intermediate⏱45 minLección 4 de 6

Optimización de Rendimiento y Caché

Optimiza OpenCode para velocidad y eficiencia de costos. Aprende estrategias de caché, optimización de tokens, selección de modelos y cómo reducir llamadas a la API manteniendo la calidad.

Optimización de Rendimiento y Caché

¿Por Qué Optimizar?

Métrica	Impacto
Tiempo de Respuesta	Flujo de trabajo de desarrollo más rápido
Uso de Tokens	Costos de API más bajos
Calidad	Mejores resultados con menos sobrecarga
Escalabilidad	Manejar proyectos más grandes

Optimización de Tokens

Entendiendo los Tokens

Los tokens son las unidades básicas que procesan los LLMs:

Contenido	Tokens Aproximados
1 palabra	1-2 tokens
1 línea de código	5-15 tokens
1 archivo (100 líneas)	500-1500 tokens

Reducir Uso de Tokens

Limpiar conversación regularmente:

> /clear

Ser específico en los prompts:

❌ "Fix the bug"
✅ "Fix the ZeroDivisionError in calculate_average() when list is empty"

Leer solo archivos relevantes:

❌ "Read all files in src/"
✅ "Read src/utils.py"

Usar grep antes de leer:

> Search for "TODO" in src/ before reading entire files

Estrategia de Selección de Modelos

Tarea	Modelo	Razón
Preguntas simples	gpt-4o-mini	Rápido, económico
Generación de código	gpt-4o	Equilibrado
Razonamiento complejo	claude-sonnet-4-20250514	Alta calidad
Revisión de código	claude-sonnet-4-20250514	Análisis exhaustivo
Ediciones rápidas	gpt-4o-mini	Velocidad

Configuración

json

{
  "agents": {
    "quick": {
      "model": "gpt-4o-mini",
      "description": "Simple tasks, fast responses"
    },
    "complex": {
      "model": "gpt-4o",
      "description": "Complex tasks, high quality"
    }
  }
}

Estrategias de Caché

Caché de Contenido de Archivos

Almacena en caché archivos frecuentemente accedidos:

python

# Pseudo-code for caching
file_cache = {}

def read_file(path):
    if path in file_cache:
        return file_cache[path]
    
    content = read_from_disk(path)
    file_cache[path] = content
    return content

Caché de Prompts

Reutiliza plantillas de prompts:

json

{
  "skills": {
    "code-review": {
      "prompt_template": "Review this code for security issues: {code}"
    }
  }
}

Caché de Resultados

Almacena en caché respuestas de IA para consultas repetidas:

json

{
  "cache": {
    "enabled": true,
    "ttl": 3600,
    "maxSize": 1000
  }
}

Procesamiento por Lotes

Procesar Múltiples Archivos

En lugar de:

> Read file1.py
> Read file2.py
> Read file3.py

Usa:

> Read all Python files in src/ and summarize their purposes

Solicitudes Paralelas

json

{
  "performance": {
    "parallelRequests": true,
    "maxConcurrent": 3
  }
}

Gestión de la Ventana de Contexto

Monitorear Tamaño del Contexto

> /verbose
Context: 4523 tokens (15% of 32k limit)

Optimizar Contexto

Limpiar historial al cambiar de tema
Leer solo archivos necesarios
Resumir conversaciones largas
Usar subagentes para tareas aisladas

Optimización de Red

Agrupación de Conexiones

json

{
  "providers": {
    "openai": {
      "keepAlive": true,
      "maxConnections": 5
    }
  }
}

Agrupación de Solicitudes

json

{
  "performance": {
    "batchRequests": true,
    "batchSize": 10
  }
}

Monitoreo de Rendimiento

Rastrear Métricas

json

{
  "logging": {
    "performance": true,
    "tokenUsage": true,
    "responseTime": true
  }
}

Analizar Registros

bash

# Find slow requests
grep "response_time" opencode.log | awk '{print $NF}' | sort -n

# Calculate average tokens
grep "total_tokens" opencode.log | awk '{sum+=$NF} END {print sum/NR}'

Practice Questions

Practice Question

What is the most effective way to reduce token usage?

Practice Question

Which model is best for quick, simple tasks?

Practice Question

How does caching improve performance?

Practice Question

What should you monitor to track performance?

Practice Question

How do you reduce context window usage?

✅Success

Key Takeaways

Limpia la conversación regularmente para reducir el tamaño del contexto
Sé específico en los prompts para minimizar el uso de tokens
Usa gpt-4o-mini para tareas simples, gpt-4o para las complejas
Almacena en caché archivos accedidos frecuentemente y plantillas de prompts
Monitorea el uso de tokens, tiempo de respuesta y costos
Procesa múltiples archivos por lotes en lugar de leer uno por uno
La optimización de red reduce la latencia para llamadas a la API

Progreso67%

Depuración del Comportamiento de Agentes

Gestión de Memoria y Contexto

Contenido del Curso

1. Patrones de Orquestación Multi-Agente 2. Hooks Personalizados para Automatización 3. Depuración del Comportamiento de Agentes 4. Optimización de Rendimiento y Caché 5. Gestión de Memoria y Contexto 6. Flujos de Trabajo de Colaboración en Equipo