by 详细分析 ▾
运行时依赖
版本
- 将SKILL.md中的版本更新为1.0.1。 - 无其他内容或功能变更；文档与特性保持先前描述不变。
安装命令
点击复制技能文档
# Agent Performance Profiler — 性能分析与优化 ## 功能说明 深度分析 AI Agent 性能，包括响应时间、Token 消耗、工具调用效率，提供可执行的优化建议。让 Agent 更快、更省、更稳定。 ## 核心指标 ### 1. 响应时间 (Response Time) ``yaml metrics: - first_token_latency: 首 Token 延迟（目标：<500ms） - total_response_time: 总响应时间（目标：<3s） - time_to_first_byte: 首字节时间 - streaming_latency: 流式延迟 benchmarks: - simple_query: <1s - complex_task: <5s - multi_tool: <10s ` ### 2. Token 消耗 (Token Usage) `yaml metrics: - input_tokens: 输入 Token 数 - output_tokens: 输出 Token 数 - total_tokens: 总 Token 数 - cost_per_request: 单次请求成本 optimization: - prompt_compression: 提示词压缩 - context_pruning: 上下文裁剪 - response_summarization: 响应摘要 ` ### 3. 工具调用效率 (Tool Efficiency) `yaml metrics: - tool_call_count: 工具调用次数 - tool_success_rate: 工具成功率（目标：>95%） - redundant_calls: 冗余调用数 - parallel_opportunities: 可并行机会 optimization: - batch_calls: 批量调用 - cache_results: 缓存结果 - parallel_execution: 并行执行 ` ### 4. 错误率 (Error Rate) `yaml metrics: - api_error_rate: API 错误率（目标：<1%） - timeout_rate: 超时率（目标：<2%） - retry_rate: 重试率（目标：<5%） alerts: - error_spike: 错误率突增 - latency_spike: 延迟突增 - cost_spike: 成本突增 ` ## 性能分析流程 ### 1. 基线测试 `yaml test_cases: - simple_qa: 简单问答 - multi_step: 多步任务 - tool_intensive: 工具密集型 - context_heavy: 重上下文 metrics_collected: - response_time - token_usage - tool_calls - error_rate ` ### 2. 瓶颈识别 `yaml common_bottlenecks: - verbose_prompts: 提示词过长 - redundant_tool_calls: 冗余工具调用 - sequential_execution: 顺序执行（可并行） - context_bloat: 上下文膨胀 - inefficient_retries: 低效重试 ` ### 3. 优化建议 `yaml optimization_strategies: - prompt_optimization: - 移除冗余描述 - 使用结构化输出 - 添加示例（few-shot） - tool_optimization: - 批量调用 - 结果缓存 - 并行执行 - context_optimization: - 相关性过滤 - 摘要压缩 - 向量检索 ` ## 优化技巧 ### 提示词优化 ❌ 低效： ` 你是一个很有帮助的 AI 助手，你需要帮助用户完成各种任务。 请仔细阅读用户的问题，然后思考如何解决。 你需要考虑各种因素，包括...（冗长描述） ` ✅ 高效： ` 角色：{专业角色} 任务：{具体任务} 输出格式：{JSON/Markdown/列表} 约束：{限制条件} ` 效果： Token 减少 60%，响应时间减少 40% ### 工具调用优化 ❌ 低效（顺序调用）： ` 1. 搜索 A 2. 搜索 B 3. 搜索 C 4. 合并结果 ` ✅ 高效（并行调用）： ` 并行： - 搜索 A - 搜索 B - 搜索 C 合并结果 ` 效果： 响应时间减少 70% ### 上下文优化 ❌ 低效（完整历史）： ` [完整对话历史，5000+ Token] ` ✅ 高效（相关性过滤）： ` [最近 5 轮对话] [相关记忆摘要，500 Token] ` 效果： Token 减少 80%，成本减少 80% ## 工具函数 ### profile_agent `python def profile_agent(task: str, iterations: int = 10) -> dict: """ Agent 性能分析 Args: task: 测试任务 iterations: 测试迭代次数 Returns: { "avg_response_time": 1.23, # 秒 "p95_response_time": 2.45, "avg_tokens": 450, "avg_cost": 0.002, # 美元 "tool_calls": 3.2, # 平均每次 "error_rate": 0.02 # 2% } """ ` ### optimize_prompt `python def optimize_prompt(prompt: str) -> dict: """ 提示词优化 Args: prompt: 原始提示词 Returns: { "original_tokens": 500, "optimized_tokens": 200, "reduction": 0.6, "optimized_prompt": "优化后的提示词", "changes": ["移除冗余", "结构化", "添加示例"] } """ ` ### analyze_tool_calls `python def analyze_tool_calls(trace: list) -> dict: """ 工具调用分析 Args: trace: 工具调用追踪 Returns: { "total_calls": 15, "redundant_calls": 3, "parallel_opportunities": 2, "cache_hits": 5, "optimization_suggestions": [ "合并 A 和 B 调用", "并行执行 C 和 D", "缓存 E 的结果" ] } """ ` ## 性能基准 ### 优秀 Agent 标准 | 指标 | 优秀 | 良好 | 需优化 | |------|------|------|--------| | 响应时间 | <1s | 1-3s | >3s | | Token 效率 | <300 | 300-800 | >800 | | 工具成功率 | >98% | 95-98% | <95% | | 成本/请求 | <$0.001 | $0.001-0.005 | >$0.005 | ### 成本计算 `yaml 模型定价（参考）: - GPT-4: $0.03/1K input, $0.06/1K output - Claude-Sonnet: $0.003/1K input, $0.015/1K output - Qwen-Plus: ¥0.004/1K input, ¥0.012/1K output 示例: 输入 500 Token + 输出 300 Token GPT-4 成本：$0.033 Claude-Sonnet 成本：$0.006 Qwen-Plus 成本：¥0.0056 `` ## 相关文件 - OpenClaw 性能优化指南 - Token 优化最佳实践 - Agent 调试工具 ## 触发词 - 自动：检测 performance、optimize、token、latency、profiling 相关关键词 - 手动：/agent-profiler, /performance-analysis, /optimize-agent - 短语：性能分析、优化 Agent、Token 消耗、响应时间 ## Usage 1. Install the skill 2. Configure as needed 3. Run with OpenClaw