor 是一个性能监控技能，为基于 swarm 的系统提供全面的实时性能监控能力，包括指标采集、瓶颈检测、SLA 合规跟踪、异常检测以及资源利用率监控。

适用场景包括：

持续监控 swarm 性能
在性能瓶颈影响运行之前将其检测出来
跟踪 SLA 合规情况并生成告警
对系统指标进行异常检测
资源利用率跟踪与预测
构建实时性能仪表盘

主要能力

1. 多维度指标采集

通过 MCP 接口采集实时指标，可指定组件范围：

const metrics = await mcp.metrics_collect({
  components: ['cpu', 'memory', 'network', 'agents']
});

系统指标涵盖：

CPU：使用率、负载均值、核心利用率
内存：使用量、可用量、压力
I/O：磁盘使用、磁盘 I/O、网络 I/O
进程：数量、线程、句柄

2. 瓶颈检测

可检测并分类以下瓶颈：

CPU 瓶颈：CPU 使用率过高、核心饱和
内存瓶颈：内存压力、泄漏检测
I/O 瓶颈：磁盘饱和、网络拥塞
协调瓶颈：agent 通信延迟
任务队列瓶颈：队列积压、处理延迟

命令行示例：

# 分析特定组件
npx claude-flow bottleneck-analyze --component task-queue

# 全系统分析
npx claude-flow bottleneck-analyze

3. SLA 监控

可配置并监控以下 SLA 指标：

指标	说明	典型阈值
Availability	系统正常运行时间百分比	99.9%
Response Time	请求延迟	< 1000ms
Throughput	每秒请求数	> 100 RPS
Error Rate	失败请求百分比	< 0.1%
Recovery Time	故障恢复时间	< 300s

4. 异常检测

支持多模型异常检测：

统计模型：3-sigma 规则偏差检测
机器学习：训练好的异常检测模型
时间序列：基于 LSTM 的时序异常检测
行为分析：agent 行为模式分析

5. 关键指标（KPI）

类别	指标
可用性	Uptime、MTBF、MTTR
性能	响应时间（p50/p90/p95/p99）、吞吐量
效率	资源利用率、每笔交易成本
可靠性	错误率、成功率、容错能力

6. 资源跟踪

CPU：当前、峰值、平均利用率及百分位
内存：使用趋势、泄漏检测、压力指标
网络：带宽利用率、延迟、丢包
Agents：每个 agent 的效率、响应性、可靠性

使用方式

快速开始

# 启动综合监控
npx claude-flow performance-report --format detailed --timeframe 24h

# 实时瓶颈分析
npx claude-flow bottleneck-analyze --component swarm-coordination

# 对所有组件进行健康检查
npx claude-flow health-check --components ["swarm", "agents", "coordination"]

# 采集特定指标
npx claude-flow metrics-collect --components ["cpu", "memory", "network"]

MCP 集成

综合监控设置示例：

const monitoring = {
  // 启动所有监控
  async startMonitoring() {
    const [health, performance, bottlenecks] = await Promise.all([
      mcp.health_check({ components: ['swarm', 'coordination'] }),
      mcp.performance_report({ format: 'detailed', timeframe: '24h' }),
      mcp.bottleneck_analyze({})
    ]);

    return { health, performance, bottlenecks };
  },

  // Agent 性能跟踪
  async monitorAgents(swarmId) {
    const agents = await mcp.agent_list({ swarmId });
    const metrics = new Map();

    for (const agent of agents) {
      metrics.set(agent.id, await mcp.agent_metrics({ agentId: agent.id }));
    }

    return metrics;
  }
};

告警配置

# 配置性能告警
npx claude-flow alert-config --metric cpu_usage --threshold 80 --severity warning

# 设置异常检测
npx claude-flow anomaly-setup --models ["statistical", "ml", "time_series"]

# 配置通知渠道
npx claude-flow notification-config --channels ["slack", "email", "webhook"]

仪表盘数据提供示例

const dashboardData = {
  overview: {
    swarmHealth: 'healthy',
    activeAgents: 12,
    totalTasks: 1547,
    averageResponseTime: 45  // ms
  },
  performance: {
    throughput: 250,  // tasks/sec
    latency: { p50: 40, p90: 85, p99: 120 },  // ms
    errorRate: 0.02,  // percentage
    utilization: 0.72  // percentage
  },
  alerts: [],
  timestamp: Date.now()
};

架构

该技能由三部分组成：指标采集器（Metrics Collector）、瓶颈分析器（Bottleneck Analyzer）与 SLA 监控器（SLA Monitor）。指标采集器负责系统指标（CPU/内存、I/O/网络、进程统计）；瓶颈分析器负责模式检测（CPU 瓶颈、内存泄漏、I/O 饱和、网络问题）；SLA 监控器负责阈值检查（可用性、响应、吞吐量）。三者输出汇入实时仪表盘提供器（Dashboard Provider）。

集成点

集成对象	用途
Load Balancer	为负载均衡决策提供性能数据
Topology Optimizer	提供网络与协调指标
Resource Allocator	共享资源利用率与预测数据
Task Orchestrator	监控任务执行性能

最佳实践

基线建立：在监控异常之前先采集基线指标
告警调优：从保守阈值开始，根据误报率进行调整
多层监控：在系统、agent 和任务三个层级进行监控
历史分析：保留指标用于趋势分析和容量规划
主动检测：使用预测分析在问题产生影响前发现它

版本历史

1.0.0（2026-01-02）：初始版本——由 performance-monitor agent 转换而来，包含指标采集、瓶颈检测、SLA 监控、异常检测与仪表盘集成。

限制

资料未提供该技能的具体收费、价格、支持平台、性能效果等细节，暂未提供。

技能介绍

用途