AI-Streaming-Leistung
Misst Reaktionszeit, Abbruch, Anbieterkontingente und Kosten bei gestreamten Modellantworten und mehrstufigen Agent-Läufen.
ai-streaming-performance
Entdecke, wie der Skill hilftWann ist der Skill hilfreich?
Nutze diesen Skill, wenn Antworten hängen oder parallele Sitzungen Laufzeit und Kosten erhöhen.
Wobei hilft er dir?
- Trennt wiederholbare simulierte Last von begrenzten Messungen beim echten Anbieter.
- Misst erste sinnvolle Ausgabe, Abstände zwischen Teilen und gesamte Ablaufzeit.
- Prüft Abbruchbereinigung, Wiederholungen, Tokenabrechnung und wachsenden Kontext.
Das könntest du fragen
Belaste unseren Streaming-Assistenten mit aufgezeichneten Antworten und plane danach eine begrenzte Live-Prüfung für Latenz und Abbruch. Brich die Hälfte der simulierten Streams unterwegs ab. Prüfe freigegebene Ressourcen und zeige Latenzperzentile getrennt für abgeschlossene und unterbrochene Anfragen.
Ausführliche Dokumentation
Hier findest du die ursprüngliche Anleitung, Beispiele und Prüfschritte des Skills in ihrer Originalsprache.
Weniger anzeigen
AI & Streaming Performance
When to Use
Use when load testing or benchmarking LLM-powered endpoints, SSE/WebSocket streaming responses, multi-step AI agent runtimes, vector search / RAG pipelines, or tool-calling workflows.
Separate Simulated Provider Load from Live Model Calls
Live LLM calls are slow, non-deterministic, rate-limited, and expensive. Always separate AI performance testing into two distinct modes:
- Deterministic Mock / Replay Upstream Mode (Gateway & Runtime Stress):
- Use a local mock LLM server that simulates realistic Time to First Token (TTFT) (e.g.,
300ms–1500ms), Inter-Token Latency (ITL / TPOT) (e.g.,15–40msper SSE chunk), tool-call payloads, and occasional429/529errors. - Use this mode to stress-test the application's own SSE/WebSocket proxy buffering, DB state persistence, event loop, memory footprint per open stream, and concurrency limits at high RPS with zero token cost.
- Use a local mock LLM server that simulates realistic Time to First Token (TTFT) (e.g.,
- Bounded Live Provider Benchmark Mode (End-to-End Calibration):
- Run strictly bounded concurrency and request counts (with a hard token/cost cap) against the real provider to measure actual model latency distributions, prompt cache hit rates, and RPM/TPM rate-limit behavior.
Streaming & LLM-Specific SLIs to Measure
Standard HTTP http_req_duration only measures total stream completion time—which hides frozen streams! Always measure:
- TTFT (Time to First Token / First Meaningful Chunk): Time from request dispatch until the first content token or tool event arrives (
p50,p95,p99). - TPOT / ITL (Time Per Output Token / Inter-Token Latency) and Token Throughput (
tokens/sec): Detects stream stuttering or reverse-proxy buffering (e.g., Nginx/Cloudflare buffering the entire SSE stream instead of flushing chunks immediately). - Total Completion Time & End-to-End Agent Turn Latency: Breakdown across prompt assembly / RAG retrieval $\rightarrow$ LLM inference $\rightarrow$ tool execution $\rightarrow$ state persistence.
- Stream Interruption & Client Abort Cleanup:
- Simulate clients disconnecting mid-stream (
AbortController.abort()after 2s). - Verify the backend immediately cancels the upstream LLM stream and aborts in-flight tool subprocesses rather than continuing to burn tokens and compute in the background.
- Simulate clients disconnecting mid-stream (
Provider Quotas, Retries & Token Cost Economics
- Rate-Limit Handling (
429RPM / TPM / ITPM / OTPM):- Verify that concurrent agent runs respect
Retry-After/x-ratelimit-reset-*headers, use token-aware queuing or semaphores, and fail over or degrade gracefully without triggering retry storms.
- Verify that concurrent agent runs respect
- Cost & Token Accounting Under Load:
- Track input tokens, cached input tokens (
cache_read_input_tokens), output tokens, and total cost per workflow run: $$\text{Cost per Run} = \sum_{\text{steps}} \left( T_{\text{in}} \cdot C_{\text{in}} + T_{\text{cached}} \cdot C_{\text{cached}} + T_{\text{out}} \cdot C_{\text{out}} \right)$$ - Detect runaway agent loops, unbounded context growth across turns, or missing prompt-cache hits that multiply latency and cost under concurrent load.
- Track input tokens, cached input tokens (
Enthaltene Dateien 1
SKILL.md
Über dieses Skill-Paket
ai-streaming-performance
ai-streaming-performance: Findet Leistungsgrenzen mit realistischen Lastprofilen, gemessenen Engpässen sowie wiederholbaren Kapazitäts- und Erholungstests.
Weniger anzeigen
ai-streaming-performance
ai-streaming-performance: Findet Leistungsgrenzen mit realistischen Lastprofilen, gemessenen Engpässen sowie wiederholbaren Kapazitäts- und Erholungstests.
Enthält den vollständigen Skill und seine Begleitdateien (1 Dateien). Der genaue, ursprünglich verfasste Anwendungsbereich bleibt unten erhalten.
Ursprüngliche Skill-Beschreibung (Quellsprache)
Use when benchmarking and load-testing AI agents, LLM integrations, SSE/WebSocket token streams, RAG pipelines, and tool-calling workflows—measuring TTFT, TPOT, stream cancellations, provider rate limits, and cost per run.
Installiere den Skill, prüfe seine Quelle und Vertrauenseinstellungen und aktiviere ihn für das passende Projekt oder den Agenten.
Voraussetzungen
- Orqestria auf deinem Computer installiert.
