把数据工作交给Agent，从 AE-CLI 开始

关注

原创最新推荐文章于 2026-09-20 16:25:17 发布 161 阅读 AI 写同款· GEO 优化 ›

如何将 CLI 变成可被 AI Agent 调用的 MCP 服务本文探讨如何将传统命令行工具（CLI）转化为云端托管的标准化能力（MCP），以实现多AI Agent的安全、可扩展调用。CLI作为进程级调用工具，虽生态丰富但存在结构化不足等问题；MCP则通过协议层统一工具发现、参数约束和交互语义，支持流式返回与多租户治理。技术对比显示，MCP在类型系统、错误语义和可治理性上优势显著。云端化需解决多租户隔离、长任务处理、安全性等挑战，建议通过控制面（策略管理）和数据面（执行引擎）分离的架构实现。阅读详情

越来越多人已经习惯用 WorkBuddy、Claude Code、Codex 这类 Agent 去写代码、查资料。但轮到数据工作，很多人还是得自己上手：先判断该用哪种分析方式，再打开哪些报表，然后去不同工具、不同文档里找数据、补上下文。一旦分析中发现新问题，往往还要重新整理需求，从头再走一遍。

这些重复的活，卡在三道老坎上——埋点****要排期、原因难定位、业务难闭环。埋点方案靠人设计、接入靠研发落码，动辄排期几周；指标一波动，是口径问题还是用户真实流失，反复拆维度也难精确定位；监控、分析、执行、回收各环节靠人串联，数据转不起来。

当 Agent 能调用并串联起散落各处的数据与工具、围绕同一个业务问题持续推进时，数据工作的方式就变了。ThinkingAI 的企业级 AI Agent 平台 Agentic Engine（简称 AE） 提供这些数据与业务能力，AE-CLI 则把它们接进 Agent 的工作环境。

如果你正在用 Agent，同时已有 AE 账号，接下来以一款手游为例，从安装开始，用「数据埋点采集、深度数据查询」两个场景带你上手。

*本文以 Mac 上的 WorkBuddy 演示，同样的操作思路适用于 App 与官网。

安装 AE-CLI

先查通一个数

将安装指令发给 Agent

直接复制以下内容发给 Agent：

请安装并配置 AE-CLI 和配套 Skills。AE 地址：[填写平时登录 AE 平台的网址，以下用 <AE_HOST> 表示]
1. 执行 node --version 和 npm --version。需要 Node.js 20+；缺少或版本过低时，按官方指引配置当前 LTS，优先使用已有版本管理器。需要管理员权限时暂停确认。
2. 依次执行：
npm install -g @thinkingai/ae-cli --registry=https://registry.npmjs.org
npx -y skills add ThinkingAIAgenticEngine/ae-cli -g -y
ae-cli --version
3. 检查登录：
ae-cli auth status --host <AE_HOST>
尚未登录时，执行：
ae-cli auth login --host <AE_HOST> --no-wait
提供返回的授权链接，等待浏览器授权完成，再用返回的设备码继续：
ae-cli auth login --host <AE_HOST> --device-code <DEVICE_CODE>
4. 登录后同步并验证：
ae-cli update --host <AE_HOST>
ae-cli --version
ae-cli auth status --host <AE_HOST>
5. 汇总 AE 地址、登录状态、CLI 版本和 Skills 同步结果。后续任务沿用该 AE 环境。
只配置工具，不修改业务项目。不输出密码或 Token，不使用 sudo npm install。遇到命令冲突或执行失败，说明具体原因后再处理。

Agent 提供授权链接后，在浏览器完成 AE 登录与授权，再回到对话回复「已完成授权，请继续」。**登录成功、**CLI 与 Skills 同步完成，才算完成安装。

装之前，先讲清三个常被问到的顾虑：

权限不变——CLI 只是把你在平台上已有的能力搬到命令行，能看到什么、能操作什么，完全等同账号在平台上的权限，CLI 不额外放权；
凭证在本机——登录凭证保存在本机系统钥匙串，不落明文文件，也不随对话外传；
数据不出****环境——私有化部署把 host 指向对应部署地址，数据始终在你授权的环境内。
先做一次简单查询

安装后重新打开 Agent，让新装的 Skills 生效，再发送：

请使用 AE-CLI 和 ae-analysis Skill，沿用刚才确认的 AE 环境，查询项目「[填写项目名称]」。有重名项目时，先列出候选供选择。
查询过去 7 个完整自然日，每天发生「[填写业务行为，如 App 启动或付费成功]」的去重用户数。先核对对应事件，再按天给出表格，注明实际日期、时区和统计口径。
只查询数据，不修改业务配置。没有匹配事件或查询失败时，说明具体原因。

将返回结果与 AE 平台中同项目、同日期、同口径的数据对照，能对得上即可进入业务任务。结果为空时先检查项目、事件和时间范围；登录或权限报错则先按提示处理。

从埋点采集

到深度查询

以一款手游为例：新增玩法或业务行为尚未采集时，先补齐埋点；已有数据能回答问题时，直接进入深度查询。新埋点只能积累启用后的数据，历史诊断仍以已有数据为基础。

数据埋点采集：记录签到活动的关键行为

以「7 日签到活动」为例，累计签到 7 天送限定皮肤。分别记录进入签到页、签到、领奖、补签，才能看清签到链路在哪一步流失。

1. 先制定埋点方案

请使用 AE-CLI 和 ae-generate-tracking-plan，为游戏"7 日签到活动"制定埋点方案。
AE 项目：[填写项目名称]  业务素材：[玩法描述、活动文档或已授权的代码路径]
活动规则：累计签到 7 天送限定皮肤。区分进入签到页、签到、领奖、补签和最终领取皮肤，复用已有同义事件。列出触发时机、属性及类型、采集端和用户标识；领奖以实际成功响应为准，不采集个人联系方式。
缺少关键信息时先询问。方案确认后再校验、上传并回读，不覆盖已有方案。

描述不用一次到位——Agent 发现信息不足时会反过来问你，比如活动入口在哪、客户端引擎和服务端语言是什么，可以在往返中逐步补全。担心漏事件？它默认会读已有事件和命名规范，能复用的复用、缺失的再新增；生成后仍可持续对话，把颗粒度再调细。

2. 再接入代码，验证采集

请使用 ae-generate-tracking-code，基于已确认的方案生成埋点代码与接入说明。
从项目配置获取 APP_ID 和独立的数据上报地址，缺失时询问。确认客户端引擎（如 Unity）与服务端语言（如 Java）后，先生成代码片段；直接集成前，确认授权项目路径与改动预览，再执行并检查构建。
代码接入后，确认测试环境和调试设备，指导完成进入签到页、签到、领奖、补签及失败操作，再通过 AE-CLI 回查 Debug 记录，核对事件、属性值与类型、错误及重复上报。
说明集成、调试收数和行为验证各自的完成状态；未完成接入时先等待，不用脚本成功代替页面验证。

不负责代码的同事，可以把方案、代码和接入说明交给研发。**领奖失败不应记作「领奖成功」，一次领奖不应重复计数。**Debug 通过后，再按项目发布流程检查正常上报与分析入库。

深度数据查询：找到问题，明确下一步

数据已经在 AE 里，就可以直接给出业务任务。这里先讲清两道门槛：一道是操作门槛——拖维度、配指标，培训几次就能上手；另一道是口径门槛——用哪个事件、取哪个指标，这是业务口径知识，通常掌握在做埋点的开发、做分析的分析师手里。对话取数把这两道门槛一起拿掉：不用背口径，描述需求，Agent 为你定位正确的事件和指标。

请使用 AE-CLI 和 ae-analysis Skill，诊断项目「[填写游戏项目名称]」在 8 月 25 日新版本上线后的表现，与更新前对比。
业务角色：负责版本运营的策划同事，不负责前后端代码。业务目标：了解新关卡（如 21-1）的表现，找出通关率下降最值得优先关注的问题。
先确认项目、日期、时区和指标口径，再给出整体趋势。围绕重要变化，按需拆解关卡、时间、用户战力分层，检查关键流失环节。不要只总结已有看板，必要时继续查询已有数据。
报告以数据发现、拆解证据和解释为主体，区分事件次数、去重用户数和漏斗转化口径。原因尚未证实时，列出待验证解释；字段或事件缺失时，说明影响。
最后选出优先处理的问题，说明依据、策划可先做什么、需要谁配合、用什么指标验证。仅做查询与分析，不修改业务配置。

拿到报告后，重点检查三件事：**变化发生在哪一段、哪些关卡或人群贡献了主要变化、结论旁边是否有同口径的证据。**例如「新关卡通关率下降」，要分清是进入该关卡的人数减少，还是进入后的通关效率下降，不能只凭整体数字下结论。

这也是 AE-CLI 不是「黑盒」的地方：结果区分事实、判断与待验证，过程列清每一步用了哪个事件、哪个指标、什么时间范围，口径不对可以当场纠正；涉及建流程、改配置、清理资产这类写操作，先出方案、确认后才执行。它替你完成繁琐的步骤，判断权仍在你手上。

如果报告仍停在概览，或某个原因缺证据，可以围绕具体缺口继续查：

报告提到「[填写尚未解释清楚的发现，例如 21-1 关卡通关率下降]」，请继续查询变化主要来自哪里。先区分进入人数与通关效率，再按可用维度（如战力分层）找出主要贡献部分和变化开始的时间。
请给出新增查询证据，不只是扩写原结论。有相关活动或发版资料时，结合可访问的 AE 知识库核查，保留来源。完成后更新最优先的问题、策划可推进的第一步、协作需求与验证指标；证据不足时，第一步可以是继续核查。

有效的补查，会增加能支持或排除某个解释的证据。现有看板少不等于只能做概览；但没有采集的数据，不能靠追问补出来。

配套 Skills：

让业务任务有方法可循

「看看新关卡表现」只是一个业务意图。真正执行时，还要确认「通关率」对应什么事件、现有报表能否回答、是否需要重新分组查询，以及如何检查结果。

安装配套 Skills 后，Agent 会根据任务选用合适的技能，通过 AE-CLI 调用 AE 的数据与业务能力：结合项目已有定义补齐分析要素，选择查询方式，关键信息缺失时提出针对性问题。无需逐条安排命令，也不必一开始就写好完整的分析需求书。
在这里插入图片描述

通用 Agent 的推理与代码能力，与这套配套工具承担不同工作：**AE-CLI 提供经授权的数据和能力入口，AE Skills 提供与实际接口、项目口径和验收要求对应的操作流程。**同样是「领奖成功」，分析时要查到项目实际采用的事件，采集时要落到正确的成功回调，而不是只给通用建议。

更多 Skills，让 Agent 按业务任务查找。除了上述场景，还可以直接让 Agent 阅读技能说明，找出适合当前工作的用法：

请查看当前已安装的 AE 配套 Skills，必要时参考官方技能目录：https://github.com/ThinkingAIAgenticEngine/ae-cli/tree/main/skills
先按业务场景介绍主要技能，说明分别能完成什么任务。
当前关注的业务任务是：[填写任务，例如分析新用户留存下降的原因]。
请推荐相关 Skills，说明如何配合使用、需要哪些数据或资料，并给出一段可以直接发起任务的提问示例。
以当前安装版本的说明为准；本次只阅读和介绍，不安装、更新或执行业务操作。

*前面的安装步骤已包含配套 Skills，无需逐个安装。

**现在就选一个你正在负责的项目，从一个具体任务开始：补齐一段关键行为的采集，或查清一项业务指标的变化。**模型升级带来新的执行可能，AE-CLI 与配套 Skills 把这些能力接到实际业务中。任务完成与否，最终看收到的数据是否符合定义、诊断是否有证据、下一步是否可验证。

配套的《AE-CLI业务侧使用手册》，整理了安装与验证、查数与漏斗分析、结果核对，以及更多业务场景的提问示例。