CLI使用マニュアル
閲覧ナビゲーション
所属する目次：機能センター。検索キーワード：CLI、ae-cli、コマンドライン、Coding Agent、Skill、インストール、ログイン、認証、Capability Gateway。
- Codex、Claude CodeなどのCoding Agentから接続する：Coding Agent。
- CLIでできることをすばやく知る：CLIクイックスタート。
- ツールプロトコルで外部サービスに接続する：MCP。
- 再利用できるタスクの手法を蓄積する：Skill。
- 定期実行するタスクを設定する：自動化。
Agentic Engine CLI（コマンド名ae-cli）は、Agentic Engineのコマンドラインクライアントです。AI Agentと人の操作の両方に、安定した構造化インターフェースを提供します。インストールと認証が済めば、Codex、Claude Code、WorkBuddyなどのローカルAI Agentが、あなたのアカウント権限の範囲内で、データの照会、ダッシュボードの作成、データ収集の管理、エンゲージやデータ開発のタスクのフォローを直接行えます。あなたは、やりたいことを自然言語で明確に伝えるだけです。
仕組み
あなたが自然言語で質問 → ローカルAI Agent（Claude Code、Codex、WorkBuddyなど）→ ae-cli → あなたのAgentic Engineプロジェクト → 検証できる結果
CLIをインストールすると、付属のAgent Skillsも一緒にインストールされます。Skillsは、どんなコマンドがあるか、どの場面でどのコマンドを使うか、書き込み操作の前に何を確認すべきかをAI Agentに伝えるため、あなたがコマンドを覚える必要はありません。
- 権限の範囲：CLIはあなたのアカウントとプロジェクトの権限をそのまま引き継ぎ、それを超えるデータを取得することはありません。最終的な権限はサーバー側で検証されます。
- 認証情報：Agentic EngineのURLごとに分けて暗号化し、ローカルに保存されます。環境を切り替えても、別の環境の認証情報が再利用されることはありません。
- 書き込み操作：ダッシュボードの作成、グループの作成、プッシュなど現状を変更する操作は、まずAIに計画を示させ、あなたが確認してから実行します。
CLIとMCPの役割分担：AgentにAgentic Engineの組み込みの業務機能（分析、エンゲージ、データ収集、データ開発、ナレッジベースなど）を使わせる場合は、CLIを優先して使用します。MCPは、Agentを外部ツールや業務サービスに接続するためのものです。MCPを参照してください。
始める前の準備
- Agentic Engineが6.xバージョンにアップグレード済みであること。
- アカウントに対象プロジェクトへのアクセス権限があること。
- Agentic EngineのURLを入手済みであること：普段Agentic EngineのWebページを開くときのURLで、管理者から提供されます。
- ローカルにNode.js 20以上がインストールされ、npmリポジトリにアクセスできること。初めてSkillsをインストールするときは、GitHubにもアクセスできる必要があります。
- ローカルのネットワークからAgentic EngineのURLにアクセスできること。
インストールとログイン
方法1：AI Agentにインストールしてもらう（推奨）
次の文章を、ターミナルを操作できるAI Agent（Codex、Claude Code、WorkBuddyなど）に送信します。文中のURLは、お使いのAgentic EngineのURLに置き換えてください：
https://raw.githubusercontent.com/ThinkingAIAgenticEngine/ae-cli/main/cli-installation-guide.md を読み、説明に従ってAgentic Engine CLI（ae-cli）をインストールまたはアップグレードしてください。私のAgentic EngineのURLは https://your-ae-host.example.com です。インストールするのはae-cliと付属のSkillsだけにして、現在のプロジェクトは変更しないでください。ログイン認証が必要になったときや、管理者権限が必要なときは、いったん止めて私に知らせてください。
AI Agentは次の手順を順に実行します：
- Node.jsとnpmのバージョンを確認します。バージョンが足りない場合は、nvm、fnm、Voltaなどのバージョン管理ツールでユーザーディレクトリにインストールし、
sudo npm install -gは使いません。 - ae-cliと付属のSkillsをインストールします。
- ログインを開始し、認証リンクをあなたに送ります。あなたがブラウザで認証を完了すると、引き続きログインを完了させます。
ae-cli updateを実行し、現在の環境が要求するバージョンのCLIとSkillsをインストールします。- Node.jsのバージョン、CLIのバージョン、Agentic EngineのURL、ログイン状態、Skillsの同期結果を報告します。
インストールが完了したら、AI Agentを閉じて開き直すか、新しいタスクを開いて、新しくインストールしたSkillsを読み込ませます。
方法2：手動インストール
まず、Node.jsのバージョンが20以上であることを確認します：
node --version
バージョンが古すぎると、Skillsのインストール時にEBADENGINEやstyleText関連のエラーが発生することがあります。先にNode.jsをアップグレードするか切り替えてください。続いてCLIと付属のSkillsをインストールし、バージョンを確認します：
npm install -g @thinkingai/ae-cli
npx -y skills add ThinkingAIAgenticEngine/ae-cli -g -y
ae-cli --version
ローカルで別のツールがすでにae-cliというコマンド名を使っている場合は、確認してから置き換えてください。
ログインと認証
ae-cli auth login --host https://your-ae-host.example.com
ae-cli auth status --host https://your-ae-host.example.com
ログインにはデバイスコードフローを使います。ブラウザで認証ページが開くので、ページに表示された確認コードがターミナルの表示と一致することを確かめてから、「承認する」をクリックします。ターミナルに戻ってログイン状態を確認し、authenticatedがtrueであればログイン成功です。
- 現在の環境でブラウザを開けない場合は、ログインコマンドの後に
--no-browserを付けます。 - AI Agentに代わりにログインしてもらう場合は、2段階に分けることができます。まず
--no-waitを付けてログインコマンドを実行し、認証リンクを取得します。あなたが認証を完了したら、返されたデバイスコードを--device-codeで指定して、もう一度実行します。デバイスコードの有効期限が切れた場合は、最初の手順からやり直してください。 - Agentic Engineの「外部アクセス管理」でCLI Tokenをコピーし、
ae-cli auth set-token --host <アドレス>でインポートすることもできます。入力内容は画面に表示されず、コマンドの出力にもTokenは含まれません。
環境が要求するバージョンへの同期
Agentic Engineの環境ごとに、必要なCLIのバージョンが決まっています。インストールまたはアップグレードの後に、次を実行します：
ae-cli update --host https://your-ae-host.example.com
ae-cli --version
ae-cli updateは、現在の環境の要件に従って対応するバージョンのCLIとSkillsをインストールし、npmの最新版には依存しません。そのため、アップグレード時にnpmで直接latestをインストールしないでください。どのバージョンがインストールされるかを先に確認したい場合は、--dry-runを付けます。
6.0.37と6.1.9のメンテナンスラインからは、通常のコマンドでバージョンの不一致が見つかると自動で同期されます。同期に成功するとAE_CLI_VERSION_SYNCEDが返されるので、元のコマンドを再実行してください。
厳選シナリオSkillのインストール
ThinkingAIは長年のサービス経験をシナリオSkillとして蓄積しており、LTV分析や異常診断など、頻度の高いシナリオをカバーしています。AIに直接インストールしてもらうことができます：
https://github.com/ThinkingAIAgenticEngine/scenario-skills をインストールしてください
ターミナルで、業務カテゴリーごとに対話形式でインストールすることもできます：
npx skills@latest add ThinkingAIAgenticEngine/scenario-skills
準備完了の確認
明確でリスクの低い質問をAIに投げかけます：
現在アクセスできるプロジェクトの一覧を照会し、プロジェクト名とプロジェクトIDだけを返してください。今は確認のみで、何も変更しないでください。
AIがAgentic Engineの機能を認識する、認証の完了を促す、またはプロジェクトの一覧を返す、のいずれかであれば、接続は確立しています。質問を普通のチャットとして扱われた場合は、まずCLIとSkillsがインストールされているか、現在のAI AgentがSkillsを再読み込みしたかを確認してください。
5分で最初のクエリを実行する
コマンドを学ぶ必要はありません。次の一文をAIに送信します：
直近7日間の日次アクティブユーザーを照会し、日ごとの推移を一覧にしてください。先に、どのイベント、時間範囲、重複排除ルールを使ったかを教えてください。
結果が出たら、次の3点だけを確認します：
- イベントは正しく選ばれていますか？
- 時間範囲は正しいですか？
- 集計しているのはユーザー数ですか、それとも回数ですか？
よく使うシナリオ
以下のプロンプトは、そのままコピーして使えます。括弧内のプレースホルダーをプロジェクトの実際の対象に置き換えてから、AIに送信してください。「読み取り専用」のものは照会のみで、変更はしません。「確認後に実行」のものは、AIがまず計画を示し、あなたが確認してから作成や変更を行います。
コア指標の確認（読み取り専用）
一定期間のコアなプレイ要素を全体的に把握してから、どこを深掘りするか決めたいときに向いています。
直近7日間の（コア行動）の全体的な状況を確認してください。毎日何人がトリガーし、合計で何回だったかを、日ごとの推移として一覧にしてください。
確認：どのプロジェクトか、AIがどのイベントを選んだか。間違っていればその場で訂正すると、AIが再実行します。次に聞けること：「昨日のトリガーユーザー数をチャネル別に分けてください。」
結果がおかしいとき：大きな質問を小さく分けます。まず「直近7日間、毎日何人がログインしたか」を聞き、イベントが使えることを確認してから指標を追加します。
ファネルで離脱箇所を特定する（読み取り専用）
直近7日間の、（開始イベント）から（終了イベント）までのコンバージョンファネルを確認してください：
（ステップ1）→（ステップ2）→（ステップ3）→（ステップ4）、
コンバージョンウィンドウを1日として各ステップのユーザー数とコンバージョン率を集計し、どの段階で最も離脱が多いかを教えてください。
確認：ファネルの各ステップに対応するイベント（AIが一覧にして確認を求めます）、コンバージョンウィンドウ（通常は1日、キャンペーン系は3日まで広げてもかまいません）。あるステップのユーザー数が0の場合は、まずイベントの選択ミスか、時間範囲内にデータがないことを疑ってください。
よく使う分析モデルの早見表（読み取り専用）
| 分析タイプ | 答えられる質問 | コピーして使えるプロンプト |
|---|---|---|
| イベント分析 | ある行動が何回発生し、どう推移しているか | 直近7日間の（イベント）の毎日のトリガーユーザー数と回数を照会し、日ごとの推移を一覧にしてください。 |
| ファネル分析 | どのステップで最も離脱しているか | （ステップA→ステップB→ステップC）でファネルを作成し、ウィンドウを1日として、最も離脱が多い段階を見つけてください。 |
| リテンション分析 | ユーザーが継続して戻ってきているか | 直近7日間の（新規登録）ユーザーの翌日継続率を集計してください。復帰イベントには（ログイン）を使ってください。 |
| 分布分析 | ユーザーや数値がどこに集中しているか | 直近7日間の（チャージ金額）のユーザー分布を集計し、区間ごとに表示してください。 |
ダッシュボードとして保存（確認後に実行）
先ほどの（ファネル分析）と（イベント分析）をまとめて、1つのダッシュボードを作成してください。
まずダッシュボード名、含めるレポート、各レポートの定義を一覧にし、私が確認してから作成してください。
作成に成功すると、AIがダッシュボードのリンクを返します。開くと、Agentic Engine上の実際のダッシュボードが表示されます。アカウントには、レポートとダッシュボードを作成する権限が必要です。
質問を重ねて原因を探る（読み取り専用）
実際の分析では、通常何回も質問を重ねます。1回ごとにディメンションを1つだけ変え、前の回の「要検証」を次の回の質問にします。「売上の伸びが止まった」ケースを例にします：
- 全体を見る：「直近14日間の毎日の課金ユーザー数とログインユーザー数を照会して日ごとの推移を一覧にし、課金率がおおよそどの水準かを教えてください。」
- チャネル別に分ける：「直近7日間の課金ユーザー数と売上を流入チャネル別に分けて、チャネルごとの1人あたり課金額を一覧にしてください。」
- 新規・既存で分ける：「『初回課金かどうか』で直近7日間の課金を分けて、初回購入とリピート購入がそれぞれ何人、いくらを占めるかを確認してください。」
- 金額で階層分けする：「直近7日間の課金ユーザーを累積売上で階層に分け（0–30、30–98、98–328、328–648、648以上）、各階層のユーザー数の割合を確認したうえで、売上が最も高いパックを一覧にしてください。」
分析が終わったら、事実、判断、推奨アクションを分けてレポートにまとめるようAIに依頼します：
先ほどの分析をレポートにまとめてください。構成は次のとおりに固定します：
結論の要約、データの定義、主な事実、原因の判断、要検証事項、推奨アクション。
事実と判断は必ず分けて書き、推測した内容は要検証として示し、結論として書かないでください。
データアセットの棚卸しとガバナンス
データアセットのセマンティックな品質が、AIによるデータ取得の上限を決めます。イベントの命名がばらばら、プロパティに注釈がない、定義が統一されていない、といった状態では、AIは推測するしかありません。まず棚卸しをしてから分析することをおすすめします。
| シナリオ | コピーして使えるプロンプト | 読み書き |
|---|---|---|
| アセットの棚卸し | 現在のプロジェクトのデータ収集アセットを棚卸ししてください。イベントとプロパティの総数を集計し、表示名や注釈がないイベントとプロパティ、命名が規則に沿っていないイベント、直近90日間にデータが送信されていないイベントを洗い出してください。まずチェック範囲、判定ルール、分類リストを出力し、アセットは一切変更しないでください。 | 読み取り専用 |
| セマンティックの補完 | 先ほどの棚卸し結果をもとに、表示名や注釈がないイベントとプロパティの補完案を作成し、元のフィールド名、推奨表示名、推奨注釈、変更理由を出力してください。提案表だけを示し、私がレビューしてから実行してください。 | 確認後に実行 |
| データ品質のセルフチェック | 直近7日間のデータ品質をチェックしてください。コアイベントの送信量が急にゼロになったり急増したりしていないか、主要プロパティの空白率と異常な列挙値、接続が切れているか長期間データがないアセットを確認してください。現象、考えられる原因、人による確認が必要なエビデンスを出力し、アセットは一切変更しないでください。 | 読み取り専用 |
「データなし」は「役に立たない」という意味ではありません。定期的なキャンペーンのイベントが普段送信されないのは正常なので、削除する前に業務担当者に確認してください。
データ収集プランの設計とデータ収集コードの生成
業務フローを明確に説明してこそ、AIは実装できるプランを示せます。「データ収集を設計して」と一言で済ませず、ユーザーの行動パス全体と、最も重視する指標を伝えてください：
タスクモジュールのデータ収集プランを生成してください。
業務目標：タスク段階でのプレイヤーの完了状況と離脱の分布を把握し、つまずきやすいタスクと、報酬が継続に与える影響を明らかにしたい。
プレイヤーの行動パス：タスク一覧を開く → タスクを受ける → タスクを進める → 完了 → 報酬を受け取る → 離脱。
判定基準：完了 = タスク目標を達成したこと。報酬を受け取ったこととは異なる。
必要なディメンション：タスクタイプ、完了までの所要時間、報酬タイプ、完了後の次のアクション／プレイヤーレベル、アカウントタイプ。
AIはレビューできるプランの初稿を出力します。初稿には、イベント名、表示名、トリガータイミング、プロパティ、プロパティタイプ、サンプル値、検収方法が含まれ、プロジェクトにすでにある共通プロパティが優先して再利用されます。プランのレビューが通ったら、続けてコードを生成できます：
データ収集プランをもとに、（Android / iOS / Web / サーバー）のデータ収集コードを生成してください。
初回の生成ではコードスニペットのファイルとして出力し、人が確認してからマージすることをおすすめします。具体的なAPIパラメータについては、対応するプラットフォームのSDKドキュメントに従ってください。
分析からエンゲージまでのクローズドループ
エンゲージモジュールの開通が必要です。プッシュチャネルは事前にAgentic Engineで設定して有効にしておく必要があり、グループの条件で参照するイベントとプロパティはすでに存在している必要があります。
| ステップ | コピーして使えるプロンプト | 読み書き |
|---|---|---|
| 施策の提案 | 先ほどの分析結果をもとに施策の提案を作成し、「ターゲットグループ、トリガー条件、推奨アクション、観察する予定の指標、リスクと除外条件」の形式で出力してください。まず計画だけを示し、グループや配信タスクは作成しないでください。 | 読み取り専用 |
| フローキャンバス | （ターゲットグループ）へのケア施策を1本のフローキャンバスにしてください。まず草案として、グループの定義、トリガー条件、待機条件、配信チャネル、頻度制御ルール、終了条件を一覧にし、私が確認してから作成してください。 | 確認後に実行 |
| 効果分析 | （キャンバス名）の直近7日間の実行効果を確認してください。エンターユーザー数、リーチユーザー数、コンバージョンユーザー数、各ノードの終了理由を出し、それぞれの指標の定義も説明してください。 | 読み取り専用 |
| 効果ダッシュボード | このキャンバスの実行効果をダッシュボードにまとめてください。目標指標、プロセス指標、階層分けのディメンション、時間フィルターを含めてください。まず設定の草案を示し、私が確認してから作成してください。 | 確認後に実行 |
システム間の連携とスケジュールタスク
システム間の連携には、事前にAI Agentに対応する外部ツールのCLIまたはMCPをインストールしておく必要があります（Feishuならlark-cliなど）。そうしないと、以下のプロンプトはそのまま失敗します。メッセージの送信やドキュメントの作成など外部に影響する操作は、必ず下書きを見てから承認してください。
| シナリオ | コピーして使えるプロンプト |
|---|---|
| 複数ソースのデータ統合 | Agentic Engineの課金データと（Feishuスプレッドシート）のキャンペーンデータを統合して、日ごとにそろえた1つのレポートにしてください。まず両方のデータの粒度、日付フィールド、指標の定義、欠損値の処理ルールを一覧にし、私が確認してから統合してください。外部ファイルは変更しないでください。 |
| 日報をチームのグループチャットに送信 | 今日のアクティブデータを照会し、日報にまとめてチームのグループチャットに送信してください。日報には、コア指標、前期間比の変化、異常項目、元の分析へのリンクを含めてください。まず下書きを作成して見せてください。私が確認してから送信してください。 |
| 週報をオンラインドキュメントとして生成 | 今週のデータを週報にまとめ、Feishuドキュメントとして作成してください。構成は、指標の概要、日ごとの推移、変化の解説、施策の振り返り、来週のToDoとしてください。まず下書きを作成し、私が確認してから作成してください。 |
| 定期モニタリング | 自動化タスクを作成してください。バージョンのリリース後、30分ごとに（プロジェクト）のコア指標（指標1、指標2）を照会し、モニタリングカードにまとめて（Feishuグループ）に送信してください。いずれかの指標が直前7日間の平均値と比べて10%を超えて下落した場合は、メッセージ内で赤字で強調して知らせてください。まず実行計画、クエリの定義、プッシュのスタイルを一覧にし、私が確認してから有効にしてください。 |
スケジュールタスクは、まず手動で一度実行し、形式と定義に問題がないことを確認してから有効にします。モニタリングの頻度は30分から始め、日報は1日1回で十分です。Agentic Engineで定期実行のタスクを設定する方法は、自動化を参照してください。
分析アセットの作成と再利用（確認後に実行）
| アセット | 適した課題 | 作成前に確認すること |
|---|---|---|
| 仮想プロパティ | 複数の元フィールドを組み合わせて分析ディメンションを作る | 数式、空値の処理、影響範囲 |
| ユーザータグ | 安定したユーザー分類ルールを固定する | 計算サイクル、データソース、更新頻度 |
| コホート | 分析やエンゲージの対象にするグループを抽出する | 進入条件、除外条件、有効期間 |
| レポートとダッシュボード | よく見る指標の確認方法を固定する | 指標定義、フィルター条件、アクセス権限 |
| クロスプロジェクトでの再利用 | 汎用的な分析構成を他のプロジェクトに移行する | イベントマッピング、プロパティのマッピング、定義の違い |
（目的）のための（仮想プロパティ / タグ / コホート / ダッシュボード）の草案を設計してください。
まず依存するイベントとプロパティ、計算またはフィルターのロジック、更新方法、権限、移行リスクを一覧にしてください。
直接作成せず、私の確認を待ってください。
プロジェクトが多い場合は、一括操作が最も時間を節約できます。たとえば「バージョンモニタリングのダッシュボードの構成に沿って、プロジェクトA、B、Cにそれぞれ1つずつ作成し、作成後に差異を一覧にしてください」のように依頼します。
データ開発プラットフォーム
データ開発プラットフォームの開通が必要です。
| シナリオ | コピーして使えるプロンプト |
|---|---|
| データベーステーブルとタスクフローの照会 | 現在の環境でアクセスできるデータベース、テーブル、タスクフローを一覧にし、最終更新時刻とステータスごとにまとめてください。 |
| データ抽出とデバッグ | （業務上の課題）をもとにクエリの方針とSQLの草案を作成してください。まずデータテーブル、結合条件、時間範囲、検証方法を説明し、書き込み操作は実行しないでください。 |
| タスクフローの構築 | （業務ドメイン）向けのタスクフローを1本設計してください。ノードの構成、スケジュール周期、リリース計画を一覧にし、直接作成はしないでください。 |
| ワイドテーブルの加工 | （イベントテーブル）を（ワイドテーブル）に加工してください。まずフィールドリスト、集計の粒度、パーティション戦略、増分更新のロジックを示し、私が確認してからテーブルとフローを作成してください。 |
| 実行時のトラブルシューティング | 直近（N）日間に失敗したインスタンスをまとめ、タスクフローと失敗の原因ごとに分類して、修正案を示してください。 |
その他のシナリオ
- ローカルデータ連携：「この（ローカルファイルのパス）のデータをAgentic Engineに取り込んでください。まずファイル構造を識別し、フィールドのマッピングとタイプを一覧にして、私が確認してからインポートを実行してください。」
- コミュニティ分析（オムニインサイトの開通が必要です）：「直近1週間のコミュニティでの（新バージョン）に関する議論を整理し、話題のトピック、ポジティブ・ネガティブなフィードバック、優先的に注目すべきリスクをまとめてください。」
- ナレッジベース：「（ナレッジベース名）で（テーマ）に関するページを検索し、原文を読んだうえで（質問）に答えてください。出典のページも添えてください。」
- プラットフォーム管理（管理者権限が必要です）：「システムに設定済みのチャネルと、直近30日間の使用量の集計を一覧にしてください。読み取りのみで、変更はしないでください。」
CLIの機能をすべて挙げることはできません。やりたいことをそのままAIに伝えれば、実行できるかどうか、どの設定が足りないかをAIが判断します。
結果の確認
数字を受け取ったら、まず4つの質問をします：どのイベントを使ったか？指標の定義は？時間範囲は？フィルター条件は？ 定義が違っていればその場で訂正し、AIに再実行させます。取得したデータとダッシュボードが一致しない場合は、AIにクエリ条件を1つずつ書き出させ、ダッシュボード内のレポートの設定と1つずつ照らし合わせます。
| レベル | 意味 | 例 |
|---|---|---|
| 事実 | データで直接再現できる | 「直近7日間の課金コンバージョン率は30.46%。」 |
| 判断 | 事実に対する解釈 | 「離脱はショップからチャージ開始までの段階に集中しており、価格の露出と関係している可能性がある。」 |
| 要検証 | 現在のデータでは確認しきれない | 「ショップの露出に関するデータ収集と合わせて検証する必要がある。」 |
AIが手を止めて「この言葉はどれを指していますか」と聞いてくるのは、エラーではありません。1つの言葉が複数の指標やイベントに同時に該当する場合、AIは定義の選択をあなたに委ねます。同じあいまいさが繰り返し発生する場合は、デフォルトの定義をSkillやナレッジベースに蓄積してください。
コマンド早見表
日常的な利用ではコマンドを覚える必要はなく、AI AgentがSkillsを通じて適切なコマンドを見つけます。問題の調査やスクリプトの作成では、次のようにヘルプを確認できます。階層化されたコマンドにも、さらに--helpを付けられます：
ae-cli --help
ae-cli analysis --help
ae-cli project member --help
| カテゴリ | ルートコマンド | 用途 |
|---|---|---|
| 分析とプロジェクト | analysis、analysis-meta、analysis-governance、project、metadata、personal-semantic-preference、project-semantic | レポート、ダッシュボード、アドホック分析、アラート、タグ、コホート／イベントとプロパティのカタログ、指標とデータ収集のガバナンス／データアセットの検索とリネージュ／プロジェクト、メンバー、ロール、権限／データテーブルと参照テーブルの紐付け／個人のセマンティック設定／プロジェクトアセットパッケージのエクスポート |
| データとデータ収集 | tracking、data-integration | データ収集プラン、SDKのサンプル、収集診断、コード生成／ローカルのCSV、JSON、Excelデータのチェック、変換、アップロード |
| コミュニティ分析 | community | コミュニティの投稿、コメント、トピック、センチメント、ライブ配信、レポート |
| 運用・配信 | engage-flow、engage-task、engage-setting、engage-scene、engage-activity、engage-workbench、engage-query | エンゲージのフロー、タスクと配信内容、チャネルとオーディエンスの設定、シナリオとストラテジー、運営キャンペーンと特集、ワークスペースとToDo、エンゲージのクエリと非同期エクスポート |
| データ開発プラットフォーム | dataops_repo、dataops_datatable、dataops_flow、dataops_ide、dataops_integration、dataops_operations | データウェアハウスとデータソース、テーブルとビュー、開発フローとスケジューリング、IDEクエリ、データ統合、運用とアラート |
| Agentプラットフォーム | kb、agent、context、memory、team、system | ナレッジベースとQ&A／Agent、自動化、モデル、MCP、Skills、添付ファイル／現在のページのコンテキスト／ユーザーメモリ／Agent Team／メンバー、サンドボックス、使用量、クォータ、チャネルなどのシステム管理 |
| 汎用ツール | capability、auth、config、sync、model、update | 機能の検出と汎用呼び出し／ログインとアカウント／環境管理／SkillsとMCPの同期／サンドボックスのモデル切り替え／環境が要求するバージョンへの同期 |
Capability Gateway
専用コマンドがないロングテールの機能は、Capability Gatewayを通じて動的に検出して呼び出します：
ae-cli capability list --domain analysis
ae-cli capability search "dashboard list" --domain analysis
ae-cli capability inspect analysis.dashboard.list
ae-cli capability dry-run analysis.dashboard.list --input '{"project_id":1}'
ae-cli capability run analysis.dashboard.list --input '{"project_id":1}'
--inputには、インラインJSON、JSONファイルのパス、または先頭に@を付けたファイルパスを指定できます。-を指定して標準入力から読み取ることもできます。dry-runにはパラメータの検証が含まれており、リスクレベルも表示されるので、問題がないことを確認してからrunを実行します。
出力形式
コマンドはデフォルトで統一されたJSON構造（ok、data、_notice）を出力するため、AI Agentが読み取りやすくなっています：
--format table：対応しているリストコマンドの結果を表形式で表示し、人が確認しやすくします。--jq <式>：業務上の結果を先に絞り込んでから出力します。--dry-run：プレビューのみで、実行はしません。--yes：リスクの高い書き込み操作の対話式確認をスキップします。影響範囲を確認したうえでのみ使用してください。
複数の環境と複数のアカウント
認証情報はAgentic EngineのURLごとに分けて保存されます。テスト環境と本番環境を併用する場合は、configで管理します：
ae-cli config list
ae-cli config add https://host-b.example.com --label staging --use
ae-cli config use staging
ae-cli config current
同じ環境で複数のアカウントが必要な場合は、ログインコマンドに--addを付け、ae-cli auth listで確認し、ae-cli auth use --account <アカウント>で切り替えます。ae-cli auth logoutで現在のアカウントからログアウトします。ターミナルでae-cli configまたはae-cli authをそのまま実行すると、対話式のセレクターが開きます。
セキュリティと権限
- CLIがアカウントの範囲を超える権限を得ることはありません。会社の分離、リソースの所有、最終的な権限は、すべてサーバー側で検証されます。
- 書き込み操作は、まずdry-runを行うか、AIに計画、影響範囲、ロールバック方法を示させ、確認してから実行します。削除などリスクの高い操作では、再度の確認も求められます。
- 会話の中にパスワード、Token、その他の認証情報を貼り付けないでください。CLIの出力にもTokenは含まれません。
system配下の管理コマンドを使うには、アカウントにrootまたはagent_adminロールが必要です。権限エラーが出た場合は、再試行したり回避したりせず、管理者に確認してください。- インストールするのはNode.js、
@thinkingai/ae-cli、公式Skillsだけにしてください。TLS検証を無効にしたり、信頼できないミラーを使ったりしないでください。
よくある質問
インストールと認証の問題のセルフチェック
| 現象 | よくある原因 | 対処方法 |
|---|---|---|
| インストールできない、またはダウンロードがタイムアウトする | ネットワーク、npmソース、プロキシの制限 | ネットワークとプロキシを確認し、チームが認めた依存ソースを使い、エラーメッセージを全文残す |
| 認証後もログインしていない | ブラウザでの認証が完了していない、またはデバイスコードの有効期限が切れている | ログインコマンドを再実行して認証を完了し、ログイン状態を確認する |
| 対象プロジェクトが見つからない | アカウントに権限がない、または接続先の環境が違う | Agentic EngineのURL、アカウント、プロジェクトIDを確認する |
| AIがAgentic Engineの機能を認識しない | Skillsがインストールされていない、または現在のAI Agentが再読み込みしていない | Skillsを再インストールし、AI Agentを再起動する |
| コマンドが存在しない、またはバージョンが一致しないと表示される | CLIまたはSkillsのバージョンが環境の要件と異なる | ae-cli update --host <アドレス>を実行し、AI Agentを再起動する |
| プライベート環境に接続できない | URL、ポート、証明書、または社内ネットワークの設定が一致していない | デプロイ担当者に接続パラメータを確認し、プロキシと証明書をチェックする |
AIの結論をそのまま事実として扱えますか？
できません。まずAIが使った指標の定義、時間範囲、フィルター条件を確認してください。データの結果は事実ですが、原因の説明は判断であり、さらに検証が必要です。重要な経営判断は、引き続き責任者が確認してください。
同じ質問でも回答が異なることがあるのはなぜですか？
質問に時間範囲、定義、ディメンションが不足しているか、プロジェクトのセマンティック情報が不完全な可能性があります。定義が決まっている頻度の高いタスクはSkillにまとめ、探索的な質問ではAIに積極的に確認の質問をさせてください。
ほかの人が使える機能が、自分の環境で見つからないのはなぜですか？
CLIのバージョン、AIが読み込んだSkillsのバージョン、現在の環境にその機能がデプロイされているか、アカウントに権限があるかを順に確認してください。まずae-cli capability listを実行して、現在の環境で利用できる機能を確認することもできます。
問題が発生したときは何を伝えればよいですか？
カスタマーサクセスマネージャーに、Agentic EngineのURL、ae-cli --versionの出力、対象プロジェクト、再現手順、エラーメッセージの全文を伝えてください。パスワード、Token、その他の認証情報は送らないでください。
関連リンク
- ae-cliのソースコードとSkills：github.com/ThinkingAIAgenticEngine/ae-cli
- インストールとアップグレードの説明（AI Agent向け）：cli-installation-guide.md
- 厳選シナリオSkills：github.com/ThinkingAIAgenticEngine/scenario-skills