当下，
单个ADE（AIR&DEngineer）由多Agents系统组成，已具备较强的任务执行能力。
然而，当一个复杂任务需要多个ADE自主协同时，真正的挑战方才显现。
今日，我们正式发布 织灵ADETeams ——
一套使多个ADE能够像经验丰富的工程团队那样协同工作的系统。
其核心聚焦于三个现实问题：
- 当多个ADE同时投入一个复杂任务时，如何判断它们的配合是高效的，而非在无效消耗token？
- 如果一个任务运行两小时后结果完全偏离预期——是等待完成才发现，还是中途即可识别？
- 团队在实践中积累的经验与教训，如何能够被下一组ADE继承，而不必从零开始？
这三个问题，构成了多ADE协同的真实门槛。
核心矛盾：效率与浪费的边界
假定三个ADE协同完成一个任务，每个ADE平均消耗5000token。
若配合顺畅，总消耗约15000token，产出正确。
若配合混乱——相互等待、信息版本不一致、重复执行——实际消耗可能超过50000token，且结果错误。
问题的关键并非token本身昂贵，而是支出的token未能转化为正确的产出。
因此，多ADE协同的第一个核心问题是：
如何确认多个ADE之间的配合是高效的，而非无效浪费？
织灵的方案不是限制ADE的行为，而是提供可观测、可约束的协同结构：
- 共享工作区：所有ADE读写同一套文件、状态变量。信息同步不依赖“传话”，token仅用于真实思考与执行，而非反复确认状态。
- 可视化任务图：每一段协同都对应一张图。上下游关系、依赖条件、执行顺序一目了然，便于判断是否存在绕路或空转。
- 节点级暂停：任一ADE检测到输入异常、格式不符或约束违反时，立即暂停整个任务图。偏差在发生时刻即被暴露，而非等到最终结果。
这三项机制将“协同效率”从抽象感受转化为可度量、可干预、可优化的工程指标。
运行两小时后发现偏离？——采用“暂停·等待确认”机制
多ADE协同中最常见且代价最高的场景如下：
用户启动一个预期耗时几十分钟甚至数小时的复杂任务。
离开后返回，发现任务已执行完毕，但结果完全不可用——某个ADE在第三步即误解了意图，后续所有ADE均在错误方向上进行精细加工。
数万token、数小时算力，全部浪费。
该问题的根源不在于ADE能力不足，而在于执行过程中缺少中间确认的能力。
传统多智能体系统通常走两个极端：要么“全自动运行至结束”，要么“每一步均需人工确认”——前者过于激进，后者过于繁琐。
织灵ADETeams提供第三条路径：
仅在需要干预时暂停，其余阶段自主推进。
具体机制如下：
- 每个任务图节点可设置校验规则（格式、阈值、约束、业务规则）
- 校验通过→自动继续，无需人工介入
- 校验不通过→任务图自动暂停，对应节点高亮，等待人工确认
- 人工确认界面提供节点的输入、输出及执行日志，用户可选择：修正后重试/跳过该节点/终止任务
这意味着用户不再需要在“全程手动确认”与“完全听任全自动”之间做出非此即彼的选择。
校验规则由系统执行，人工仅做关键判断。低风险节点自动通过，高风险节点停留待查。
并非每一秒都需要监督，而是在每一个可能偏离的节点上等待确认。
团队经验的传承：从“每次重来”到“一次沉淀”
成熟工程团队的核心资产之一，是其沉淀的流程与经验——哪些路径可行，哪些陷阱须规避。
在多ADE系统中，这一传承机制长期缺失：每次启动新任务，几乎均从零开始。上一轮协作中暴露的问题，在相同业务场景下仍可能重现。
织灵ADETeams的解决方案是：将经验沉淀为任务图模板。
具体能力包括：
- 将一个经过验证、效果良好的多ADE协同记录保存为任务图模板
- 模板包含：节点顺序、依赖关系、校验规则、暂停条件、异常处理策略
- 下次遇到同类任务，可直接套用模板，仅需微调输入参数
更进一步，系统可基于历史成功的同步记录，自动推荐或优化任务图结构。哪些节点可以合并？哪些校验规则过于严格导致频繁误停？哪些依赖关系可以并行化？——这些优化不再仅依赖人工经验，而是由数据驱动。
团队踩过的坑，从“个体记忆”转化为“系统的默认行为”。
这便是多ADE协同的“经验飞轮”：每一次成功的协同，都在降低后续协同的token消耗、缩短执行时间、提升结果质量。
自动PlanMode：从“定义任务图”到“生成任务图”
至此，一个自然的问题是：手动绘制一张包含十余个节点及其依赖关系的任务图，是否会带来较高的使用门槛？
织灵ADETeams内置的自动PlanMode解决了这一问题。
用户仅需使用自然语言描述任务目标，系统将自动：
- 分析任务类型与复杂度
- 推荐合适的ADE角色（分析型、执行型、校验型等）
- 生成完整的任务图（YAML/JSON格式）
- 同时生成可视化预览，用户可在图上直接拖拽调整
示例输入：
“创建一个从PR到合并的自动化流程：先运行lint和单元测试，然后由一个安全ADE检查敏感信息，再让一个代码审查ADE提出修改建议，最后仅当全部通过时执行合并。若lint或测试失败，立即暂停并通知我。”
织灵自动生成的YAML任务图（示意）：
用户无需直接编写YAML，但若有定制需求，可直接修改文本，可视化图同步更新。
AI负责起草，用户负责审定。
这便是自动PlanMode的价值：
将“编排多ADE协同”从一项需要专业知识的配置工作，转变为“描述需求、系统出图”的智能过程。
下一步演进：自主执行优化
当前版本是织灵ADETeams的第一步。
后续路标中的重要方向是自主执行优化。
当前的任务图是静态的——由用户定义，ADE遵照执行。
未来的任务图将是动态的：
- ADE在执行过程中若发现当前任务图存在效率瓶颈（如某节点反复等待），可主动建议调整依赖关系
- 系统记录每次协同的token消耗、耗时、暂停触发次数及人工介入原因
- 基于这些数据，自动生成优化版任务图，并输出对比报告：“调整后预计节省X%token，减少Y%不必要的暂停”
换言之，ADETeams不仅执行任务，还在学习如何更优地执行。
系统使用越久，对团队业务偏好的理解越深，风险预判能力越强，自动避坑的效果越显著。
从“人指挥多ADE”，演进至“多ADE学会自主优化协同”。
结语：ADETeams的本质
织灵ADETeams并非一次简单的功能发布，而是对“多智能体协同”这一问题的系统性重新回答。
我们没有选择最简易的实现路径——即让多个ADE独立执行后拼接结果。
我们选择了更具工程价值的路径：
- 共享工作区→使ADE之间不依赖传话，而基于统一的工作空间
- 可视化任务图→使协同过程可发现、可导航、可干预
- 节点级暂停→使偏离成本从“事后发现”转为“即时停止”
- 任务图模板→使团队经验从“每次重来”变为“一次沉淀，持续复用”
- 自动PlanMode→使任务图编排从配置难题变为自然语言驱动的智能生成
- 自主执行优化→使系统具备持续自我改进的能力
上述能力共同指向一个承诺：
用户无需在“效率”与“可控”之间做出取舍。多自主智能体可在高效协同的同时，始终处于用户的视线与规则边界之内。
今日，织灵ADETeams正式首发。
可创建第一个多ADE团队，用一句话生成任务图，观察一组自主智能体如何像一支经验丰富的工程团队那样共同承担复杂任务。
我们仅需注视那张任务图，在必要时进行暂停、确认、继续——如同一位真正的技术管理者，而非焦虑的旁观者。
