RuFlo Worker 系统基准测试实战worker-benchmarks 技能全解析【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo本指南以 RuFlo / Claude Flow 工作进程Worker系统的专项性能评测技能 worker-benchmarks/SKILL.md 为骨架系统讲解其六类基准测试项、CLI 与编程式调用方式、阈值配置与输出解读并结合仓库内 CLI 运行时headless benchmark 模式与工作进程执行器源码做纵深验证。读完你将能够在日常开发中一键量化触发器检测、Worker 注册表、Agent 选择、模型缓存、并发与内存键生成等链路的延迟表现并把回归门禁固化到你的基准测试流程里。worker-benchmarks 是什么worker-benchmarks 是一个可直接调用的 Agent 技能invocable: true用于对 agentic-flow 工作进程系统执行全面的性能基准测试与性能分析。从技能头部元数据frontmatter可见其定位名称worker-benchmarksv1.0.0作者agentic-flow描述Run comprehensive worker system benchmarks and performance analysis能力声明performance_testing性能测试、metrics_collection指标采集、optimization_recommendations优化建议也就是说它不止是跑一个计时器而是集测试、指标采集与优化建议于一体的完整评测闭环。在该技能被调用时它可测量工作进程系统中从关键词触发检测到并行 Worker 创建等多条关键链路的耗时、吞吐与内存增量并对结果与目标阈值target做通过/失败判定。在仓库中该技能与核心 CLI 运行时存在明确关联CLI 包 claude-flow/cli/package.json描述为 Ruflo CLI提供cli/claude-flow两个 bin 入口中就有用于承载后台任务的无头运行模式。与之配套的 benchmark 概念同样出现在工作进程执行器源码 headless-worker-executor.ts 的本地 Worker 类型枚举中LocalWorkerType map | consolidate | benchmark | preload即benchmark本身就是一个不经 AI、仅做本地计算的 Worker 类型。快速上手运行基准测试套件技能文档给出的核心调用入口是 agentic-flow 的 workers 子命令。整套测试既可一次性跑完也可按类型单独执行# 运行完整基准测试套件 npx agentic-flow workers benchmark # 运行指定类型的基准测试 npx agentic-flow workers benchmark --type trigger-detection npx agentic-flow workers benchmark --type registry npx agentic-flow workers benchmark --type agent-selection npx agentic-flow workers benchmark --type concurrent四个--type分别对应触发器检测、Worker 注册表 CRUD、基于性能的 Agent 选择、并发 Worker 创建与更新这四条评测链路。需要说明的是该命令面向的是项目依赖中声明的agentic-flowCLI仓库根 package.json 将其声明为依赖版本范围为^2.0.14而本文后续会进一步给出仓库内原生运行时对应的等效入口。仓库内运行时对照headless --benchmark在当前仓库的 V3 CLI 中与跑基准对应的运行时位于 headless.ts。文件头部的使用说明与参数解析逻辑给出了无 TTY 环境的运行方式npx claude-flow/cli headless --worker type npx claude-flow/cli headless --daemon npx claude-flow/cli headless --benchmark # 运行性能基准从参数解析代码 headless.ts#L79-L80 可以看到--benchmark/-b会把运行模式切换为benchmarkHeadlessConfig.mode随后运行时会加载并跑通 SONA、FlashAttention 与 HNSW 等内存/检索模块的基准项。它还配套了两类环境变量以标识无头场景CLAUDE_FLOW_HEADLESStrue与CLAUDE_CODE_HEADLESStrue见 headless.ts。这印证了技能文档运行综合性能基准的能力在仓库原生 CLI 中确实有对应实现载体。六大基准测试类型详解worker-benchmarks 共覆盖 6 类评测项每类都有明确的测试对象、目标阈值、迭代次数与采集指标。下表是它们的完整规格数据来自 SKILL.md序号类型标识测试内容目标Target迭代量采集指标1trigger-detection12 个 Worker 触发器的关键词检测速度p95 5ms1000 次延迟、吞吐、直方图2registryWorker 注册表条目的 CRUD 操作p95 10ms500 次 create / get / update逐操作延迟分解3agent-selection基于性能数据的 Agent 选择p95 1ms1000 次选择置信度、Agent 评分4cache模型缓存性能p95 0.5ms—命中率、缓存大小、驱逐统计5concurrent并行 Worker 的创建与更新10 个 Worker 总耗时 1000ms10 workers单 Worker 延迟、内存占用6memory-keys内存模式键pattern key生成p95 0.1ms5000 次唯一模式数、吞吐逐项说明1. Trigger Detection触发器检测负责测试关键词在 12 个 Worker 触发器上的命中速度。这是 Worker 系统中最高频的路径之一——每次请求进入都要先判断该交给哪个触发器因此阈值压到亚毫秒级p95 5ms。1000 次迭代会产出延迟、吞吐与延迟直方图三类数据。2. Worker RegistryWorker 注册表对注册表条目执行 CRUD创建/查询/更新500 次写入类操作后给出逐操作的延迟分解per-operation latency breakdown。该指标能帮助定位是注册还是查找环节更慢从而决定优化重点。3. Agent SelectionAgent 选择验证基于性能表现performance-based的 Agent 路由选择逻辑。由于每次任务分发都要实时选 Agent目标被定得极严p95 1ms并额外产出选择置信度与各 Agent 得分用于判断选得准不准而不只是选得快不快。4. Model Cache模型缓存度量模型缓存层的性能重点关注命中率hit rate、缓存占用cache size与驱逐统计eviction stats。目标 p95 0.5ms是全部指标中对延迟最敏感的一项——缓存命中路径必须以接近零开销的方式完成。5. Concurrent Workers并发 Worker验证 10 个 Worker 并行创建与更新的总耗时 1000ms并逐 Worker 记录延迟与内存占用。该基准是单点都快、并发就崩类问题的直接探测手段。6. Memory Key Generation内存键生成对记忆模式的 key 生成进行 5000 次压力测试目标 p95 0.1ms。它同时统计生成的唯一模式数与吞吐可用来判断记忆寻址是否产生大量重复或冲突 key。实现层面的呼应Worker 的类型体系与配置在 headless-worker-executor.ts 中有完整定义——HEADLESS_WORKER_TYPESaudit、optimize、testgaps、document、ultralearn、refactor、deepdive、predict与LOCAL_WORKER_TYPESmap、consolidate、benchmark、preload并通过HEADLESS_WORKER_CONFIGS/LOCAL_WORKER_CONFIGS记录每个 Worker 的执行间隔、优先级与说明。实际触发器/注册表的绝对数量可能随版本演进变化评测时以本仓库对应版本源码为准。输出格式解读技能以表格化控制台输出呈现结果示例摘录如下完整版见 SKILL.md═══════════════════════════════════════════════════════════ BENCHMARK RESULTS ═══════════════════════════════════════════════════════════ ✅ Trigger Detection Operation: detect Count: 1,000 Avg: 0.045ms | p95: 0.120ms (target: 5ms) Throughput: 22,222 ops/s Memory Δ: 0.12MB ✅ Worker Registry Operation: crud Count: 1,500 Avg: 1.234ms | p95: 3.456ms (target: 10ms) Throughput: 810 ops/s Memory Δ: 2.34MB ─────────────────────────────────────────────────────────── SUMMARY ─────────────────────────────────────────────────────────── Total Tests: 6 Passed: 6 | Failed: 0 Avg Latency: 0.567ms Total Duration: 2345ms Peak Memory: 8.90MB ═══════════════════════════════════════════════════════════每个单测块都具备一致字段解读要点如下Operation本次基准执行的操作名如detect、crud。Count总样本数。注册表 CRUD 因包含 create/get/update 三类操作500 次 × 3 1500故示例中为 1,500。Avg / p95平均延迟与 95 分位延迟。p95 是判断是否达标的关键口径括号中的target即来自下文的阈值配置。Throughput吞吐单位 ops/s与延迟互为表里用于评估容量。Memory Δ执行期间的堆内存增量MB用于评估资源开销。SUMMARY 汇总末尾给出总测试数、通过/失败计数、平均延迟、总耗时与峰值内存便于把一次评测浓缩成一行可写进 CI 日志的结论。附注部分渲染环境中ops/s可能被模板字符污染如显示为ops$s实际含义为每秒操作数operations per second按ops/s解读即可。阈值配置与 Settings 集成基准的通过/失败判定并不是硬编码在技能里的而是通过项目设置文件的performance.benchmarkThresholds配置注入。技能文档以.claude/settings.json为配置载体完整示例为{ performance: { benchmarkThresholds: { triggerDetection: { p95Ms: 5 }, workerRegistry: { p95Ms: 10 }, agentSelection: { p95Ms: 1 }, memoryKeyGeneration: { p95Ms: 0.1 }, concurrentWorkers: { totalMs: 1000 } } } }各配置项与基准类型、判定口径的映射如下Settings 键对应基准字段判定口径默认建议值triggerDetection.p95Mstrigger-detectionp95 毫秒上限实测 p95 ≤ 该值即通过5msworkerRegistry.p95Msregistryp95 毫秒上限实测 p95 ≤ 该值即通过10msagentSelection.p95Msagent-selectionp95 毫秒上限实测 p95 ≤ 该值即通过1msmemoryKeyGeneration.p95Msmemory-keysp95 毫秒上限实测 p95 ≤ 该值即通过0.1msconcurrentWorkers.totalMsconcurrent总耗时上限10 个 Worker 总耗时 ≤ 该值即通过1000ms注意两处差异口径并发 Worker 用totalMs总耗时而非分位延迟而模型缓存cache项在阈值配置中没有独立条目——说明缓存项更适合用命中率、驱逐统计这类稳态指标人工观察而非简单的毫秒级门禁。配置好阈值后运行基准即可自动获得 Passed/Failed 判定适合作为变更前后的回归依据。部分文档渲染环境中.claude/settings.json可能带模板替换痕迹实际落盘路径请按项目约定通常为仓库根.claude/settings.json。编程式调用把基准嵌入代码与 CI除了 CLI技能还暴露了 TypeScript API方便在测试框架、脚本或 CI 中按需嵌入。文档给出的入口为import { workerBenchmarks, runBenchmarks } from agentic-flow/workers/worker-benchmarks; // 运行完整套件 const suite await runBenchmarks(); console.log(suite.summary); // 运行单个基准 const triggerResult await workerBenchmarks.benchmarkTriggerDetection(1000); const registryResult await workerBenchmarks.benchmarkRegistryOperations(500);其中runBenchmarks()返回包含summary汇总字段的套件结果对象可直接打印或断言。在此基础上结合仓库内部架构分析文档 SDK-ARCHITECTURE-ANALYSIS.md 的调用清单可以还原出六个基准各自对应的完整方法签名、迭代参数与目标方法参数对应基准目标workerBenchmarks.benchmarkTriggerDetection(1000)迭代次数 1000trigger-detectionp95 5msworkerBenchmarks.benchmarkRegistryOperations(500)操作次数 500registryp95 10msworkerBenchmarks.benchmarkAgentSelection(1000)迭代次数 1000agent-selectionp95 1msworkerBenchmarks.benchmarkModelCache(100)样本数 100cachep95 0.5msworkerBenchmarks.benchmarkConcurrentWorkers(10)Worker 数 10concurrent总耗时 1sworkerBenchmarks.benchmarkMemoryKeyGeneration(5000)迭代次数 5000memory-keysp95 0.1ms来源说明benchmarkTriggerDetection、benchmarkRegistryOperations直接出自技能文档 SKILL.md其余四个方法名及目标值可在 SDK-ARCHITECTURE-ANALYSIS.md 中交叉印证。方法的具体 import 子路径在不同版本中可能为agentic-flow/workers/worker-benchmarks或agentic-flow/workers请以所安装包导出的模块图为准。典型用法是把runBenchmarks()放进 CI 的性能门禁步骤跑完后读取suite.summary的passed/failed字段若出现failed 0即标记构建失败从而在每次变更提交时自动捕获性能回退。性能优化建议技能文档末尾给出了四条与基准结果配套的调优手段分别对应运行缓存、并发策略与输出开销三个层面优化手段配置方式作用启用模型缓存CLAUDE_FLOW_MODEL_CACHE_MB512用 512MB 内存预算缓存模型结果直接压低 trigger/registry 等高频路径延迟启用并行 WorkerCLAUDE_FLOW_WORKER_PARALLELtrue让多个 Worker 并行创建与更新缩短并发基准耗时抑制警告输出CLAUDE_FLOW_SUPPRESS_WARNINGStrue减少无关日志降低 I/O 与格式化开销带来的测量噪声SQLite WAL 模式自动启用注册表 CRUD 与记忆键生成类写密集操作受益于并发读写性能提升应用场景很直接当某类基准持续未达阈值时可优先检查对应开关是否开启。例如registry项退化先确认 SQLite 是否处于 WAL 模式、写入是否串行化cache项命中率低则调大CLAUDE_FLOW_MODEL_CACHE_MB预算并观察驱逐统计concurrent项超时则先开启CLAUDE_FLOW_WORKER_PARALLELtrue再复测。与仓库源码互证技能背后的运行时把技能文档与仓库源码对照可以确认这套基准并非悬空描述而是有实际运行载体CLI 包与 bin 映射v3/claude-flow/cli/package.json 定义cli、claude-flow两个可执行入口指向bin/cli.js是无头 Worker 与基准运行的命令来源。headless --benchmark 模式headless.ts 明确给出--benchmark用法且模式解析在 headless.ts#L79-L80 实现对应的结果结构包含 SONA 平均耗时与目标达成标志、FlashAttention 吞吐与加速比、HNSW 索引量与检索耗时等字段见 headless.ts。Worker 类型与执行器headless-worker-executor.ts 是承载 Worker 定义的核心文件——HEADLESS_WORKER_TYPES8 类 AI 后台 Worker与LOCAL_WORKER_TYPES含benchmark本地 Worker分别定义于 L265-L274 与 L279-L284每类 Worker 的默认配置间隔、优先级、是否启用登记在配置映射表中。技能分发与清单仓库用户指南在专业化技能部分将worker-benchmarks列为Performance benchmarking framework并给出以/worker-benchmarks方式调用技能的示例见 docs/USERGUIDE.mdCodex 侧的技能清单同样登记了$worker-benchmarks见 v3/claude-flow/codex/README.md。这说明 worker-benchmarks 技能的定位是一个面向工作进程系统的可移植评测面上层以技能/CLI 形式暴露统一命令与 API下层与 headless 运行时、Worker 执行器共享同一套 Worker 语义。评测结果既能横向对比不同环境CI 与本地也能在 Worker 系统演进时提供连续的性能基线。使用建议与注意事项固定测量环境基准结果对 CPU、磁盘SQLite与后台负载敏感横向对比时应锁定同机型同负载避免把环境噪声误判为代码回退。先跑 CLI 看趋势再上编程式断言日常验证用npx agentic-flow workers benchmark一行命令看全量 PASS/FAIL接入 CI 时才用runBenchmarks() 阈值断言。按需选择--type完整套件 6 项全跑约需秒级时间SUMMARY 示例总耗时约 2.3s若只想验证某次改动的影响面用--type只跑受影响链路更高效。改动触发前后双跑性能验证的价值在于对比每次涉及触发器解析、注册表结构、Agent 路由、缓存策略或内存 key 生成的改动都应保留改动前基线再复测。综上worker-benchmarks 以六个覆盖 Worker 生命周期关键路径的基准项、一套可配置的阈值门禁和统一控制台/API 入口构成了 RuFlo / Claude Flow 工作进程系统性能评测的标准化手段。配合仓库内的 headless 运行时与 Worker 执行器源码开发者既可以一键获得量化基线也能把性能回归检测沉淀为工程流程中可重复、可断言的一环。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考