AE 多 Agent 协作

通过 ae-cli 管理 AI Agent Team（创建/更新/删除/AI 生成配置）和执行 TeamRun（启动/聊天/取消/回复/轮询结果/获取产物）。让多 Agent 协作从"手动编排"升级为"命令行驱动"。

Agent

知识库管理全行业

AE 多 Agent 协作 Skill 是 ThinkingAI 行业 Skill 库中的一项多 Agent 团队编排与执行能力，帮助团队通过 ae-cli 命令行工具管理 AI Agent Team（列出/创建/更新/删除/AI 生成配置/浏览模板）和执行 TeamRun（启动/聊天/取消/回复/轮询结果/获取产物），从"手动在网页上编排多 Agent 协作流程"升级为"命令行一键启动多 Agent 任务并自动获取结果"的高效模式。这正是 ThinkingAI「10 年行业经验沉淀为开箱即用 Skill」的体现。

行业痛点

多 Agent 协作是复杂分析任务的标配模式，但超过 65% 的团队在编排和执行上效率低下——创建一个 Team 需要手动配置多个 Agent 的角色、工具、MCP 服务器、Skill 和知识库绑定（配置 JSON 结构复杂且文档分散），平均配置一个 Team 耗时 1-2 小时且错误率超过 30%。执行层面更困难——启动 TeamRun 后需要手动轮询状态（运行中/等待用户输入/等待审批/完成/失败），等待用户输入时需要读取 pendingQuestion 并回复，整个过程需要反复切换网页和命令行。团队间协作的配置共享更是空白——不知道已有哪些 Team 可用，不知道有哪些模板可以参考，每次都从零开始。

核心价值

Team 全生命周期管理：list → create → update → delete → AI 生成配置 → 浏览模板，覆盖创建到维护全流程
TeamRun 执行闭环：启动 → SSE 流式监听 → 等待时自动回复 → 获取结果和产物，一条链路完成
AI 生成配置：输入目标描述，AI 自动生成 Team 配置草稿，不再手写复杂 JSON
多轮聊天模式：run-chat 支持多轮交互，session_id 保持上下文连续
状态参考完整：7 种状态（pending/running/waiting_user/waiting_approval/paused/completed/failed/cancelled）清晰定义，每个状态的后续操作明确

适用场景

需要创建多 Agent 协作团队执行复杂分析任务

需要启动 TeamRun 并自动获取分析结果和产物

需要用 AI 生成 Team 配置草稿避免手动编写复杂 JSON

需要多轮交互式执行（Agent 等待用户输入时自动回复继续）

需要浏览内置 Team 模板快速创建标准化协作团队

需要查看已有 Team 列表和可用项目列表

实战案例

某游戏运营团队 · 留存分析与优化建议

团队需要"分析本月留存并自动生成优化建议"，但不确定如何配置多 Agent Team。通过 AE 多 Agent 协作 Skill，系统用 +ai-generate 输入目标描述，AI 自动生成包含数据分析 Agent 和优化建议 Agent 的 Team 配置草稿；+create 创建 Team 后用 +run-start 启动任务，+run-watch SSE 流式监听执行状态；TeamRun 在 waiting_user 状态暂停时，用 +run-reply 自动回复继续执行，最终 +run-artifacts 获取分析报告和优化建议产物。从配置到获取结果全程命令行驱动，耗时从手动操作 2 小时缩短至 15 分钟。

常见疑问

TeamRun 执行时等待用户输入怎么处理？

+run-watch 退出码 2 表示 waiting_user 状态，stdout 中包含 pendingQuestion。读取问题后用 +run-reply 回复用户答案，再重新 +run-watch 继续监听。

AI 生成配置的质量如何？

AI 生成的配置草稿需要人工审核和调整，但大幅减少手写 JSON 的工作量。建议先用 +ai-generate 生成草稿，审核调整后再 +create。

和 ae-analysis 有什么区别？

ae-analysis 是单 Agent 的分析操作（一个命令一个操作），ae-team 是多 Agent 协作编排（多个 Agent 分工协作完成复杂任务）。简单查询用 ae-analysis，复杂多步骤任务用 ae-team。