（302期）agent-orchestration-multi-agent-optimize – 多代理系统性能优化专家

多代理系统性能优化专家 基于 AI 编排技术的多代理系统性能优化指南，提供Profiling、成本控制和协调策略，助力提升系统吞吐量与可靠性。 使用说明 多代理系统性能优化综合评估 该技能是一套面向多代理系统的性能工程方法论框架，专注于通过协调分析、负载分配和成本感知编排来提升系统整体性能。它提供了一套结构化的优化流程，从建立基线指标到持续监控改进，适用于复杂 AI 系统的性能调优场景。 核心用法 使用该技能时，首先需要建立性能基线指标并设定明确的优化目标。随后通过多维度分析（包括数据库查询性能、应用层 CPU/内存使用、前端渲染效率）识别系统瓶颈。接着应用上下文窗口压缩、并行执行策略和动态模型选择等编排优化手段，最后通过可重复的测试验证改进效果并支持回滚。 显著优点 该技能的最大优势在于其系统化和多维度的优化视角。它不仅覆盖数据库、应用层和前端的全栈性能分析，还提供了智能上下文压缩、Token 预算管理和自适应模型选择等 AI 特有的优化策略。此外，框架强调成本与性能的平衡，提供详细的成本控制机制和渐进式部署策略，确保优化过程的稳定性。 潜在局限 作为纯文档型技能，它不提供可直接执行的代码实现，用户需要根据自身技术栈自行开发相应的代理和编排逻辑。此外，该技能明确不适用于单代理提示调优场景，且要求系统具备可测量的性能指标，对于缺乏监控基础设施的项目难以直接应用。由于是社区来源（T3），内容权威性需要用户自行验证。 适合人群 主要面向系统架构师、性能工程师、AI 应用开发者和 DevOps 工程师。特别适合正在构建或维护复杂多代理系统的团队，以及需要优化 LLM 调用成本、降低系统延迟、提升吞吐量的技术决策者。 使用风险 尽管安全评级为 A，但用户需注意该技能仅为概念指导和示例代码，实际实施时需要投入额外的开发资源。示例代码中的多线程执行、数据库连接等操作在生产环境中需要根据具体并发量进行优化。此外，T3 来源意味着内容未经权威组织背书，关键优化策略建议结合官方文档验证。性能优化本身可能引入系统不稳定因素，建议严格遵循技能中强调的渐进式部署和回归测试原则。 原始说明 Optimize multi-agent systems with coordinated profiling, workload distribution, and cost-aware orchestration. Use when improving agent performance, throughput, or reliability.