パフォーマンス

Agno-Goは極限のパフォーマンスを目指して設計されており、Python Agnoと比較してエージェント インスタンス化が16倍高速です。

エグゼクティブサマリー

✅ パフォーマンス目標達成:

• ✅ エージェントインスタンス化: ~180ns (<1μs 目標)
• ✅ メモリフットプリント: ~1.2KB/agent (<3KB 目標)
• ✅ 並行性: 競合なしの線形スケーリング

ベンチマーク結果

エージェント作成パフォーマンス

ベンチマーク	時間/op	メモリ/op	アロケーション/op
シンプルエージェント	184.5 ns	1,272 B (1.2 KB)	8
ツール付き	193.0 ns	1,288 B (1.3 KB)	9
メモリ付き	111.9 ns	312 B (0.3 KB)	6

主な知見:

• ⚡ エージェント作成: <200ナノ秒 (1μs目標の5倍良い!)
• 💾 メモリ使用量: 1.2-1.3KB (3KB目標の60%良い)
• 🎯 ツール追加のオーバーヘッドはわずか8.5ns
• 🎯 メモリは軽量（わずか312B）

実行パフォーマンス

ベンチマーク	スループット
シンプル実行	~6M ops/sec
ツール呼び出し付き	~0.5M ops/sec
メモリ操作	~1M ops/sec

注: 実際のパフォーマンスはLLM APIレイテンシ（100-1000ms）に制限されます。上記の結果はモックモデルを使用しています。

並行パフォーマンス

ベンチマーク	時間/op	メモリ/op	スケーリング
並列作成	191.0 ns	1,272 B	✅ 線形
並列実行	同様	同様	✅ 線形

主な知見:

• ✅ 並行実行とシングルスレッドパフォーマンスが同一
• ✅ ロック競合や競合状態なし
• ✅ 高並行性シナリオに最適

パフォーマンス比較

vs Python Agno

指標	Go	Python	改善
インスタンス化	~180ns	~3μs	16倍高速
メモリ/エージェント	~1.2KB	~6.5KB	5分の1
並行性	ネイティブgoroutines	GIL制限あり	優位

実世界シナリオ

シナリオ1: バッチエージェント作成

1,000エージェントの作成:

• 時間: 1,000 × 180ns = 0.18ms
• メモリ: 1,000 × 1.2KB = 1.2MB

シナリオ2: 高並行性APIサービス

10,000 req/sの処理:

• リクエストあたり: 1エージェントインスタンス
• メモリオーバーヘッド: 10,000 × 1.2KB = 12MB
• レイテンシ: <1ms (LLM API呼び出しを除く)

シナリオ3: マルチエージェントワークフロー

100エージェントの協調:

• 総メモリ: 100 × 1.2KB = 120KB
• 起動時間: 100 × 180ns = 18μs

最適化技術

1. 低アロケーション数

• エージェントあたりわずか8-9個のヒープアロケーション
• 不要なインターフェース変換なし
• 事前割り当てされたスライス容量

2. 効率的なメモリレイアウト

type Agent struct {
    ID           string        // 16B
    Name         string        // 16B
    Model        Model         // 16B (interface)
    Tools        []Toolkit     // 24B (slice header)
    Memory       Memory        // 16B (interface)
    Instructions string        // 16B
    MaxLoops     int           // 8B
    // 合計: ~112B 構造体 + ヒープアロケーション
}

3. ゼロコピー操作

• 文字列参照（コピーなし）
• インターフェースポインタ（コピーなし）
• スライスビュー（コピーなし）

ボトルネック分析

現在のボトルネック

1. LLM APIレイテンシ (100-1000ms)

   • 解決策: ストリーミング、キャッシング、バッチリクエスト

2. ツール実行時間 (可変)

   • 解決策: 並列実行、タイムアウト制御

3. 未ベンチマーク:

   • チーム協調オーバーヘッド
   • ワークフロー実行オーバーヘッド
   • ベクトルDBクエリ

プロダクション推奨事項

1. エージェントプーリング

GC圧力を削減するためにエージェントインスタンスを再利用:

type AgentPool struct {
    agents chan *Agent
}

func NewAgentPool(size int, config agent.Config) *AgentPool {
    pool := &AgentPool{
        agents: make(chan *Agent, size),
    }
    for i := 0; i < size; i++ {
        ag, _ := agent.New(config)
        pool.agents <- ag
    }
    return pool
}

func (p *AgentPool) Get() *Agent {
    return <-p.agents
}

func (p *AgentPool) Put(ag *Agent) {
    ag.ClearMemory()
    p.agents <- ag
}

2. Goroutine制限

リソース枯渇を避けるために並行性を制限:

semaphore := make(chan struct{}, 100) // 最大100並行

for _, task := range tasks {
    semaphore <- struct{}{}
    go func(t Task) {
        defer func() { <-semaphore }()

        ag, _ := agent.New(config)
        ag.Run(ctx, t.Input)
    }(task)
}

3. レスポンスキャッシング

API呼び出しを削減するためにLLMレスポンスをキャッシュ:

type CachedModel struct {
    model models.Model
    cache map[string]*types.ModelResponse
    mu    sync.RWMutex
}

func (m *CachedModel) Invoke(ctx context.Context, req *models.InvokeRequest) (*types.ModelResponse, error) {
    key := hashRequest(req)

    m.mu.RLock()
    if cached, ok := m.cache[key]; ok {
        m.mu.RUnlock()
        return cached, nil
    }
    m.mu.RUnlock()

    resp, err := m.model.Invoke(ctx, req)
    if err != nil {
        return nil, err
    }

    m.mu.Lock()
    m.cache[key] = resp
    m.mu.Unlock()

    return resp, nil
}

4. モニタリング

プロダクションで主要指標を監視:

import "github.com/prometheus/client_golang/prometheus"

var (
    agentCreations = prometheus.NewCounter(prometheus.CounterOpts{
        Name: "agno_agent_creations_total",
    })

    agentLatency = prometheus.NewHistogram(prometheus.HistogramOpts{
        Name: "agno_agent_run_duration_seconds",
    })
)

ベンチマークの実行

全ベンチマーク実行

make bench
# または
go test -bench=. -benchmem ./...

特定ベンチマーク実行

go test -bench=BenchmarkAgentCreation -benchmem ./pkg/agno/agent/

CPUプロファイル生成

go test -bench=. -cpuprofile=cpu.prof ./pkg/agno/agent/
go tool pprof cpu.prof

メモリプロファイル生成

go test -bench=. -memprofile=mem.prof ./pkg/agno/agent/
go tool pprof mem.prof

プロファイリングのヒント

1. CPUプロファイリング

go test -cpuprofile=cpu.prof -bench=.
go tool pprof -http=:8080 cpu.prof

2. メモリプロファイリング

go test -memprofile=mem.prof -bench=.
go tool pprof -http=:8080 mem.prof

3. 競合検出

go test -race ./...

将来の最適化

計画中の改善

• [ ] 繰り返し値の文字列インターン化
• [ ] エージェント再利用のためのsync.Pool
• [ ] バッチツール実行
• [ ] LLM APIのためのHTTP/2コネクションプーリング
• [ ] 低レイテンシのためのgRPCサポート

結論

Agno-Goはパフォーマンス目標を超えています:

• ✅ 目標の5倍高速（180ns vs 1μs）
• ✅ 目標の60%少ないメモリ（1.2KB vs 3KB）
• ✅ Pythonの16倍高速、メモリは5分の1
• ✅ 完璧な並行性スケーリング

サポート:

• 数千の並行エージェント
• 10K+リクエスト/秒
• 低レイテンシリアルタイムアプリケーション

参照

• アーキテクチャ
• デプロイメント
• ベンチマークコード