memory-feedback_agent-batch-query-optimization · memory

feedback_agent-batch-query-optimization.md

Source type: memory · Harvested: 2026-05-02 · Original date: 2026-05-02T01:50:52.462Z Metadata: {"original_path":"feedback_agent-batch-query-optimization.md"}

---

---

name: Sub-agent DB 查詢效率優化 description: sub-agent 做 DB 分析時不要一條一條 sqlite3 CLI，改用單一 Python script 一次跑完。76 tool calls / 10 min → 應可壓到 3-5 calls / 1 min。 type: feedback originSessionId: 8774cd80-c635-4ca1-a758-66a01d7ed53e

Sub-agent DB 查詢不要逐條 sqlite3 CLI

規則：當 sub-agent 任務是「從 SQLite DB 做分類/分析/報告」時，prompt 要明確指示：寫一個 Python script 一次性完成所有查詢 + 分類 + 輸出，不要用 sqlite3 CLI 逐條跑。

Why：adc-target-classification agent 用了 76 次 tool call（每次都是一條 sqlite3 命令），花了 589 秒（~10 分鐘）。瓶頸不是 DB 查詢本身（每條 < 100ms），而是 76 次 API round-trip + model inference + permission check 的疊加。

How to apply：

1. Spawn prompt 加入：

   寫一個 Python script（用 sqlite3 模組），一次性完成：
   (a) 提取所有需要的資料
   (b) 在 memory 中做分類/計算
   (c) 輸出結果到 output/ 目錄
   不要用 sqlite3 CLI 逐條查詢。目標：≤5 次 tool call 完成。
   

2. 如果分類需要 regex pattern，在 prompt 裡直接給出已知的 drug-target mapping（不要讓 agent 自己探索發現）

3. 資料探索（schema 確認）可以用 1-2 次 sqlite3 CLI，但主要工作必須是 single script execution

預期改善：76 tool calls → 3-5 calls，10 min → 1-2 min

邊界：

• 如果任務本質是 exploratory（不知道 schema、不知道資料長什麼樣），前 3-5 次探索用 CLI OK
• 但一旦 schema 清楚，後續分析必須收斂成 script

---

[← 回 Alfred Brain Hub]